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
100+累计阅读
41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
在信用和银行应用中，通常只关注对类别 1 的预测。我们通过一些示例数据来研究逻辑回归中连续预测变量的变换效果。
| 模型 | McF | CS | N |
|---|---|---|---|
| 未变换 | 0.07 | 0.09 | 0.13 |
| 变换 | 0.07 | 0.09 | 0.13 |
从表中可以看出，未变换和变换后的逻辑回归（LR）模型的伪 R 平方值相同。
| 数据集 | 模型 | 精确率 | 召回率 | F1 |
|---|---|---|---|---|
| 训练集 | 未变换 | 0.61 | 0.48 | 0.54 </ |
【信息科学与工程学】【通信工程】第二百四十篇 IPv4/IPv6 功能点、特性和算法及 IPv4→IPv6 迁移特性02
说明：按「纯数学 → 数学物理 → 多物理场 → 界面/表面科学耦合 + 数学化学 + 运动科学（0.01 nm → μm → mm → cm 精度及超长运动）」纵向穿透，每一行给出，最后挂。
QV_1791504590577.mp4
QV_1791504590577.mp4
volatility 内存取证工具
volatility 内存取证工具，用于内存分析
YOLO26算法皮革表面缺陷检测+训练好的模型+124张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[颜色(color), 切(cut), 折叠(fold), 胶水(glue), 好的(good), 戳(poke)] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 68 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.7582** mAP50-95 | 0.4306 Precision | 0.6226 Recall | 0.6520 train/box_loss | 0.8731 train/cls_loss | 2.3543 val/box_loss | 1.3709 val/cls_loss | 3.9767 【训练过程分析】 从一开始的配置就定下了基调，训练配置包括了 yolo26n 模型、100 个 epoch，学习率初始设为 0.01，输入尺寸定为 640x640，批次大小为 24。这组配置在开始阶段表现得不错，模型刚开始训练时的 loss 降低得很快，这表明模型能够迅速从数据中吸收信息。但到了中后期，loss 曲线变得愈发平缓，从第 50 个 epoch 开始，即使我增加了学习率衰减的频率，仍然感到曲线在挣扎，像是陷入了平台期。这期间模型的收敛节奏明显减缓，似乎有些“停滞不前”的迹象。到了最后，模型确实收敛了，但在第 68 个 epoch 时 mAP50 获得了 0.7582 的值，这是一个不错的成绩，但与理想值相比仍有提升空间。... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。
YOLO26算法花生异常状态识别+训练好的模型+113张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[异常的(abnormal)] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 63 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.9723** mAP50-95 | 0.8879 Precision | 0.9362 Recall | 0.9444 train/box_loss | 0.4558 train/cls_loss | 0.6201 val/box_loss | 0.4368 val/cls_loss | 0.6930 【训练过程分析】 自从开启了训练任务，每天盯着那根不断波动的 loss 曲线，感觉就像在过山车里兜兜转转。第一轮的训练，模型似乎对数据还不够熟悉，loss 还是较高，尤其是在前 10 轮，loss 下降的速度虽然很快，但并不均匀，有时甚至会有些许反复。到了 20 轮时，loss 曲线明显放缓，似乎进入了一个相对平稳的阶段，但这并没有带来 mAP50 的快速提升。从第 20 轮到第 40 轮，训练过程显得有些枯燥，loss 持续在某个数值附近徘徊，有时候还会在 0.45 到 0.48 之间跳动。到了 40 轮后，我明显感觉到训练进入了一个瓶颈期，loss 曲线开始呈现平台状态，即使再训练几轮，loss 下降的幅度也不大。直到 55 轮左右，loss 才开始缓慢下降，但整个训练过程都让人感觉像是在与时间赛跑，尤其是第 6... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。
