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
121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
在大型事件管理平台中，文章管理是一个重要的功能模块。通过文章管理，管理员可以对平台上发布的文章进行编辑、删除、审核等操作。本文将详细介绍文章管理功能的前端开发，包括页面布局、交互设计和关键代码实现。
页面布局
文章管理功能的前端页面主要包括文章列表、文章编辑和文章详情三个页面。文章列表页面展示了所有已发布的文章，管理员可以在这里查看文章的基本信息，并进行编辑和删除操作。文章编辑页面用于创建或修改文章的内容，包括标题、正文、作者等信息的填写。文章详情页面展示了文章的详细内容，包括文章的标题、内容、发布时间等。
页面交互设计
在文章列表页面，管理员可以通过搜索框进行文章的搜索，根据关键词或者其他条件来筛选文章。管理员还可以通过点击文章列表中的编辑按钮来跳转到文章编辑页面进行文章的修改。在文章编辑页面，管理员可以通过表单的方式填写文章的各项信息，并进行保存或取消操作。在文章详情页面，管理员可以查看文章的详细内容，并进行返回或编辑操作。
关键代码实现
以下是一些关键代码片段，用于实现文章管理功能的前端开发。
文章列表页面的HTML结构：
<div id=科技中介服务机构如何降低技术评价服务成本？.docx
科技中介服务机构如何降低技术评价服务成本？
状态估计【扩展卡尔曼滤波算法的神经网络训练】BP神经网络、扩展卡尔曼滤波EKF+BP、粒子滤波PF轨迹估计研究（Matlab代码实现）
内容概要：本文围绕状态估计与神经网络融合技术展开研究，重点介绍了扩展卡尔曼滤波（EKF）与BP神经网络的联合算法（EKF+BP）以及粒子滤波（PF）在轨迹估计中的应用。资源基于Matlab/Simulink平台，提供了BP神经网络、EKF+BP融合算法和PF的完整代码实现，旨在通过仿真手段提升非线性系统的状态估计精度。文中不仅涵盖了卡尔曼滤波系列（如UKF、EKF、PF）的基本原理与实现方法，还展示了其在风电预测、电池寿命预测、无人机状态估计、雷达跟踪等领域的广泛应用，突出其在复杂动态系统建模与轨迹预测中的实用价值。; 适合人群：具备一定Matlab编程基础，从事自动化、控制工程、电气工程、人工智能及相关领域的研究生、科研人员和工程技术人员。; 使用场景及目标：①深入理解并掌握扩展卡尔曼滤波与BP神经网络融合的建模机制与实现流程；②开展非线性系统的状态估计与动态轨迹跟踪仿真研究；③应用于无人机导航、机器人定位、电力系统状态监测、信号处理等领域的算法开发与系统优化。; 阅读建议：本资源以Matlab代码为核心，建议读者结合提供的仿真模型与参考文献动手实践，重点关注EKF与BP网络的参数配置、融合策略设计及滤波性能对比，通过比较UKF、EKF与PF等不同滤波算法的估计效果，深化对状态估计算法优劣与适用场景的理解。
单相PWM整流器基于直流电流控制+虚拟dq两种闭环控制仿真【2个仿真+参考资料】
内容概要：本文详细介绍了单相PWM整流器基于直流电流控制与虚拟dq两种闭环控制的仿真研究，包含两个完整的Simulink仿真模型及相关参考资料。通过构建控制系统模型，分别实现对直流电流的直接调节和在虚拟dq坐标系下的解耦控制，旨在提高整流器的动态响应性能与稳态精度，同时确保单位功率因数运行。文中系统阐述了两种控制策略的设计原理、坐标变换机制、PI调节器参数整定方法及系统稳定性分析，并通过仿真结果对比验证了各自在动态响应、抗干扰能力和稳态误差等方面的性能特点，充分展示了其在现代电力电子系统中的适用性与优势。; 适合人群：具备电力电子与电力传动基础知识，熟悉Simulink仿真环境，从事新能源变换器、PFC控制或电机驱动等相关领域研究的研究生、工程师及科研人员。; 使用场景及目标：①掌握单相PWM整流器的基本工作原理与数学建模方法；②学习并比较直流电流控制与虚拟dq控制两种主流闭环控制策略的设计流程与性能差异；③应用于实际项目中如充电桩、光伏逆变器、UPS等场合的控制系统开发与优化。; 阅读建议：建议结合提供的仿真模型边操作边学习，重点关注控制框图搭建、坐标变换模块实现及PI参数调试过程，同时参考相关文献深入理解控制理论背景，以提升实际工程应用能力。
