10g配置isqlplus

Onlineforeve Onlineforeve 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 507平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄18年
关注
原创 最新推荐文章于 2026-08-14 13:21:46 发布 507 阅读 AI 写同款· GEO 优化 ›
Go指针本质：值传递下的地址代理与nil安全实践 指针是编程语言中管理内存的核心抽象，其本质是存储内存地址的变量。在Go中，指针并非C/C++的简单复刻，而是在严格值传递模型下设计的‘地址代理’——所有参数均为值传递，但指针值本身携带目标变量的内存地址，从而实现对外部状态的修改能力。这种设计兼顾安全性与可控性：禁止指针算术、强制类型约束、panic式nil解引用，使内存错误显性化。技术价值体现在性能优化（避免大结构体拷贝）、方法状态变更（指针接收者）、资源生命周期管理（nil作为空状态标识）等关键场景。本文深入剖析Go指针的运行时行为、nil语义差异、逃逸 阅读详情
1）环境介绍
OS INFO:
[oracle@ocmserver]more /etc/release
                                        Oracle Solaris 10 8/11 s10x_u10wos_17b X86
    Copyright (c) 1983, 2011, Oracle and/or its affiliates. All rights reserved.
                                                        Assembled 23 August 2011
[oracle@ocmserver]isainfo -v
64-bit amd64 applications
                ssse3 tscp sse3 sse2 sse fxsr mmx cmov amd_sysc cx8 tsc fpu
32-bit i386 applications
                ssse3 tscp sse3 sse2 sse fxsr mmx cmov sep cx8 tsc fpu
[oracle@ocmserver]isainfo -b
64
[oracle@ocmserver]

DB INFO
SQL> DESC V$VERSION;
Name                                                                            Null?        Type
----------------------------------------- -------- ----------------------------
BANNER                                                                                         VARCHAR2(64)

SQL> SELECT BANNER FROM V$VERSION;

BANNER
--------------------------------------------------------------------------------
Oracle Database 10g Enterprise Edition Release 10.2.0.1.0 - Prod
PL/SQL Release 10.2.0.1.0 - Production
CORE        10.2.0.1.0            Production
TNS for Solaris: Version 10.2.0.1.0 - Production
NLSRTL Version 10.2.0.1.0 - Production

SQL>

BROWSER INFO
IE7
GOOGLE CHROME    22.0.1229.79
2）iSQL*PLUS登陆地址
http: //192.168.188.88:5560/isqlplus/dba     --THIS LAB
http: //ip: 5560/isqlplus        ---THE STANDARD VERSION
3） oc4j用户
1、Concepts:
1）OC4J(Oracle Components for java 2 Enterprise Edition) 是 Oracle 用于Java的运行时环境，它通常被装载为Application Server的一部分。
2）一个OC4J进程只能支持一个Database Console进程 管理一个数据库。
2、Configure the oc4j user
oc4j可使用两种身份认证方式：
1)基于xml配置文件(jazn-data.xml)
  文件位于$ORACLE_HOME/oc4j/j2ee/isqlplus/application-deployments/isqlplus/config目录下。但该配置文件中的密码是加密的，所以我们不能手动修改该文件，而是通过JAZN(Java AuthoriZatioN)来配置。JAZN是oracle提供的一个JASS(JavaAuthentication and Authorization Service)工具。

2.基于LDAP(Oracle Internet Directory)
(SQL*Plus® User's Guide and Reference=> 2 ConfiguringSQL*Plus=> Enabling iSQL*Plus DBA Access)
4）oc4j用户配置
1、启动isqlplus
[oracle@ocmserver]isqlplusctl start
iSQL*Plus 10.2.0.1.0
Copyright (c) 2003, 2005, Oracle.    All rights reserved.
Starting iSQL*Plus ...
iSQL*Plus started.
[oracle@ocmserver]
2、声明环境变量
[oracle@ocmserver]$ export JAVA_HOME=$ORACLE_HOME/jdk
[oracle@ocmserver]echo $JAVA_HOME
$ORACLE_HOME /jdk
3、进入isqlplus目录
$ORACLE_HOME/oc4j/j2ee/isqlplus/application-deployments/isqlplus
4、启动jazn环境
[oracle@ocmserver]java -Djava.security.properties=$ORACLE_HOME/sqlplus/admin/iplus/provider -jar\
>    $ORACLE_HOME/oc4j/j2ee/home/jazn.jar -user "iSQL*Plus DBA/admin" -password welcome -shell
JAZN:>
5）利用JAZN环境添加isqlplus用户
a)new user
JAZN:> adduser "iSQL*Plus DBA" test test
b)list user
JAZN:> listusers
iSQL*Plus DBA/test
iSQL*Plus DBA/admin

