没事研究下C#虚拟光驱,有所收获!

使用Windows 10系统内置的虚拟光驱功能编程 在本篇文章中,我们将介绍如何使用C#编程语言访问和控制Windows 10系统内置的虚拟光驱功能。为了使用虚拟光驱功能,我们需要使用Windows API提供的一组函数和结构体。下面是一个简单的示例代码,演示了如何创建虚拟光驱、加载光盘镜像文件以及卸载虚拟光驱。希望这个示例能够帮助你了解如何使用C#编程语言访问和控制Windows 10系统内置的虚拟光驱功能。方法中,我们指定了要创建的虚拟光驱的驱动器号和光盘镜像文件的路径。请注意,在使用虚拟光驱功能时,需要以管理员权限运行应用程序。方法来卸载虚拟光驱。 阅读详情

没事研究下C#虚拟光驱,有所收获!它被定义了,但它却被定义为未定义——有趣的宏定义 前些日子为了弄清楚宏定义写了个小程序,忽然发现将标识符定义为空和将标识符定义为未定义完全是两码事…虚拟光驱…然后发现原来宏定义中还有一种状态叫“未定义”。下面就是那个小程序以及简单的分析,然后通过这个程序可以充分体验一下这个“未定义”的状态,体验一下什么叫“它被定义了,但它却被定义为未定义”。
程序源码:

view sourceprint?#include<stdio.h> 

  

int main() 

{ 

#if (A == B) 

printf("define A = B/n"); 

#elif (A == C) 

printf("define A = C/n"); 

#else 

printf("nothing is defined!/n"); 

#endif 

return 0; 

}


然后下面是编译命令和运行结果:
[root@localhost test]# gcc definetest.c -o definetest
[root@localhost test]# ./definetest
define A = B
[root@localhost test]# gcc definetest.c -o definetest -DA
[root@localhost test]# ./definetest
nothing is defined!
[root@localhost test]# gcc definetest.c -o definetest -DA=C
[root@localhost test]# ./definetest
define A = B
[root@localhost test]# gcc definetest.c -o definetest -DA=C -DC
[root@localhost test]# ./definetest
define A = C
[root@localhost test]# gcc definetest.c -o definetest -DA=C -DB
[root@localhost test]# ./definetest
define A = C

首先简单介绍一下gcc编译时-D的意思,-D其实就是在预处理时进行宏定义,和在代码中用#define实现的是一样的。而D后面紧跟的就是宏定义的内容:-DA,相当于在代码中#define A;而-DA=C就相当于在代码中的#define A C。
首先第一种,也是最简单的编译方式,什么都没有定义。但是却在第一个分支执行了,这是为什么呢?因为这时A没有被定义过,B也没有被定义过,于是未定义等于未定义,于是在第一个分支中就执行了。
那这时候就会考虑怎么才能跑到第三个分支去呢?第二种编译方式基本算是最简单的解决方法了,宏定义A为空,然后A被定义为空,而B和C仍是未定义,于是就会跑到第三个分支。
第三种情况应该是最有意思的一种情况,大家一般都会认为程序应该会执行到第二个分支,打印出define A = C,但是却仍在第一分支就实现了。其实这就是那种“它被定义了,但它却被定义为没定义”的情况,将A定义为C,但是C却是“未定义”,于是A就变成了“未定义”,而B本身也是“未定义”,所以A就和B一样了,所以在第一分支就实现了。
 然后这个时候如果把C定义一下,或者将B定义一下,只要保证两者不都是“未定义”,就会进入到程序的第二分支了。分别对应第四和第五种编译方式。

C#开发的高性能虚拟光驱制作工具实战项目 虚拟光驱技术通过软件模拟物理光驱行为,实现ISO、BIN等镜像文件的挂载与访问,广泛应用于软件分发、系统部署及安全测试等领域。相较于传统批处理脚本或C/C++底层开发,C#凭借其丰富的System.IO与P/Invoke能力,在保持高性能的同时显著提升开发效率。结合.NET平台的内存管理与异常处理机制,C#更适合构建稳定、可维护的企业级虚拟光驱工具。主流解决方案如ImDisk和Dokan均提供用户态API,可通过C#进行封装调用,实现驱动级挂载逻辑而无需编写内核代码。 阅读详情