高校技术转移办公室人员如何高效筛选优质科技成果？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
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“两相交错并联Boost电路仿真模型（Simulink仿真实现）”这一电力电子系统仿真资源，隶属于一个涵盖多种主流电力变换器拓扑与先进控制策略的综合性仿真资料库。该资料库以Simulink为主要仿真平台，集成了2.5kW双相交错并联Boost电路、全桥/半桥LLC谐振变换器、双向CLLC、三相维也纳（Vienna）PFC、图腾柱PFC等多种典型电路的仿真模型与配套设计资料。其核心技术不仅包括开环、闭环、软启动、双闭环PI控制等基础控制方法，更深入涵盖了中点电位平衡、恒压恒流双竞争闭环、变频与移相混合控制、模型预测控制（FCS-MPC）等前沿控制算法的实现。此外，资源体系还整合了Mathcad计算书、参数设计报告、PPT说明文档等，构建了从理论推导、参数设计到仿真验证的完整闭环，充分体现了理论与实践的高度融合。; 适合人群：具备扎实的电力电子技术与自动控制理论基础，从事新能源发电、电力变换、工业电源、电动汽车等领域研究与开发的研究生、科研人员及研发工程师。; 使用场景及目标：①系统学习并复现各类DC-DC、AC-DC变换器（如Boost、LLC、Vienna PFC等）的工作原理与核心控制策略；②开展电力电子系统相关的科研项目，支撑拓扑结构创新、控制算法优化、关键参数设计与系统性能验证等工作；③作为毕业设计、课程大作业或工程项目开发的标准化参考模板。; 阅读建议：此资源以仿真为核心，强调理论分析与工程实践的紧密结合。使用者应结合所提供的Mathcad计算书与设计报告，深入理解电路参数的设计依据和控制策略的实现逻辑，并在Simulink环境中动手调试模型，通过细致观察波形变化、定量分析数据结果，来深化对电力电子系统动态特性与稳态性能的理解。
三相电压型PWM整流器PI双闭环控制Matlab仿真
内容概要：本文围绕三相三电平VIENNA整流器的双闭环控制与中点电位平衡问题展开研究，提出一种基于电压电流双闭环PI控制结合电容电压差值补偿的中点电位平衡策略。系统采用同步旋转坐标系下的双闭环控制结构，电压外环用于稳定直流母线电压，电流内环实现输入电流的快速跟踪与单位功率因数运行。针对VIENNA整流器直流侧上下电容电压不平衡的问题，引入电容电压差值Δu作为反馈信号，在SVPWM调制中利用冗余小矢量的时间分配自由度，动态调节中点电荷流动，实现中点电位的主动均衡。仿真结果表明，该方法在800V直流母线电压下，不仅实现了母线电压的稳定跟踪和输入电流低谐波（THD低），而且显著提升了上下电容电压的均衡度，有效抑制了中点电位的漂移。; 适合人群：具备电力电子、自动控制理论基础的电气工程及相关专业研究生、科研人员及从事新能源、电动汽车充电桩、工业电源等领域的研发工程师。; 使用场景及目标：① 掌握三相VIENNA整流器的工作原理与数学建模方法；② 学习双闭环PI控制器的设计与参数整定技巧；③ 理解中点电位不平衡的成因，并掌握基于SVPWM冗余矢量的主动平衡控制策略；④ 通过Matlab/Simulink仿真平台复现并验证所提控制策略的有效性，服务于高性能PFC整流器的研发与优化。; 阅读建议：建议读者结合文中提供的控制框图与仿真参数，动手搭建Simulink模型，重点关注SVPWM模块中冗余矢量作用时间的调节逻辑。在学习过程中，应深入理解PI控制器带宽匹配、中点平衡控制边界及SVPWM谐波性能之间的内在联系，并尝试在不同负载和动态工况下测试系统的鲁棒性。
论文复现基于改进型混合有限集模型预测控制(FCS-MPC)的模块化多电平换流器MMC环流抑制与相间电压均衡控制研究（Simulink仿真实现）