JAZN:>
c)grant isqlplus DBA privs
JAZN:> grantrole webDba "iSQL*Plus DBA" test
JAZN:>
d)revoke grant
revokerole webDba "iSQL*Plus DBA" test
e)delete user
 JAZN:> remuser "iSQL*Plus DBA" test 
JAZN:> listusers
iSQL*Plus DBA/admin

JAZN:> 
f)set passwd
JAZN:> setpasswd "iSQL*Plus DBA" test test testnew
JAZN:>
g)exit the jazn
JAZN:>exit
5）测试登陆
可能出现的问题：
1）无法登陆jazn环境
a，确保你在指定目录下
b，确定你的命令没有错
c，确定你的isqlplus状态是启动/关闭

2）浏览器乱码问题
a，ie中设置
IE->工具->internet选项->语言,  将英语(美国)移到最上
b，google chrome
setting--languages--englis 
restart google chrome browser

本文出自 “Focus on Oracle” 博客，请务必保留此出处http://alexy.blog.51cto.com/6115453/1069554

收录于
Oracle

当前文章被收录于：

Oracle
40 篇文章 0 人学习
订阅专栏 查看详情
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
解决Linux下Oracle EM和isqlplus中文方框显示问题及Linux编程 在Linux环境下，使用Oracle EM（Enterprise Manager）和isqlplus时，可能会遇到中文字符显示为方框的问题。本文将详细介绍如何解决这个问题，并提供相关的Linux编程示例代码。本文介绍了如何解决Linux下Oracle EM和isqlplus中文方框显示问题，并提供了一个简单的Linux编程示例代码。isqlplus是Oracle数据库的Web界面工具，用于通过浏览器访问和管理数据库。Oracle EM是Oracle数据库的管理工具，用于监控和管理数据库。 阅读详情

相关推荐

JavaScript 概述与核心概念

本文详细介绍了JavaScript的核心概念与高级特性，涵盖其作为多范式编程语言的特点、代码实现方式、对象与事件处理机制。同时深入探讨了闭包、异步编程、错误处理、严格模式等高级特性，并结合实际应用场景讲解了DOM操作、事件委托、Promise与async/await的使用方法以及模块化编程的优势。

qq_27496129的博客 85

iSQLPLUS

iSqlPlus是Oracle9i提供的新功能，是Sqlplus的Web形式发布。是基于三层结构设计的。　 其client、middle、server可以位于同一台机器上也可以位于不同的机器。iSqlPlus不需要单独安装，访问iSqlPlus你只需要知道中间层服务器的地址和端口，可以以标准用户或者sysdba、sysoper的身份登陆。 　　 iSQL*Plus 提供快速的、基于浏览器的界

塔山上的山 601

JavaScript鼠标事件：学习JavaScript中的鼠标事件和技巧

在Web开发中，JavaScript是一种广泛使用的编程语言，它可以为网页添加交互性和动态性。其中，鼠标事件是JavaScript中一类常用的事件类型，它可以帮助我们响应和处理用户在网页上的鼠标操作。本文将介绍JavaScript中常见的鼠标事件，并提供相应的源代码示例。这些是JavaScript中常见的鼠标事件及其应用示例。通过学习和理解这些事件，你可以为网页添加交互性和动态性，改善用户体验。希望这些示例能够帮助你更好地理解和应用JavaScript中的鼠标事件。如果你有任何问题，请随时提问！

CodeWhizZ的博客 192

Oracle9i新特性：iSQLPLUS

Oracle9i新特性：iSQLPLUSLast Updated: Wednesday, 2004-10-27 12:04 Eygle        iSqlPlus是Oracle9i提供的新功能，是Sqlplus的Web形式发布。是基于三层结构涉及的。其client、middle、server可以位于同一台机器上也可以位于不同的机器。iSq

eygle's life 1798

实现鼠标悬停图片切换效果的全攻略

在当今的网页设计中，hover效果（鼠标悬停效果）已经成为提升用户体验的重要工具。通过CSS和JavaScript的巧妙运用，设计师可以在用户将鼠标指针悬停在网页元素上时触发一系列视觉变化，而图片的hover显示就是其中最具吸引力的应用之一。hover显示图片不仅可以增加网页的美观度，还能有效引导用户的注意力，突出关键内容。在本章中，我们将简要介绍hover显示图片的概念、重要性和基本工作流程，为接下来的深入探讨奠定基础。

