【ERROR】vue-cli 报错 http://eslint.org/docs/....

GitHub Copilot 三端协同实战指南:CLI+VSCode+Terminal 高效开发闭环 GitHub Copilot 并非简单的代码补全工具,而是一个依赖多源上下文的智能意图翻译引擎。其核心原理在于融合编辑器内语法树(AST)、光标周边语义文本及终端实时执行状态,形成动态响应式开发环。技术价值体现在打破工具孤岛,通过 CLI 命令链驱动可复现、可验证的工程化流程,显著提升 TDD、PR 描述生成、冲突解决与跨文件重构等场景的确定性。典型应用场景包括 VSCode 内精准触发代码解释与测试生成、Terminal 中调用 `gh copilot` 实现 Git 工作流增强,以及二者协同完成端到端功 阅读详情

使用vue-cl脚手架搭建之后运行报错

........
./src/components/Member/member.vue
]50;CurrentDir=H:\Users\Administrator\Desktop\MyProduct\vue_t
  ✘  http://eslint.org/docs/rules/indent                       Expected indentation of 0 spaces but found 2               
  src\components\Member\member.vue:8:1
    export default {
   ^

  ✘  http://eslint.org/docs/rules/indent                       Expected indentation of 2 spaces but found 4               
  src\components\Member\member.vue:9:1
      data() {
   ^

  ✘  http://eslint.org/docs/rules/space-before-function-paren  Missing space before function parentheses                  
  src\components\Member\member.vue:9:9
      data() {
           ^

  ✘  http://eslint.org/docs/rules/indent                       Expected indentation of 4 spaces but found 6               
  src\components\Member\member.vue:10:1
        return {
   ^
   .............

出现这种错误的原因是,使用了eslint,这个是eslint的规范报错,能不用分号就不用分号。
然后这里报错的原因是因为amazeUI那个库不符合eslint的规范
这里写图片描述

解决这种为题的办法很简单 在webpack配置文件中exclude加入node_modules
这里写图片描述

,{
    test: /\.js$/,
    loader: 'babel!eslint',
    // make sure to exclude 3rd party code in node_modules
    exclude: /node_modules/
  }
Java+Vue在线考试系统毕业设计:从环境搭建到防作弊策略 在线考试系统是软件工程中典型的Web应用,其核心在于将传统线下考试流程数字化,涉及高并发处理、数据一致性和系统安全性等关键技术。系统通常采用前后端分离架构,后端使用Spring Boot框架提供RESTful API,前端使用Vue.js构建交互界面,MySQL作为数据持久层。这种架构模式能有效解耦业务逻辑与用户界面,提升开发效率和系统可维护性。在实现层面,需要重点解决用户认证授权、实时数据提交、事务管理以及防止考试作弊等工程问题。例如,通过JWT实现无状态认证,利用防抖技术优化高频答案保存请求,结合切屏检 阅读详情

相关推荐

Superpowers:可编程AI Agent如何重构开发者工作流

AI编程工具正从代码补全迈向可编程Agent新范式——核心在于将大语言模型作为决策中枢,而非生成主体。这种架构强调本地化执行、技能可审计性与项目上下文深度感知,显著提升开发自动化可靠性与响应速度。Superpowers通过YAML定义的技能契约、DSL驱动的流程编排及静态+运行时双模项目建模,实现了意图到动作的零延迟闭环。其技术价值体现在离线可用、低延迟(毫秒级)、高可追溯性与企业级可定制能力,广泛适用于CI/CD自动化、合规审查、故障诊断与跨工具链协同等工程场景。本文聚焦这一新兴Agent型编码助手的核心

weixin_30383279的博客 296

vue 報錯 error :http://eslint.org/docs/rules/no-unused-vars

解決辦法: config - > index.js 改为 false

小心仔的博客 2821

Fable5本地部署指南:Node.js+Git驱动的Claude Code增强框架

Fable5是一种将大语言模型能力深度嵌入本地开发流程的CLI工具,其核心原理是基于Node.js运行时加载量化后的Claude Code模型权重,并通过Git元数据实现上下文感知的代码补全与重构。相比云端API调用,它消除了网络延迟与权限管控瓶颈,技术价值体现在毫秒级响应、IDE无缝集成及可审计的本地推理闭环。典型应用场景包括Express中间件安全加固、微服务API契约一致性保障、Conventional Commits自动化生成等工程实践。本文聚焦Fable5在真实开发环境中的可复现部署路径与性能调优

weixin_34391445的博客 433

vue.js---利用vue cli脚手架工具+webpack创建项目遇到的坑

1.Eslint js代码规范报错 WARNING Compiled with 2 warnings 10:43:26 ✘ http://eslint.org/docs/rules/quotes Strings must use singlequote ...