内容概要：本文针对模块化多电平换流器（MMC）在运行过程中存在的环流分量抑制困难与相间子模块电压不均衡问题，提出了一种改进型混合有限集模型预测控制（FCS-MPC）策略，并通过MATLAB/Simulink平台完成了完整的系统建模仿真与控制算法验证。该方法在传统FCS-MPC基础上优化了控制律设计，通过构建精确的MMC数学模型，结合预测时域内的系统行为预测，动态选择最优开关状态序列，在单一控制框架下同步实现环流的有效抑制与各相间电压的均衡控制。仿真结果表明，所提策略在动态响应速度、稳态控制精度及抗干扰能力方面均表现出优越性能，相较于传统PI控制或固定模式调制方法，显著降低了环流幅值，提升了系统运行效率与稳定性。同时，文中详尽阐述了预测模型构建、代价函数设计、权重系数整定及多目标协调优化等关键技术环节，为电力电子系统中高性能预测控制的应用提供了完整的理论分析与实践范例。; 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，从事模块化多电平换流器、高压直流输电、新能源并网、柔性交流输电系统等领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①解决MMC拓扑中环流抑制与电压均衡控制的关键技术难题；②深入学习和掌握模型预测控制（MPC）在电力电子变换器中的高级应用方法与工程实现路径；③为相关课题的学术论文复现、控制算法改进及实际工程化落地提供可靠的技术参考与仿真模型支持。; 阅读建议：此资源以Simulink仿真实现为核心载体，不仅包含严谨的控制算法理论推导，还配套提供了可运行的仿真模型与参数设置说明，建议读者在系统理解MMC工作原理与MPC控制思想的基础上，动手复现并调试仿真模型，结合文中所述的实验结果进行对比分析，以深入掌握FCS-MPC的调控机制与多目标优化设计精髓。
高校技术转移办公室人员如何利用平台有效识别具有市场潜力的科技成果？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
三相充电桩维也纳PFC+三电平LLC谐振变换器三电平PSIM仿真设计（Simulink仿真实现）
内容概要：本文针对三相充电桩中的维也纳PFC（功率因数校正）与三电平LLC谐振变换器，开展基于Simulink的系统级仿真设计研究。重点构建了三电平维也纳整流器的电压电流双闭环PI控制模型，并创新性地在电压外环中引入直流侧上下电容电压差值补偿机制，结合SVPWM调制策略，有效解决了三电平拓扑固有的中点电位不平衡问题。仿真结果表明，该控制策略不仅能稳定输出800V直流母线电压，还能显著提升上下电容电压的均衡度，同时保持输入电流低谐波（THD低），验证了“电压稳定—电流低谐波—中点均衡”多重目标协同实现的可行性。此外，该资源包还涵盖了图腾柱PFC、多种LLC变换器（半桥、全桥、双向、交错并联）的闭环控制与软开关仿真，以及参数设计报告、计算书和参考文献，形成了完整的电力电子变换器仿真技术体系。; 适合人群：电气工程、自动化、电力电子等相关专业的研究生、科研人员及从事新能源汽车充电、工业电源研发的工程师。; 使用场景及目标：①掌握三电平维也纳PFC的双闭环控制与中点电位平衡核心技术；②学习LLC谐振变换器的建模、参数设计与闭环控制方法；③利用Simulink进行电力电子系统的仿真验证与性能优化，服务于科研项目、毕业设计或产品开发。; 阅读建议：此资源以Simulink/Matlab仿真为核心，理论与实践紧密结合。建议读者在理解双闭环PI控制、SVPWM调制和中点平衡原理的基础上，动手复现仿真模型，通过调整PI参数、观察中点电压波形，深入理解控制策略的动态响应与调节机理。同时，可参考配套的计算书和设计报告，将仿真结果与理论计算相互印证，全面提升系统设计与分析能力。
高校技术转移办公室人员如何通过平台实现科技成果的精准推介与转化路径规划？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
STM32移植LVGL(LittleVGL)
**STM32移植LVGL(LittleVGL)**
PaddleOCR实战：如何在CentOS 8.5上搭建高性能OCR识别环境
本文详细介绍了在CentOS 8.5系统上搭建高性能PaddleOCR识别环境的完整指南。从系统环境准备、PaddlePaddle框架部署到PaddleOCR的定制化安装与性能优化，提供了针对生产环境的解决方案，包括GPU/CPU环境配置、内核参数调优及常见问题排查，帮助用户实现高效OCR识别。