视频编码压缩11111
视频编码压缩11111
阿里云 ACP 认证考试题库：866 题全量汇编（单选 400 / 多选 261 / 判断 205，附答案解析
这是一套阿里云 ACP 认证考试的完整题库，三个 Excel 文件共收录 **866 道题**，题型齐全：单选题 400 道、多选题 261 道、判断题 205 道。三种题型分别放在独立表格里，每张表结构统一清晰，依次是题号、题干、四个选项（多选题多一个 E 选项）、参考答案、答案解析，**每道题都有唯一编号**，可以按题号快速检索、定位和复盘，不必在长表格里翻找。打开即可使用：无需联网，无需登录，也无需额外安装软件。 题库容量充足，866 道题足以支撑多轮完整备考。三类题型交替练习，既能强化对基础概念的记忆，又能通过多选题训练对 “多个正确选项” 的判断能力，让复习节奏更完整。 **覆盖范围广，且贴近实际业务场景**。题目覆盖阿里云大数据及云产品的完整谱系：MaxCompute（原 ODPS）的计算与 SQL 是大头，共 352 道，从项目空间、分区表、Tunnel 数据通道、UDF 到 LabelSecurity 权限模型，一线操作细节基本都涉及；其余还有关系型数据库 RDS（126 道）、DataWorks 与调度运维（104 道）、分析型数据库 ADS（95 道）、表格存储 OTS（36 道）、数据安全与防护（38 道）。也就是说，一套题库就能覆盖数据存储、计算、调度、分析、安全五条线，适合作为**综合能力自测**使用。 **答案分布均衡，自测结果可信**。单选题正确选项为 A98 / B104 / C108 / D90，四个选项几乎均分，不会出现 “蒙同一个字母就能得分” 的情况；判断题正确与错误分别为 99 / 106，比例接近；多选题以三选组合为主，符合真实考试的难度梯度。用这套题做模拟自测，得到的正确率能比较真实地反映掌握程度。 **与官方课件互补性强**。题库里的题干保留了 “大数据计算服务（MaxCompute，原 ODPS）” 这类带沿革说明的
两相交错并联Boost电路仿真模型（Simulink仿真实现）
内容概要：本文详细介绍了基于Simulink平台构建的两相交错并联Boost电路的仿真模型，系统阐述了该拓扑结构在提升系统效率、降低输出电流纹波以及改善动态响应特性方面的技术优势。文中涵盖了主电路架构设计、双闭环控制策略（电压环与电流环）的实现原理、关键参数（如电感、电容、开关频率）的选取依据，并通过仿真结果验证了控制方案的有效性与稳定性。该模型突出展示了多相交错技术在功率变换器中的应用价值，有助于深入理解现代电力电子系统的设计思路与优化方法，适用于新能源发电、储能系统及高效率DC-DC变换器的研发场景。; 适合人群：具备电力电子技术基础理论知识和Simulink仿真操作经验的电气工程、自动化、能源动力等相关专业的本科高年级学生、研究生，以及从事电源变换器设计与开发的工程技术人员。; 使用场景及目标：① 掌握两相交错并联Boost电路的工作机理及其在减小输入/输出电流纹波中的作用；② 学习并实践双闭环反馈控制策略的设计与调试方法；③ 利用仿真模型开展控制器参数优化，提升系统的稳态精度与抗扰动能力，为后续硬件原型开发提供理论支撑与设计参考。; 阅读建议：建议读者结合仿真模型逐步操作，重点关注交错控制时序、占空比分配、电感电流交错现象及环路补偿设计，对照理论分析进行波形观测与参数调整，深化对多相并联拓扑动态特性的理解，并将其迁移应用于实际工程问题中。
三相维也纳Vienna整流器电流过零畸变消除仿真模型【三种消除方法】（Simulink仿真实现）
内容概要：本文档围绕“三相维也纳Vienna整流器电流过零畸变消除仿真模型”展开，详细提供了基于Simulink平台实现的三种电流过零畸变抑制方法的仿真模型，旨在解决Vienna整流器在实际应用中由于开关死区效应、器件非理想特性等因素导致的输入电流在过零点附近出现波形畸变的问题，从而提升功率因数和系统效率。文档配套包含9kW三相三开关Vienna PFC整流器的Mathcad计算书，支持用户根据不同功率等级和电压规格进行系统级参数设计与优化。此外，资源还整合了双闭环控制策略、中点电压平衡控制、空间矢量脉宽调制（SVPWM）等关键技术的仿真模型，形成了一套完整、可复用的Vienna整流器控制系统研究与开发体系，适用于高性能电力电子变换器的研发与教学实践。; 适合人群：具备电力电子、自动控制或电气工程等相关专业背景，熟悉Matlab/Simulink仿真环境，正在从事高功率因数整流器、PFC电路、新能源发电、电动汽车充电系统或工业电源研发的研究生、科研人员及工程技术人员。; 使用场景及目标：①深入理解Vienna整流器电流过零畸变的产生机理及其对系统性能的影响；②对比分析并验证三种畸变抑制方法在不同工况下的控制效果与适用范围；③开展高效率、高功率因数整流系统的建模、控制器设计与仿真验证工作；④支撑高水平学术论文撰写、科研项目申报或实际工程项目的技术预研与方案论证。; 阅读建议：建议首先利用Mathcad计算书完成主电路参数设计，随后在Simulink中搭建或修改相应的控制模型，通过设置不同负载与输入条件，对比分析各方案下输入电流THD、功率因数、中点电位波动等关键指标，深入掌握控制算法的动态响应特性和鲁棒性，同时可结合双闭环架构与中点平衡策略进一步优化系统整体性能。