weixin_34620658的博客 1195

实现JavaScript鼠标悬浮显示详细内容的交互设计

网页交互设计是用户与网站内容和功能进行沟通的桥梁，它不仅关乎于界面的视觉美感，更关乎于用户的操作体验。一个好的网页交互设计可以引导用户高效、愉悦地完成任务，进而提升用户对品牌的认知度和满意度。在本章中，我们将探讨网页交互设计的基本原理，以及如何通过细致入微的设计元素——鼠标悬浮效果，增强用户交互体验。我们将从设计理念出发，逐步深入到实现技巧，让读者不仅理解“为什么这样做”，也能掌握“如何做到”。

weixin_42510243的博客 959

isql plus 简介

iSqlPlus是Oracle9i提供的新功能，是Sqlplus的Web形式发布。是基于三层结构设计的。其client、middle、server可以位于同一台机器上也可以位于不同的机器。iSqlPlus不需要单独安装，访问iSqlPlus你只需要知道中间层服务器的地址和端口，可以以标准用户或者sysdba、sysoper的身份登陆。iSQL*Plus 提供快速的、基于

天下无双 1252

isqlplus doc

oracle isqlplus doc for reference.

iSQL*PLUS配置设置

iSQL*PLUS介绍 iSQL*PLUS是从ORACLE 9i开始提供的新功能，是SQL*PLUS的Web形式(ORACLE 11g已经不支持)。是基于三层结构设计的。其client、middle、server可以位于同一台机器上也可以位于不同的机器。iSqlPlus不需要单独安装，通过isqlplus，用户可以不需要安装任何ORACLE客户端，就能够通过浏览器方式的使用SQL*PLUS进行数...

weixin_33933118的博客 351

oracle 10g　的sqlplus运行sql文件

以下是user.sql文件的内容： connect system/oracle@ORCL as SYSDBA; drop user gep cascade; create user gep identified by gep default tablespace USERS; grant connect,resource,dba to gep; grant create table to gep; grant select any table to gep; exit

保姆级教程：用OpenCV的calibrateHandEye()搞定机器人手眼标定（附Python代码）

本文详细介绍了如何使用OpenCV的calibrateHandEye()函数完成机器人手眼标定，解决机械臂与相机坐标系对齐问题。教程涵盖从基础原理、数据采集到Python代码实现的完整流程，特别适合需要精确视觉引导的机器人应用开发。通过手眼标定，可确保机械臂准确抓取相机检测到的目标物体。

weixin_33712987的博客 515

编程语言核心符号全解析：从分号、花括号到箭头运算符的跨语言对比与实践

在编程中，语法符号是构建代码逻辑的基础元素，其正确使用直接关系到代码的可读性、可维护性和执行效率。从界定代码块的分号、花括号，到执行运算和比较的各类运算符，再到语言特有的访问符和语法糖，每种符号背后都蕴含着语言设计者的哲学和编译器的解析规则。理解这些符号的原理，能帮助开发者避免常见的语法陷阱，提升调试效率，并快速适应不同的编程环境。例如，分号在C++/JavaScript中是语句结束的强制要求，而在Python中则通常被省略；花括号在C家族语言中界定代码块，在Python中却用于创建集合或字典。掌握这些差异

weixin_33744141的博客 327

大学物理第二章 质点动力学详解

大学物理第二章 质点动力学概念详解

weixin_63026364的博客 1万+

3步轻松自定义Mac鼠标指针：Mousecape让你的光标与众不同

厌倦了Mac电脑上千篇一律的白色箭头光标？想要为你的数字工作空间增添一点个性色彩吗？Mousecape作为一款免费的macOS光标管理器，让你能够轻松更换和自定义鼠标指针，为日常的电脑使用带来全新的视觉体验。这款开源工具利用苹果官方的CoreGraphics API，提供安全无侵入的光标定制方案，让每一次鼠标移动都充满乐趣。 ## 为什么需要自定义鼠标指针？ 在数字时代，我们的电脑桌面、壁纸、

gitblog_00097的博客 492

Vlan的封装模式和端口讲解（Access、Trunk、Hypbrid端口）

Vlan（Virtual Local Area Network）虚拟局域网，将一个物理的LAN在逻辑上划分为多个广播域，在交换机上实现广播域隔离（增强局域网的安全性、限制广播风暴、简化网络管理）Vlan通过将二层数据帧打上Vlan标签（打上Vlan标签也就是封装Vlan），正常情况下，不同Vlan Tag的数据包是无法二层直接互访的，以此来实现广播域的隔离可以理解为一个Vlan对应一个广播域，同一Vlan内的主机可以二层直接通信，不同Vlan间的主机无法二层直接通信。

m0_49864110的博客 5642

PT静态时序分析实战：从基础命令到高级报告解析

本文详细介绍了PT（PrimeTime）静态时序分析（STA）的实战技巧，从基础命令如pt_shell和report_timing的使用，到高级报告解析与问题排查。通过丰富的实例和脚本示例，帮助工程师快速掌握时序分析的核心技能，提升芯片设计验证效率。

weixin_29289821的博客 954

编程语言 - 脚本编程 - JavaScript/Jquery/Ajax/XML/JSON/ActionScript3

事件处理onmouseover <!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title>菜鸟教程(runoob.com)</title> <script> function bigImg(x){ x.style.he...