相关推荐

C#虚拟光驱文件制作工具

C#虚拟光驱文件制作工具,速度非常快。。。。

虚拟光驱实现原理-用户层篇

     一直以来对虚拟光驱的实现都很好奇,也曾想试着做一个,但查遍网上资料,基本上没找到过什么有用的。所以一直没有实现。感于这方面资料的缺少。所以准备研究一下这方面的技术。在没有什么资料的情况下,要想研究某方面的技术,最好的办法,当然是逆向。选择作为逆向目标的软件。一定不能过大。二要不是商业软件。所以选了MINICD这款软件。这款软件用UPX压缩了。压缩后只有几百K。不过作者对UPX压缩后的软件

jivi的专栏 6246

c#实现的虚拟光驱软件源代码(自写)

自己用C#实现的一个虚拟光驱软件,可以映射ISO文件。利用已有驱动。源代码里没有太多注释。详细解释请看我的BLOG http://blog.youkuaiyun.com/jivi/archive/2009/05/20/4202661.aspx 注 : 此是源码,拿来给别人参考用的, 请勿直接使用

C#打开光驱

[DllImport("winmm.dll")]public static extern int mciSendString(string s1,string s2,int i1,int i2);//关闭光驱mciSendString ("set cdaudio door closed","",0,0);//打开光驱mciSendString ("set cdaudio door open",""

freexiaoyu的专栏 797

碟中碟3虚拟光驱 v3.20

“碟中碟3”是完全真实光盘虚拟光驱。支持StarForce1/2/3(不用拔IDE光驱线),SecuRom New 1-7,safedisc 1/2/3保护光盘、PS游戏的虚拟,同时支持多个虚拟光盘,支持抓取和虚拟保护光盘密码指纹。支持CD音乐光盘的抓取(配合ASPI32)能够虚拟其他光盘工具软件抓取的镜像文件.基本能虚拟市面上所有的光盘格式。可同时支持4个虚拟光盘(支持操作系统Windows 2000、windows XP、windows 2003)

碟中碟虚拟光驱beta1 for win2000/xp/.net

本软件是一款强大的虚拟光驱软件,即能mount设备又能快速抓档,完全能胜任所有的虚拟工作,而且本软件最大的特点是小巧(文件大小为310k),抓档速度高,你完全可以放弃一些大型的虚拟光驱以及各种组合型抓档软件.是你电脑中必备的常用软件之一.本软件在Download和Zdnet这些英文网站获得5星评价

企业IT管理必备:虚拟光驱在软件部署中的妙用

今天,我就来分享一下虚拟光驱在企业IT管理中的实战应用,以及如何开发一个企业级的虚拟光驱管理工具。这不仅节省了物理介质成本,还大幅提升了软件部署的效率。在企业环境中,虚拟光驱可以用于批量安装操作系统、办公软件、专业工具等,特别适合需要频繁部署的场景。虚拟光驱技术在企业IT管理中的作用不可小觑,尤其是在需要高效、安全、批量部署的场景下。通过开发一个功能完善的管理工具,可以大幅提升IT团队的工作效率。实际使用中,我发现InsCode的一键部署功能特别适合快速验证和分享项目,尤其是这种需要持续运行的服务类应用。

SilverMoon18的博客 668

sharpfilesystem:用C#编写的.NET虚拟文件系统

夏普文件系统 SharpFileSystem是.NET的实施,允许以相同的方式访问普通文件和目录的不同文件系统。 动机 在花了很长时间寻找.NET的VFS之后,我才能以与任何普通文件和目录相同的方式读取档案(zip和rar)中的文件和目录。 我找不到针对此问题的任何完整解决方案,因此我决定自己实施一个VFS。 同样,我在普通文件系统中不喜欢的是路径系统。 它允许相对路径(如..),这通常会导致安全问题,而无需显式检查。 它允许引用目录的方式与引用文件的方式相同。 这通常会导致奇怪的行为,例如将目录(源)复制到另一个目录(目标),在此通常会模糊目标目录是否应该被覆盖,或者是否应该复制目标目录中