alexhunter2010的博客 470

Claude Code大型代码库记忆系统重构指南

Claude Code并非传统AI助手,其核心是基于文件系统的上下文加载机制,而非持久化数据库。理解‘上下文窗口’的物理限制与加载顺序逻辑,是应对Vue+Spring Boot等混合单体、monorepo及百万行级项目的前提。关键技术价值在于将指令管理转化为可版本化、可审计、可回滚的工程实践——通过CLAUDE.md分层策略、MEMORY.md索引契约、CLI驱动配置流水线,实现跨会话知识复用。典型应用场景包括金融合规约束注入、微服务接口规范统一、CI/CD中自动记忆验证等。本文聚焦于如何让Claude C

weixin_34252686的博客 425

GitHub新手入门:7个实操动作建立协作直觉

GitHub本质上是基于Git的分布式版本控制系统可视化协作平台,其核心价值在于记录‘人与代码的关系’,而非简单代码托管。理解这一原理,才能跳出‘当网盘用’的认知误区,掌握分支管理、提交语义、远程同步等关键机制。技术价值体现在降低协作信任成本,支撑开源贡献、CI/CD自动化、文档协同等真实场景。本文聚焦零基础用户,通过创建仓库、推送代码、发起PR、提Issue、配置Actions、解冲突、用Codespaces等7个可立即执行的操作,将抽象概念转化为肌肉记忆,自然融入版本控制、开源协作、持续集成等关键词。

weixin_30673611的博客 389

ESlint 出现 Errors: 1 http://eslint.org/docs/rules/key-spacing ? http://eslint.org/docs/rules/key-s

ESlint 出现 Errors: 1 http://eslint.org/docs/rules/key-spacing ? http://eslint.org/docs/rules/key-spacing Missing space before value for key ‘el’ src\main.js:10:6 el:’ #app’, ^** //空格在冒号与分号之间 el: '#app'

qq_42325049的博客 967

SWE-ReX评测揭示AI编程的工程能力断层

软件工程能力评估正从‘代码生成正确性’迈向‘端到端研发闭环’——SWE-ReX作为新一代基准,通过动态上下文注入、多层CI验证与跨仓库协作任务,系统性暴露大模型在符号推理、工具调用协议和隐性工程规范理解上的结构性短板。它不再测试‘能否写出可运行代码’,而是检验‘能否像真实工程师一样阅读Git历史、响应CI失败、遵循团队编码契约并交付可合并补丁’。这一范式迁移直指当前AI编程落地难的核心症结:模型缺乏对软件开发中状态跟踪、协作约束与规范演化等基础工程逻辑的建模能力。本文基于SWE-ReX实测数据,解析Clau

weixin_34074740的博客 1151

ESLint 中的“ space-before-function-paren ”相关报错及其解决方案

字符串选项不会检查异步箭头函数表达式的向后兼容性。下列选项每一个都可以被设置为"always",“never"或"ignore”。匿名函数的关键字之后可能需要一个空格,而另一些则不指定空白。同样,函数名称后面的空格可能需要也可能不需要。asyncArrow是用于异步箭头函数表达式(例如async () => {})。named是用于命名函数表达式(例如function foo () {})。关键字和函数名称之间的空格,但匿名函数不需要空格。always(默认)需要一个空格,然后(是参数。

IT枫斗者的博客 1752

GLM-5对齐Claude Opus 4.5:国产编程AI的工程语义突破

编程大模型不是参数堆砌,而是对工程语义的深度建模能力——它需理解TypeScript接口契约、React依赖数组副作用、Python异步上下文生命周期等真实开发语义。GLM-5通过代码变更序列训练、终端交互日志学习与动态稀疏注意力(DSA)机制,在SWE-bench-Verified和Terminal Bench 2.0等权威测试中逼近Claude Opus 4.5,实现从‘能写代码’到‘懂工程决策’的跃迁。其技术价值在于将长上下文(202K tokens)、低显存占用(3.2GB GPU)与高精度归因能力

weixin_34310369的博客 474

01_Openclaw环境配置与项目管理工具域详解

OpenClaw工程实战指南:环境配置与项目管理工具详解 本文档是OpenClaw v2.7.9的官方配置指南,全面介绍了这一开源AI Agent操作系统的架构设计与实践应用。OpenClaw采用独特的"本地优先"理念和"数字员工"框架,包含四层架构:应用适配层、生态组件层、核心引擎层和基础设施层。 文档详细阐述了多平台安装方法(Windows/macOS/Linux/Docker)、国内网络稳定接入方案,以及settings.json配置文件的深度解析。特别强调了CLAUDE.md项目指令文件的编写规范。

lza_csdn2019的博客 750

Vue项目启动报错-http://eslint.org/

当打开项目,输入npm run dev的时候,会出现这样的报错 Errors: 4 http://eslint.org/docs/rules/no-tabs 4 http://eslint.org/docs/rules/indent 1 http://eslint.org/docs/rules/eol-last 1 http://eslint.org/docs/r...