weixin_30865427的博客 131

【Leetcode】269.火星词典（Hard）

应用拓扑排序

明朗晨光的专栏 768

南京大学《软件分析》课程笔记01 Introduction

前言 发现现在网上的笔记都不怎么适合阅读，就自己做一下 简介 程序语言 (Programming Languages) 国内研究PL的不多，人才很少 活跃度很高 在理论部分，考虑的是如何设计一个语言的语法和语义，如何设计语言的类型系统等等问题；有了语言的语法、语义和类型系统之后，我们需要支撑语言的运行。因此，在环境部分，需要考虑如何为运行中的程序提供运行时环境——如何设计编译器，在运行时需要怎样的支持（如内存的分配管理）等等；应用部分则关注如何保证语言所写出程序的效率、安全性和可靠性，主要考虑如何对

qq_41048815的博客 1051

YOLO车辆测距、车辆识别与单目测距

YOLO（You Only Look Once）是一种实时物体检测系统，能够识别视频或图像中的多个对象，并确定其位置。结合车辆识别与单目测距技术，YOLO可以用于交通监控、自动驾驶等应用场景，通过单个摄像头实现车辆的识别与距离测量。YOLO结合单目测距技术，在多个应用领域展现出巨大的潜力与灵活性。其实时性和准确性为智能交通、自动驾驶等领域提供了强有力的技术支持。

走向CTO的路上... 1674

最新Python爬虫实战（入门爬虫篇）——案例3：爬取二次元cos图片批量下载到本地（附上完整爬虫代码）

本次案例通过Python爬虫技术实现了二次元图片的批量下载。代码采用模块化设计，函数实现cookies的自动解析，简化了配置流程，涵盖“请求列表页→提取详情页URL→请求详情页→提取图片链接→保存图片”的完整流程，与豆瓣案例的核心逻辑和格式完全对齐。学习重点包括：抓包工具定位多层级数据源、正则表达式匹配复杂链接、模拟请求头绕过反爬机制、文件名安全处理及自动化文件管理。需要注意控制请求频率并遵守网站使用规范，适用于入门爬虫实践，帮助学习者掌握多层级页面爬取的核心逻辑。

努力让自己发光，对的人才能迎着光而来 14万+

CSS知识点

什么是CSS？ 1.层叠样式语言（不是编程语言，没有变量、数据类型、控制语句） 2.CSS其实是专门用来修饰HTML的，让HTML更好看，CSS是HTML的化妆品。 3.CSS是为HTML服务的，所以HTML还是主体，CSS是依附在HTML上的，所以进行CSS的开发，我们还是需要新建html/.html文件。...

m0_61235042的博客 334

【数据集2】CPC Global Unified Temperature/Precipitation数据简介及处理

简介CPC 温度及降雨 数据

WW、forever的博客 3107

chatgpt赋能python：Python如何绑定窗口

在Python中，窗口绑定是将图形用户界面（GUI）应用程序中的控件与特定函数或方法相关联的过程。例如，当用户单击一个按钮时，它会触发与该按钮相关联的函数或方法，从而启动其他操作或执行其他任务。在Python中，Tkinter是最受欢迎的GUI库之一，可以轻松创建各种窗口和控件。下面将介绍如何使用Tkinter进行窗口绑定。本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。

tutan123321的博客 1144

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

运动多样式框架

var oDiv1 = document.getElementById("div1"); /* 宽高透明度同时发生变化 */ oDiv1.onmouseover = function(){ starMove(this,{ width:300, height:102, .

pj1653_9的博客 153

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

专业的开发工具：Xcode mac版

Xcode for Mac是Mac平台上用于OS X的集成开发环境的开发工具，Xcode Mac版为用户提供了全面的用户界面设计、编码、测试和调试的工作流程，Xcode Mac版还包含了Xcode IDE，Swift和Objective-C编译器，开发人员开发应用程序更加高效便捷，但是要注意，此版本兼容Mac OS 10.15.6系统。 原文来自：Xcode for Mac(开发工具)v11.7最新版 Xcode for Mac官方介绍 Xcode包括开发人员为Mac，iPhone，iPad，Ap

weixin_49864678的博客 492

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")
上一篇： plsql9.0.6.1665版本注册码
下一篇： 一封辞职信
点赞 0
评论 0
书签 书签 0
Onlineforeve
Onlineforeve
博客等级 码龄18年 3粉丝 78原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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