MSDN订阅用户使用Download Manager下载大文件中断后继续下载的解决方法

微软新推出的产品,有时候会先放到http://msdn2.microsoft.com/zh-cn/subscriptions/default.aspx“订户热门下载” 下载里进行下载,而没有放在MSDN Subscriber Downloads 页面进行下载。使用“订户热门下载”下载文件时由于时间关系、网络问题或者其他一些问题,有时候会出现提示说“文件下载在完成前中止,为方便继续下载,在桌面上建立一个继续下载的链接”。这个链接真的管用吗?有时候,单击这个链接仍然会提示上面的错误,非常郁闷啊。这是怎么回事呢?继续不了,这个时候,千万不要单击“Cancel”按钮,单击这个按钮就只能从头开始下载了。一开始,我也觉得奇怪,怎么弄都是老样子,气愤!只好到网上搜索,也没有搜索到任何结果。只好去MSDN上找找。在“订户热门下载”的页面,有一个“常见问题”的链接,看了一遍,没有找到与错误完全相同的问题。在这个问题列表的最后,有这样一个:

What else can I do if I have trouble downloading?(如果在下载时出现问题,我还能做什么?)

If you cannot complete a download, you may need to clear the cache in your browser. Follow these steps to clear your cache in Internet Explorer:

  1. On the Tools menu in Internet Explorer, click Internet Options and then click the General tab.
  2. In the Temporary Internet Files section, click Delete Files and then click the OK button if you would like to empty your entire cache of temporary Internet files.
  3. In the Temporary Internet Files section, click Settings. In the Settings dialog box, select Every visit to the page. Then set the size of the Temporary Internet Files folder to a size larger than your intended download. Next, click the View Files button.
  4. In the Temporary Internet Files window that opens, open the Edit menu and click Select All. Press DELETE. When you are asked if you would like to delete all the cookies you have selected, click Yes. Click the OK buttons until you return to the General tab.
  5. In the History section of the General tab, click Clear History and then click Yes. When you are asked if you would like to delete the history of the Web sites you have visited, click OK.

只好照着做一次,也不好使啊,再结合前面的问题的解决方法,才找到解决问题的答案。

做法是:照着上面的1-5步骤做一遍,打开 http://msdn2.microsoft.com/zh-cn/subscriptions/default.aspx 页面,并且进行一次登录,再从列表里找到你要下载的文件链接,单击这个链接,“Download Manager”这才继续在前一次下载的基础上继续下载。

【update】顺便说一下:如果不是太着急用,最好不要使用这种方式下载。

Windows内存泄露检测:从原理到实战的完整解决方案 内存管理是软件开发中的核心概念,它决定了程序的稳定性和性能表现。其基本原理涉及操作系统如何为进程分配和回收内存资源,特别是堆内存的动态管理。在Windows平台上,内存泄露检测的技术价值在于保障长期运行的应用程序不会因资源耗尽而崩溃,这对于构建高可靠性软件至关重要。应用场景广泛覆盖了C/C++原生开发、.NET托管程序以及混合语言项目。通过系统化的检测方法,开发者可以精准定位未释放的内存块,其中**CRT调试堆**和**UMDH工具**是实践中常用的高效手段,能够帮助开发者从根源上解决资源泄漏问题,提升软件 阅读详情

相关推荐

Windows 10 22H2版本详解与安装指南

Windows 10作为微软主流操作系统,其22H2版本带来了显著的性能优化和安全增强。操作系统架构选择涉及x64、x86和ARM64三种主流架构,其中ARM64版本特别适配新一代移动设备。在系统部署方面,通过官方镜像下载和完整性校验确保安装源安全可靠。对于企业用户,批量授权版本和长期服务通道(LTSC)支持提供了稳定的运维基础。实践环节包含从制作启动介质到完成安装的全流程指导,以及常见问题的解决方案。这些技术要点对于系统管理员和IT支持人员尤为重要,能有效提升Windows系统的部署效率和使用体验。

weixin_34265814的博客 465

android 使用download Manager实现应用下载安装

android 2.3中引入了download manager ,作为一个service来优化长时间下载操作处理。download manager通过处理http 连接、监听连续的变化和系统重新启动来确保每一次下载都能成功完成。 最好大多数场景下都使用download manager,特别是在一个下载可能会在多个用户回话之间在后台继续进行的地方或者在某个下载的完成非常重要的时候。 1、用到的权