peppa_pig的博客 1171

5分钟搞定!用Cursor和.NET 9.0快速搭建串口通讯上位机(附VS Code插件配置)

本文分享了如何利用Cursor AI编程助手与.NET 9.0,在5分钟内快速构建一个功能完整的串口通讯上位机程序。通过自然语言描述需求,AI自动生成WinForms界面和核心代码,极大提升了硬件调试工具的定制开发效率。文章详细介绍了环境配置、AI协作编码、功能实现与调试的全过程。

weixin_28366353的博客 275

区赛软件项目全流程实战:Spring Boot+Vue.js环境搭建到部署

在软件开发领域,项目环境搭建与初始化是工程实践的基础环节,其核心在于通过标准化的工具链和配置管理,快速构建稳定、可复现的开发底座。这一过程遵循从本地开发环境配置、依赖管理到项目结构初始化的通用原理,其技术价值在于显著降低协作成本、提升开发效率,并确保应用在不同环境中的一致性。常见的应用场景包括团队协作开发、持续集成流水线以及快速原型验证。本文聚焦于软件类竞赛项目,针对其周期短、要求明确的特点,详细拆解了基于Spring Boot和Vue.js技术栈的实战方案,涵盖了从Maven镜像配置、数据库连接、前后端分

diaoju3333的博客 554

用人话讲明白线性回归LinearRegression

目录 什么是回归 一元线性回归 损失函数 最小二乘估计 小结 1. 什么是回归 当我们学习一门新课程、接触一个新专业时,总会对该领域的专有名词感到困惑,甚至看完解释仍难以理解其含义。在我们一起学习machine learning的过程中,我会尽量对相关名词用“人话”做一遍解释,以减少学习的“痛苦感”。 譬如今天要学的线性“回归”,这个回归(regression)和我们平时说的“回归祖国”的回...

化简可得 1万+

Ubuntu下NVIDIA驱动安装全攻略:从报错到完美运行nvidia-smi的完整流程

本文提供了在Ubuntu系统中安装NVIDIA驱动的完整解决方案,重点解决因驱动版本冲突、内核模块未加载或Secure Boot安全启动导致的`nvidia-smi`报错问题。通过彻底清理旧驱动、处理Secure Boot、选择兼容版本并正确安装,最终确保驱动完美运行。

weixin_29196891的博客 364

包管理工具(npm、pnpm、yarn、cnpm)、版本管理工具(nvm、fnm)

包管理工具(npm、pnpm、yarn、cnpm)、版本管理工具(nvm、fnm)

freeking101的博客 4万+

用Matlab系统辨识工具箱搞定温控系统建模:从阶跃响应到传递函数(附完整代码)

本文详细介绍了如何使用Matlab系统辨识工具箱进行温控系统建模,从阶跃响应数据采集到传递函数参数辨识的全过程。通过实际案例和完整代码,帮助工程师快速掌握PID控制参数整定技巧,提升温控系统设计效率。特别适合单片机开发者和自动化控制工程师参考。

weixin_30736301的博客 310

计算机毕设全流程实战:从选题到部署的完整指南

软件工程实践是计算机专业学习的核心环节,其本质是将理论知识转化为可运行、有价值的软件系统。这一过程遵循从需求分析、系统设计、编码实现到测试部署的标准工程化流程,旨在培养学生解决复杂问题的综合能力。在技术实现层面,Spring Boot作为Java领域主流的微服务框架,以其快速构建和简化配置的特性,广泛应用于企业级应用开发;而Vue.js作为渐进式前端框架,通过组件化开发模式,极大地提升了用户界面的开发效率和可维护性。将Spring Boot与Vue.js结合,构成了当前主流的全栈技术选型,能够高效实现前后端