全双工AI语音交互：从原理到实践，构建实时对话系统
语音交互技术正从传统的半双工模式向全双工模式演进，以实现更自然、实时的对话体验。全双工交互的核心原理在于模拟人类电话通话，允许双方同时发送和接收音频流，这需要流式语音识别（Streaming ASR）和实时自然语言理解（Real-time NLU）技术的深度整合。其技术价值在于显著降低交互延迟，支持智能打断（Barge-in），从而提升人机对话的流畅度和自然度。在应用场景上，全双工技术是智能助手、实时翻译、车载语音及无障碍交互等领域的关键突破。本文以微软MAI Realtime等模型为例，探讨如何利用开源技
手把手教你搭建日本亚马逊CVV钓鱼系统（含自动验证功能）
本文详细介绍了电商平台安全防护的关键实践，重点讲解了如何构建自动化风控系统。内容包括基础架构设计、用户行为分析、交易风险评估模型构建、验证机制实现以及系统部署优化，帮助电商平台有效识别和防范安全威胁，同时提升用户体验。
用 SAP CDS View 和 Fiori Elements 快速打造 CRM Service Order 应用──十分钟跑通从数据模型到上线的全流程
通过CDS 视图 + Fiori Elements的组合，我们得以在极短时间内把传统 CRM Service Order 场景迁移到现代化的 Fiori 界面，而且代码量极小、可维护性高。若后续需要离线能力，可考虑将同一 OData 服务暴露给 Mobile Services，再配合 MDK 或 UI5 Mobile Toolkit；若要支持复杂审批流，则可以在同一 Launchpad 内嵌入 Process Visibility Dashboard，实现端到端可视化。
YOLOv12 改进 | Backbone改进 3
将CSP中的简单拼接改为可学习的特征选择门控，动态决定哪些特征流向下一层,同样再写这篇。：相比静态CSP的固定50/50分割，门控机制可学习0.3:0.7等最优比例。在输入端加入轻量SR模块，对下采样后的特征进行超分恢复，提升小目标检测能力。(小目标): 从 0.51 AP → 0.63 AP (+24%)：采用ESPCN的高效亚像素卷积，避免传统插值的信息损失。：从通道级（SE）到空间级（Spatial）的多粒度控制。：结合浅层细节和深层语义，恢复小目标的纹理信息。
Qt垂直滚动条QVerticalScrollBar详解：从基础到实战的控件开发指南
本文系统解析Qt中QVerticalScrollBar的用法，从基础概念到进阶技巧。主要内容包括：1）基础认知：介绍其继承关系、作用及典型应用场景；2）核心用法：创建方法、关键属性配置和信号槽连接；3）进阶技巧：自定义样式表美化外观，以及与自定义内容区域的联动实现；4）实战注意事项，如避免循环触发和高DPI适配等。文章强调掌握QVerticalScrollBar对提升Qt滚动类功能开发效率的重要性，并建议通过自定义文本编辑器实践巩固知识点。
【网络教程】Ubuntu有线连接消失，无法联网怎么办！（亲测有效！）
文章目录问题描述解决方案 问题描述 今天打开Ubuntu，突然发现无法连接网络，并且打开设置，发现设置里面的网络已经没有了有线连接，只有VPN设置选项，如图 解决方案 按照下列的代码执行即可！ # 关闭网路 service NetworkManager stop # 删除NetworkManager缓存文件 sudo rm /var/lib/NetworkManager/NetworkManager.state # 打开网络 service NetworkManager start 运行完
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
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")
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1万+
扫一扫