u011324501的专栏 2119

VS2022专业版安装配置指南:构建2026就绪的现代化开发环境

Visual Studio 是微软旗舰级集成开发环境(IDE),其专业版提供企业级调试、测试与云原生支持能力。理解 VS 安装本质,需从工作负载(Workload)机制、离线布局(Offline Layout)原理和 Gitignore 工程契约三方面切入——这不仅是组件选择,更是开发范式与团队协作标准的确立。技术价值在于实现环境可审计、可复现、可扩展,支撑 .NET 8、AI 辅助编程、Docker 调试及 Windows 11 深度协同等现代开发场景。本文以 VS2022 17.9.6 为现实基线,详解

weixin_30756499的博客 431

百度云下载完成后baiduyun.downloading仍然存在,下载后源文件却一直没看到

baiduyun.downloading后缀的文件是百度云文件下载未完成时特有的文件。如果百度云下载文件完成后,baiduyun.downloading文件仍然存在,该文件是可以删除的,这可能是百度云的一个bug。但是在删除该文件之前,请确保文件已经下载完成。 如果下载完后源文件却一直没看到,但有看到这个文件 baiduyun.p.downloading这个p的文件,是下载后源文件,把这个后缀去掉后,即还原原来的文件。 ...

hu5566798的博客 2万+

VS2022企业级安装与配置实战指南:稳定性、合规性与性能调优

Visual Studio 2022作为微软首款64位原生IDE,已超越单纯版本迭代,成为工业级C++/C#开发的事实标准。其核心价值在于在C++20标准支持、MSVC v143编译器成熟度与企业IT策略兼容性之间实现黄金平衡——相比预览中的VS2025,VS2022对模块(Modules)、协程(Coroutines)等关键特性的落地更稳定,且规避了C++23新特性(如std::expected)支持不全的风险。技术选型本质是工程权衡:非追求最新,而是保障CI/CD流水线零误报、PLC上位机系统长期可维护

weixin_34038293的博客 360

Win8.1笔记本安装详尽攻略:轻量、兼容、5分钟激活

Windows 8.1作为微软首个深度集成UEFI与现代电源管理的操作系统,虽已退出主流支持周期,但其低内存占用、精简服务架构和卓越的老旧硬件兼容性,使其在教育机房、二手翻新、嵌入式调试等场景中仍具不可替代的技术价值。其核心原理在于绕过Win10/11的通用驱动覆盖机制与强制后台服务,依托原生EFI启动、MSR分区规范及签名严格的驱动加载策略,实现更可控的系统行为。技术价值体现在开机速度提升超50%、SSD寿命损耗降低、小众工业外设即插即用等工程优势。典型应用场景包括4GB内存老本重装、教学管理软件兼容部署

weixin_33724570的博客 473

百度网盘重新启动后遇到下载任务重新开始问题

经常遇到百度网盘下载任务未完成就断网或关机的情况,然后重新进入百度网盘下载的时候就会导致下载任务重新开始的情况。

P_c 6万+

Windows source深度解析:系统部署的可编程原语与定制实践

Windows 'source'并非源代码,而是微软官方提供的结构化二进制部署构件集合,核心包括WIM镜像、无人值守配置(autounattend.xml)、驱动仓库与元数据索引。其底层基于WIM格式的分层存储与DISM工具链,支撑可审计、可复现、可定制的企业级系统交付。技术价值在于打破ISO黑盒封装,实现启动链可控、组件级删减、驱动/策略预注入等关键能力,广泛应用于工控机批量部署、医疗设备合规固件、边缘网关最小化系统(如Windows IoT Enterprise)等强确定性场景。本文聚焦Windows

weixin_34279246的博客 427

打包时出现Downloading https://...to

这种情况就是文件下载不下来,我们可以手动下载 先把前面的链接复制下来 https://nodejs.org/dist/v9.11.1/node-v9.11.1-win-x64.zip 放到浏览器中,跳转后应该就会自动开始下载这个文件 复制后面那个地址,去资源管理器中找一下,可以发现这个文件确实没有下载下来,是0KB 我们把刚才下载的那个文件复制到这里 删除没有下载好的那个,把自己下载那个文件的名字修改一下,这样就好了 再次执行打包命令应该也不会报这个错误了 ...