weixin_33834628的博客 425

基于本地知识库的智能问答系统架构

智能问答系统的核心可以分为4部分。1)知识库构建。2)检索。3)后处理。4)推理。知识库构建:知识库中可以包含多个向量数据库和知识图谱等,核心是怎么建立索引,使得检索时能够将与问题相关的知识给检索出来。检索:从知识库中的多个库或者知识图谱中检索出与问题相关的信息。后处理:从知识库中检索出来的信息可能是冗余的,而且可能不符合我们希望的格式要求,因此,我们需要对这些数据进行过滤,格式化等操作。推理: 基于检索出来的知识进行推理,让输出能够回答用户的问题,目前主要使用大模型进行推理。

qq_44993593的博客 1709

音频DSP开发中的‘隐藏关卡’:那些SigmaStudio未公开的模块计算秘籍

本文深入探讨音频DSP开发中SigmaStudio未公开的模块计算秘籍,重点解析动态范围控制、均衡器参数映射和混响算法优化等核心模块计算公式。通过实际案例揭示如何利用这些非官方技巧提升音频质量与系统性能,为ADI DSP开发者提供宝贵的实战经验。

water的专栏 911

毕业设计实战:Spring Boot+Vue前后端分离项目从零搭建指南

软件工程的核心在于将想法转化为可运行的软件系统,其关键在于工程化思维与标准化流程。前后端分离架构通过清晰的职责划分,已成为现代Web开发的主流模式,它能有效提升开发效率、便于团队协作与独立部署。在毕业设计这类实践性项目中,掌握从环境搭建、数据库设计到API开发与联调的完整闭环,对于将技术知识转化为可演示的成果至关重要。本文以Spring Boot和Vue.js技术栈为例,深入剖析了如何快速构建一个校园二手交易平台的最小可行项目(MVP),并提供了从技术选型、工具链准备到核心模块开发的详细路线图,旨在帮助开发

weixin_34198453的博客 398

【华为OD机试真题 新系统】1043、魔法咒语组合 | 机试真题+思路参考+代码解析(C++、Java、Py、C语言、JS)

【华为OD机试真题 新系统】1043、魔法咒语组合 | 机试真题+思路参考+代码解析(C++、Java、Py、C语言、JS) 华为od机试,华为od机试真题,华为od机试E卷,华为odE卷,华为od机试真题E卷,华为OD,华为OD机试,华为OD机试真题,华为od机考,华为od机试D卷,华为od机试真题D卷,华为od手撕代码,华为od,华为od机试C卷,华为od e卷,华为2026e卷,od机试,2026E卷,华为OD机试E卷,什么是华为od,华为od介绍,全面了解华为od,2026华为od,如何备战华为od

KJ.JK 282

Claude Code 桌面版接入 Kimi K2.7 Code 全流程指南

Claude Code 是 Anthropic 推出的智能编程代理客户端,本质是一个可扩展的本地化代码协作‘操作系统’;其核心价值在于子任务编排、UI 交互与上下文管理能力。通过环境变量注入与协议层解耦,开发者可将兼容 OpenAI 标准的国产大模型(如 Kimi K2.7 Code)作为底层推理引擎热替换接入,实现中文语义精准理解、函数命名本土化、错误定位直译等工程刚需。该方案规避了 Electron 封装限制、Docker 网络硬编码及配置文件密钥泄露风险,适用于 VS Code 插件生态(Cline/

weixin_30521161的博客 345

SAP 批量修改 工艺路线 和 BOM

1、在运维的过程中经常会遇到用户需要批量更改组件,或者是批量更改数量,还是组件里面的一些标识,当处理这些批量数据处理的业务时,BOM的批量更改一个想到的就是CS20,但是CS20当BOM需要替换的时候就不是很适用。当前工作区域:选择 SAP_ITEM 对BOM行项目进行变更,工艺路线也是可以批量更改的,根据实际的业务进行选择,我这里选择的就是BOM的组件变更。5、本博客将使用新的一种方式进行BOM的批量变更,标准的事务代码:CEWB对BOM进行批量更改。3、使用LSMW的方式进行BOM的批量更改。

我小时候很黑的博客 4095

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

K2.6编程智能体:终端可运行的AI开发协作者

编程智能体(Programming Agent)是一种将自然语言指令转化为可验证、可执行、带环境感知的代码动作的技术范式,其核心在于融合AST解析、项目上下文建模与沙箱验证闭环。相比传统大模型仅输出文本,编程智能体强调‘生成即可用’——如自动补全Dockerfile、生成配套单元测试、并实时验证并发正确性。K2.6正是这一范式的轻量级开源实现,它通过训练数据中嵌入的27万条真实IDE交互行为、14万次调试日志与8.6万次终端命令反馈,构建出对Python/Go/TypeScript等技术栈的深度工程直觉。其

weixin_30607659的博客 477

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")

下一篇: 【代码段】原生js限制 input/textarea 区域文字+字符长度
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