5分钟学会WinCDEmu:免费虚拟光驱的终极解决方案

还在为找不到光驱而烦恼吗?WinCDEmu作为一款完全免费的虚拟光驱软件,只需一键即可将ISO镜像文件虚拟成物理光盘,彻底告别实体光驱的限制。这款由C++和C语言开发的开源工具,采用LGPL-3.0许可证,让每个Windows用户都能轻松享受便捷的虚拟光驱体验。 ## 🚀 为什么你需要WinCDEmu虚拟光驱? 在数字化时代,ISO镜像文件已经成为软件分发、游戏安装和系统部署的主流格式。Wi

gitblog_00393的博客 1021

基于大模型的急性重症胰腺炎全流程预测与诊疗方案研究

本研究构建了基于大模型的急性重症胰腺炎(SAP)全流程预测与诊疗系统,实现了从术前风险评估到术后康复管理的精准诊疗闭环。通过整合临床信息、实验室检查和影像学等多源数据,模型在测试集上预测准确率达X%,AUC为X,显著优于传统评分系统。研究创新性地将预测结果应用于手术方案制定、麻醉决策、并发症防控及个性化护理,形成智能化诊疗方案。验证结果显示模型具有良好的稳定性和临床适用性,同时配套的健康教育体系提升了患者自我管理能力。尽管存在样本局限性和模型可解释性等不足,该研究为SAP的精准诊疗提供了新范式,未来可通过扩

嵌入式毕设/课设资料清单(速查手册·文档模板·题库,持续更新)→ 见最新文章 1116

特征模理论指导滤波天线设计的优势和方法

本文探讨了特征模理论在滤波天线设计中的应用优势和方法。特征模理论通过分析天线结构的本征模特性,突破了传统经验设计的局限,实现了辐射与滤波功能的一体化设计。文章重点阐述了如何利用模式显著性(MS)和模式加权系数(MWC)来指导辐射零点的产生,揭示了辐射零点形成的物理机制。通过特征模分析,设计师可以明确调控天线结构和馈电系统,优化滤波性能。这种方法为现代多频/宽带滤波天线设计提供了理论依据和实用工具,显著提升了设计效率和性能指标。

qq_64207806的博客 957

c语言编写虚拟光驱软件下载,虚拟光驱(LZZ Virtual Drive)

虚拟光驱LZZVirtualDrive是一款简单好用的虚拟光驱软件,能装载iso和isz格式的光盘映像,无需安装,启动后就能当作虚拟磁盘使用,完全符合使用虚拟光驱软件时的要求,能将文件虚拟成为光盘,还能创建iso。相关软件软件大小版本说明下载地址虚拟光驱(LZZ Virtual Drive)是一款简单好用的虚拟光驱软件,能装载iso和isz格式的光盘映像,无需安装,启动后就能当作虚拟磁盘使用,完全...

weixin_34221384的博客 654

SAP 销售订单及发票 利润中心替代 Userexit出口 配置及程序

在跨公司销售业务中,跨公司销售订单的发票时无法从销售订单中将利润中心带到发票中,所以在跨公司的发票创建过程中需要配置出口来获取对应销售订单行项目的利润中心。 事务代码: 0KEM 配置步骤: 1、创建一个新的替代 2、创建一个步骤 3、维护一个先决条件,比如针对于特定工厂 PCASUB-VKBUR = '0001' 4、选择替代程序FORM,FORM必须为指定程序中存在的FORM名 5、编辑替代程序FORM 实现效果: 在程序FORM中打上断点 ...

李威威wiwi的博客 5069

c#实现虚拟光驱--应用层(简单涉及驱动部分)

(原来写在优快云上的,先转过来一份.要不然开了博不写点东西。总感觉是浪费哈)用c#实现的虚拟光驱的源代码(使用了minicd.sys)驱动部分未重新实现代码有点乱。凑合着看吧 一直以来对虚拟光驱的实现都很好奇,也曾想试着做一个,但查遍网上资料,基本上没找到过什么有用的。所以一直没有实现。感于这方面资料的缺少。所以准备研究一下这方面的技术。 在没...

weixin_30740295的博客 327

【STM32 CubeMX】I2C中断方式与DMA方式

在STM32 CubeMX环境中,I2C(Inter-Integrated Circuit)通信协议的实现可以采用中断方式或DMA(Direct Memory Access)方式。中断方式通过触发中断来处理数据传输,而DMA方式则利用直接内存访问技术来实现数据传输,减轻了CPU的负担。在选择I2C通信方式时,开发者需要根据具体的应用需求和性能要求来选择合适的方式。STM32 CubeMX提供了图形化配置工具,使得配置I2C通信方式变得更加便捷。

m0_62599305的博客 7749

KEPServerEX 6 之驱动协议(UDD)实战 HTTP协议对接OpenWeatherMap天气 API全流程指南

本文分享了基于 KEPServerEX 6 的通用设备驱动(UDD)对接OpenWeatherMap天气API的实战方案。该方案针对工业物联网场景进行了深度优化,具有动态城市切换、运行时热配置、老旧JS引擎兼容等核心特性。文章详细介绍了从环境准备、脚本部署到Tag配置的全流程,重点解析了Legacy JS语法适配、Float类型安全处理等关键实现细节,并提供了完整的避坑指南和故障排查方法。该方案经过生产环境验证,可稳定实现气象数据采集与动态切换功能,适用于SCADA/MES系统集成场景。