机器人具有扰动抑制功能的有限时间基于方位角的领航者-跟随者编队控制（Matlab代码实现）
内容概要：本文档名为《Plecs全桥LLC谐振变换器仿真模型.txt》，但其实际内容并非围绕该主题展开，而是作为一份优快云博客或科研资源共享平台的文章汇总清单，集中展示了多个工程技术领域的仿真研究与算法实现。涵盖的主要方向包括电力电子（如LLC谐振变换器、VSC-HVDC、PMSM控制）、电力系统优化（潮流计算、微电网调度、无功优化）、智能优化算法（遗传算法、粒子群优化、NSGA-II、多元宇宙算法等）、控制理论（模型预测控制、卡尔曼滤波、滑模控制）、信号与图像处理（故障诊断、雷达SAR成像、双目视觉测距）、无线通信与传感器网络、无人机路径规划与多智能体编队控制、车间调度、深度学习应用（LSTM、CNN、DQN）等。所有条目均基于Matlab/Simulink或Python实现，强调提供完整的仿真模型、源代码、参考文献及详细说明文档，便于用户直接下载与复现。该文档本质为“荔枝科研社”团队发布的科研技术服务推广目录，旨在展示其在多学科仿真建模方面的技术积累与资源服务能力； 适合人群：具备一定工程背景和编程基础的研究生、高校教师、科研人员以及从事自动化、电气工程、控制科学与工程、计算机科学、通信工程、智能制造等相关领域的技术人员； 使用场景及目标：①为科研工作者提供成熟的算法实现方案与仿真模板，显著降低课题开发与论文复现的时间成本；②辅助完成课程设计、毕业设计、科技竞赛（如数学建模大赛）、期刊论文复现等任务；③推动先进控制策略、智能优化算法和数据驱动方法在电力系统、智能制造、无人机集群、新能源管理等前沿领域的应用研究与成果转化； 其他说明：所有资源均通过百度网盘或微信公众号“荔枝科研社”免费提供下载，配套资料齐全，包含仿真模型、可运行代码、论文参考文献、技术文档等，支持快速部署、结果验证与二次开发，适用于教学、科研与工程实践场景。
基于单串电池保护IC：DW01-A/J开发的Battery Charger ，支持瞬态100A电池供电能力，适用于儿童 大脚车类
文件内含：原理图、PCB gerber、BOM，以及SMT位置文件，已验证完毕，可直接生产。
从“机械臂阵列”到“会思考的白车身”：2026汽车焊装数字化生产线行业调研.pdf
从“机械臂阵列”到“会思考的白车身”：2026汽车焊装数字化生产线行业调研.pdf
PSIM-串联谐振半桥LLC开关电源+PFM变频闭环控制【仿真+计算书+参考文献】
内容概要：本文档聚焦于Plecs仿真软件在全桥LLC谐振变换器建模与仿真中的深度应用，系统阐述了LLC谐振变换器的工作原理、关键参数设计方法及闭环控制策略。文档详细介绍了基于Plecs平台构建全桥LLC谐振变换器仿真模型的全过程，涵盖主电路拓扑结构、谐振腔参数（Lr, Lm, Cr）的计算与匹配、控制环路（包括PFM变频控制）设计以及软启动过程的仿真分析。通过丰富的仿真结果，验证了系统在不同负载与输入条件下的动态响应性能、效率表现及零电压开关（ZVS）实现情况。此外，文档还深入探讨了开环与闭环控制的性能差异、磁性元件的设计要点以及变频控制策略对系统稳定性和效率的影响，为电力电子变换器的研发、优化与教学提供了完整的理论依据与实践指导。; 适合人群：具备扎实电力电子技术基础的高等院校研究生、从事开关电源、高频DC-DC变换器设计的工程技术人员，以及致力于LLC谐振变换器性能优化与控制算法研究的科研人员。; 使用场景及目标：①作为高校电力电子与电力传动专业课程的仿真教学案例，用于LLC谐振变换器原理讲解与实验设计；②指导工程师在实际工程项目中完成LLC变换器的参数设计、控制环路调试与性能验证；③为科研工作者开展高频高效变换器的效率优化、新型控制策略（如数字控制、自适应控制）研究提供仿真验证平台。; 阅读建议：建议读者结合Plecs软件动手实践，严格按照文档步骤搭建仿真模型，特别关注谐振参数的精确计算与匹配过程，以及闭环控制环路的稳定性调试。应反复对比不同工况下的仿真波形与数据，深入理解LLC变换器的增益特性、软开关实现条件及控制环路的动态响应机制，以达到融会贯通的学习效果。
maya后台批量比对maya文件层级
在cg制作过程中，为了统一制作规范，提高效率我们Pipeline都会制作一个比对层级的工具下面介绍的是maya利用batch文件进行模型与绑定和材质文件进行比对层级。 直接上代码： #!usr/bin/env python # -*- encoding: utf-8 -*- """ @author:MCC @file: compareUI @time: 2018/11/21 16:29 """ i...