ZZYSY的博客 1409

最强大的批量更名工具。百度云下载后缀名.baiduyun.p.downloading解决办法

用百度云下载了很多文件后缀名都是.baiduyun.p.downloading怎么办?下载了一堆视频教程或连续剧名字很乱怎么办?想给很多音乐文件批量加专辑和歌手标签怎么办?可以用这个批量更名工具解决。这是一个我见过最强大的批量更名工具。 例如批量修改百度云下载后缀名baiduyun.p.downloading: 1、在上方输入文件夹路径,载入路径,并选择【遍历文件夹】。 2、点击【E扩展名变更】-【E.1.添加替换扩展名】-【替换】,输入【.downloading】,点击上方【开始更名】,这时后缀名变为baiduyun.p。 3、重复步骤2,依次替换【.p】和【.baiduyun】。大功告成。 工具支持正则表达式,应该还有更简便的方法。

Verilog除法器(32位无符号+带符号)

32位无符号除法器设计 恢复余数法: 恢复余数除法的基本思路是从“部分余数”中减去除数,如果结果为负(不够减),则恢复原来的部分余数,商0. 寄存器使用: reg_r 存放被除数a reg_b 存放除数b reg_r 存放余数(初始清零) 具体做法: 做减法时,减数是reg_b中的除数,被减数是reg_r中的余数左移一位,最低位由reg_q(被除数)的最高位补充。为了能够判断相减结果的正...

qq_38600065的博客 1万+

TechNet/MSDN订阅已更新Windows 8!

相信大家等待这一天已经很久了,微软今天在TechNet/MSDN的订阅网站提供了Windows 8的正式版本下载,包括Windows 8 、Windows 8 Pro VL、Windows 8 Enterprise的x86和x64版本,共提供了以下语言的Windows 8: English,Arabic,Basque,Bulgarian,Catalan,Chinese - ...

weixin_34019144的博客 111

Obsidian+Zotero文献管理终极指南:如何把PDF批注自动同步到笔记库

本文详细介绍了如何通过Obsidian与Zotero的深度集成,实现PDF批注自动同步到笔记库的高效工作流。从工具链配置、批注同步机制到工作流优化,帮助研究者构建智能文献管理系统,提升学术研究效率。特别适合需要处理大量文献的学者和科研人员。

weixin_29306571的博客 596

Windows官方镜像下载与验证全攻略:纯净系统安装的基石

操作系统安装是计算机系统部署与维护的基础环节,其核心在于获取纯净、可靠的安装源文件。ISO镜像作为系统安装的原始载体,其完整性直接决定了安装过程的成败与系统的长期稳定性。从技术原理上讲,通过哈希校验(如SHA256)验证文件完整性,是确保数据在传输和存储过程中未被篡改或损坏的关键手段,这构成了系统安全部署的基石。在工程实践中,直接从软件原厂(如微软)获取官方镜像,是规避第三方修改、植入恶意软件风险的最佳实践,能有效保障系统环境的安全与纯净。无论是个人电脑重装、虚拟机环境搭建,还是企业IT批量部署,一个经过验

weixin_30745553的博客 291

CTFmisc-------Jack

每一个文件里面都有不一样的base64编码,我尝试将其解密,发现解出来的是乱码,所以我想到真正的flag藏在这些字符串中,所以我们要写代码把字符串提取出来。提取出来后,得到很多的base64的编码,要一个一个的解码很麻烦,猜到里面有flag字样的base64编码,所以我们将flag进行base64编码,1.下载得到Jack文件夹,里面有很多的txt文件。发现这个字符串是众多编码中唯一一个没有==然后从那些base编码中寻找Zmxh字段。

woshicainiao666的博客 1万+

Unity WebGL发布避坑指南:从内存设置到字体打包,一次搞定所有常见问题

本文详细解析Unity WebGL发布的完整流程,从内存设置到字体打包,提供全面的避坑指南。涵盖关键检查清单、内存与性能优化配置、资源处理专项优化及平台适配技巧,帮助开发者高效解决常见问题,确保项目顺利发布。

weixin_28693309的博客 148

Windows镜像下载全攻略:官方与第三方可信源深度解析

在系统部署与IT运维领域,获取纯净、完整的操作系统镜像是确保环境稳定可靠的基础。其核心原理在于通过官方渠道或可信第三方获取未经篡改的安装文件,并利用哈希校验技术验证其完整性。这一实践的技术价值在于从源头上杜绝恶意软件捆绑、组件缺失等风险,保障后续所有配置与应用的稳定性。应用场景广泛覆盖个人电脑重装、企业批量部署、开发测试环境搭建等。本文将聚焦于Windows操作系统,深入解析如何通过微软官方媒体创建工具、评估中心,以及如MSDN, I Tell You、TechBench by WZT等备受社区信赖的第三方

weixin_33859844的博客 404

网络基础(二):数制转换与分类编址的IPv4地址

本文介绍数制转换、IP地址、分类编址的IPv4地址,希望对你有帮助!