-雲飛兄-博客 719

那些开发《虚拟光驱》的人们

<br />那些开发《虚拟光驱》的人们,开始上班了,在一个很小的公司。进了公司之后我才发现我是公司里唯一的做.net开发的人们,而且公司好像没有再招.net方向的人们样子。既然我是公司里的新兴人类,作为人们当然免不了java和C#的问题。经理总会说:你这个做很简单、很快的,拖一拖拉一拉就好了。<br />我也总会说:哪有这么简单的事。比我后几天进公司的一个员工是刚从培训机构出来的。那天吃饭的时候他对我说:.net我也了解一些,我看了一下挺简单的。我本来想用一个很俗的比喻来回答的它的,可想想当时在吃饭,然后就

小发猫 1067

FineReport 动态列切换统计维度

目标: 自己选择统计维度进行数据的汇总统计数据集参数实现动态列。

Davina_yu的博客 1053

用好系统自带的【虚拟光驱】

你知道在天天打交道的windows里面有一个相对安全又方便高效的虚拟光驱软件吗?那他就是一个纯dos命令subst,其用法就是:subst 盘符:路径(要虚拟的路径) 举例:subst h: e:\english。 经过这样一设置,那么h盘所对应的就是e:\english下的文件了。然而在每次启动计算机后所有的“虚拟光驱”都会消失得无影无踪了。这是你可以编辑Autoexec...

weixin_33692284的博客 178

AI时代的软件质量保证新方法论

3.2.1 质量保证的方法论 质量保证(Quality Assurance, QA)是一种系统化的方法,用于确保产品或服务符合预定的质量标准。在AI时代,软件质量保证的方法论需要适应不断变化的AI技术和应用场景。 3.2.1.1 质量管理体系的构建 首先,构建一个完善

AI天才研究院 1357

Open3D 读取、保存、显示点云【2025最新版】

paint_uniform_color给所有的点上一个统一的颜色。博客长期更新,本文最近更新时间为:2025年1月1日。

点云侠的博客 37万+

【亲测免费】 开源项目推荐:WinCDEmu —— 虚拟光驱的便捷解决方案

**项目基础介绍及主要编程语言:** WinCDEmu是一款由C++, C, 和少量C#以及批处理脚本编写的开源软件,它致力于简化虚拟光驱的使用体验。由sysprogs团队维护在GitHub上,此项目采用LGPL-3.0许可证,允许广泛的应用和修改。WinCDEmu的设计理念是提供一个无需复杂配置即可轻松挂载ISO镜像文件的工具,极大地便利了开发者、测试人员以及日常用户的操作。 **项目核心功能...

gitblog_01228的博客 1038

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

VS2010 没有C#或者其他模板怎么办,不用重装

今天要完成C#暑期实习,突然发现当初装VS没装C#模板,然后就通过更改功能安装了模板。 下面是过程,适用于其他模板缺失的情况。 只要你还留着安装文件,很简单。 下个虚拟光驱,把iso镜像载入虚拟光驱(一定要用虚拟光驱,不然VS修改功能识别不了)。

Linux Kernel Developer 8340

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

如何免费使用WinCDEmu:超简单虚拟光驱工具,一键挂载ISO镜像教程

WinCDEmu是一款由C++、C和少量C#编写的开源虚拟光驱工具,支持Windows系统,能帮助用户轻松挂载ISO等光盘镜像文件,无需复杂配置即可体验便捷的虚拟光驱功能。 ## ???? 核心功能:为什么选择WinCDEmu? ### 1. 一键挂载ISO镜像,操作超简单 WinCDEmu提供直观的操作界面,用户只需右键点击ISO文件,即可快速将其虚拟成物理光盘,省去购买实体光驱的成本和麻烦。无...

gitblog_00987的博客 562
上一篇: 秋式开源团队,欢迎您的加入!
下一篇: 那些开发《虚拟光驱》的人们
普通网友
博客等级 码龄22年 1万+粉丝 3156原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值