【codex教程】Codex 注册和使用教程（2026最新版）
Codex 是 OpenAI 推出的 AI 编程助手，可以帮助开发者阅读代码、修改代码、运行命令、生成测试、排查 bug、做代码审查，也可以在终端、IDE、Codex App 或网页端使用。根据 OpenAI 帮助中心，截至 2026 年 6 月，Codex 已包含在 Free、Go、Plus、Pro、Business、Edu 和 Enterprise 等 ChatGPT 方案中，但不同套餐的使用额度会有所不同。适合开发者在终端中使用。如果你想在命令行里使用 Codex，可以安装 Codex CLI。
2026最新 OpenClaw 手机端部署与实战：旧手机秒变 AI 智能终端（Android/iOS 双平台全覆盖）
OpenClaw 是2026年 GitHub 爆火的开源自托管 AI 执行网关，前身是 Clawdbot / Moltbot，主打“一句话让 AI 帮你完成真实操作”，核心能力包括发消息、整理文件、控制设备、自动化任务等，区别于普通对话式 AI，它能将 AI 指令转化为实际行动。无需高配置设备，无需专业技术，旧手机就能变身随身 AI 助手，既能实现自动化办公、生活便捷，又能保障数据隐私，还能体验极客玩法，这正是开源技术的魅力。# 初始化配置（按提示操作，配置 AI 模型 API Key）
Alphafold2/multimer Conda环境配置与GPU加速优化指南
本文详细介绍了如何在本地服务器或工作站上，通过Conda环境配置并优化GPU加速来部署Alphafold2及其多聚体版本Alphafold2-multimer。内容涵盖从硬件准备、依赖安装、数据库部署到实战预测与常见报错处理的全流程，重点解决了本地安装过程中的依赖冲突与GPU调用失败等关键问题，帮助研究人员高效运行这一蛋白质结构预测工具。
对角两对双差速轮AGV的平移、直行、转弯和原地旋转之PID控制
本示例将展示如何使用PID控制算法，控制具有对角线布置的两对双差速轮（左前和右后）的AGV，实现平移、直行、转弯和原地旋转等运动。通过对车辆的运动学和PID控制器的设计，我们可以精确地控制AGV的运动
innovus：NRDB-2276 special net route layer与NanoRouteMode route layer冲突问题解决方法
NanoRouteMode中设置绕线层次2-6，但是被动到的special net有8-11的preferred route layer，这个层次可能是create_route_type+set_ccopt_property -net_type 定义的。二者绕线层次范围有冲突，导致在调整过这条net后再绕线就会提示失败。然后再下route_design 等route命令去绕别的net。我正在「拾陆楼」和朋友们讨论有趣的话题，你⼀起来吧？
RK3588在线更新系统内核的方法
《RK3588设备在线升级系统内核方法》 本文介绍了RK3588设备在线升级系统内核的简易方法。通过将新内核文件boot.img拷贝至目标主机后，使用dd命令配合关键参数（fsync确保写入磁盘、notrunc避免截断分区）进行安全更新，更新后需执行sync同步操作并重启生效。文章特别强调操作过程中断电风险，并扩展说明了Uboot的类似更新方法。该方法避免了现场设备拆卸的麻烦，为嵌入式系统维护提供了实用解决方案。
Android 12.0 framework系统修改安兔兔等显示的屏幕尺寸大小功能实现
在12.0的系统rom定制化开发中，在使用第三方app检测系统的一些信息中，比如安兔兔 设备信息等检测app中，有时候显示的屏幕尺寸大小和 产品规格书等信息不同，稍微有些差异，所以就需要看下系统framework层中，相关的设备信息是怎么读出来的，然后做些调整 接下来就来分析相关功能
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');```[](https://bitdeli.com/free "Bitdeli Badge")
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
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！
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
511
扫一扫