十七拾的博客 1058

OpenClaw龙虾AI八种安装方法实战指南

OpenClaw龙虾AI是一种具备系统级执行能力的AI Agent工具,其核心价值在于突破传统LLM仅能‘回答’的局限,实现‘调用命令、操作文件、启动服务、联网搜索’等真实动作。这类Agent型AI依赖底层环境兼容性(如ARM64/x86架构、Docker/Podman运行时、Python版本约束)和集成能力(飞书Webhook、NVIDIA NIM API、Tavily搜索SDK),因此安装常因环境差异失败。本文围绕‘开箱即用’与‘生产就绪’两大目标,覆盖云服务器一键部署、本地PyPI免容器安装、Dock

weixin_30279671的博客 396

本地部署gradle

在部署CAS构建执行包时,如果按照CAS的官方命令gradlew clean build,如果系统没安装过gradle,这个步骤将会从网上下载gradle,但是进度非常慢,耗时很长。为了更快地完成项目构建,我们可以直接在本地部署好gradle,节省一点时间。

益添的博客 781

基于ESP32的气象雷达站设计与实现

物联网技术通过嵌入式设备实现环境数据的实时采集与可视化,其中ESP32凭借其双核处理器和WiFi/蓝牙功能成为热门选择。本项目利用ESP32结合LVGL图形库,构建了一个低成本气象监测系统,通过OpenWeatherMap API获取全球气象数据并在7英寸触摸屏上动态展示。系统采用三级优化策略处理高分辨率雷达图,包括服务端预处理、硬件加速解码和显示增强,有效解决了内存占用和帧率问题。在物联网设备开发中,类似方案可应用于智能家居、农业监测等场景,特别是需要实时数据可视化的领域。通过SPIFFS存储和zlib压

weixin_42524864的博客 424

MSDN Windows系统订阅下载地址

http://msdn.microsoft.com/zh-cn/subscriptions/downloads/

qing666888的专栏 4862

RK3588 Android12 添加HDMI和喇叭声音通道切换选项

rk3588 android12系统默认接hdmi out时,声音会切换到hdmi out输出,主板声卡喇叭输出会没有声音输出。现在添加一个选项设置hdmi out时,声音可以保持主板声卡喇叭输出。

Android系统开发笔记 4171

Android网络编程之——文件断点下载(暂停/继续/重新下载)

开头还是不说废话了直接进入主题吧!一:关于断点下载所涉及到的知识点1.对SQLite的增删改查(主要用来保存当前任务的一些信息) 2.HttpURLConnection的请求配置HttpURLConnection connection = null; //设置下载请求属性 connection.setRequestProperty();3.RandomAccessFile 对文件进行写入Rando

上辈子作恶多端,这辈子写前端。 1万+

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

最强大的批量更名工具更名大师,解决百度云下载文件后缀名都是.baiduyun.p.downloading

用百度云下载了很多文件后缀名都是.baiduyun.p.downloading怎么办?或者下载了一堆视频教程或连续剧名字很乱怎么办?想给很多音乐文件批量加专辑和歌手标签怎么办? 我用百度云下载一个教程,怎么后缀名很多都是baiduyun.p.downloading???其他文件夹还有几十上百个这样的。 可以用这个批量更名工具解决。这是一个我见过最强大的批量更名工具。 工具下载:https...

博客 4万+

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

大文件的下载(显示进度条)

// // ViewController.m // 大文件的下载 /* 如果文件比较小,下载方式会比较多 直接用NSData的+ (id)dataWithContentsOfURL:(NSURL *)url; 利用NSURLConnection发送一个HTTP请求去下载 如果是下载图片,还可以利用SDWebImage框架 */ #import "ViewController.h"

3094

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: Visual Studio 2008 安装注意事项
下一篇: 火狐下,表单无法刷新重置问题的分析与解决
java2000_test
博客等级 码龄19年 10粉丝 320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