逗留汉城 (9/12)

luco luco 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 1.5k累计阅读 1.6k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25年
关注
原创 最新推荐文章于 2026-06-16 08:54:52 发布 1.5k 阅读 AI 写同款· GEO 优化 ›
YOLO26算法车道线检测+训练好的模型+360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）：[未获取()] 【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 55 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.9512** mAP50-95 | 0.6746 Precision | 0.8796 Recall | 0.8825 train/box_loss | 0.8608 train/cls_loss | 0.7232 val/box_loss | 0.9955 val/cls_loss | 0.5511 【训练过程分析】 这轮训练我经历了从初始到稳定的曲折过程。前 20 个epoch，loss 曲线呈现了陡峭的下降趋势，mAP50 指标从 0.8 开始逐步攀升，仿佛在寻找一个合适的平衡点。然而，从第 21 个epoch 开始，mAP50 的提升速率显著放缓，整体曲线显得有些曲折，有时甚至停滞不前，让我一度以为训练出现了问题。直到第 35 个epoch，loss 开始逐渐趋于平稳，这标志着模型已经找到了一个较好的收敛区间。到了最后的 20 个 epoch，尽管 mAP50 依旧在稳步上升，但提升幅度已经不大，这意味着模型已经接近其性能天花板。 在这个过程中，我重点关注了 box_loss 和 cls_loss 的变化。初期阶段，box_loss 快速下降，从 0.9 逐渐降至 0.86，而 cls_loss 则从 0.75 逐步下降至... 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。 立即下载

逗留汉城 (9/12)

 

开始向往汉城始于2002年韩日世界杯,因为足球和绿茵场足以吸引五大洲的目光.那一年的韩国也因此格外令人心弛神往. 于是知道了韩国的泡菜, 烧烤, 服饰, 美女和World Cup.

 

从上海到汉城也就短短一个多小时, 一海之隔的异国他乡是如此的不遥远.当飞机降落在仁川机场时,我才有机会踏上这片充满现代气息的土地.不过这里早就没有了两年前世界杯的影子了, 但这座世界杯献礼建筑仍然象一顶巨大的皇冠静静地矗立在仁川岛上. 由于转机的缘故, 需要逗留汉城3个多小时, 准确的说是要逗留在机场. 不能接近位于市中心的摩天大楼和汉江两岸的现代都市,也不能游览辉煌的高丽皇宫和传统的韩式瓦屋;一座古典和现代交融的metropolis就这样近在咫尺远在天边.

 

韩国美女

不知从什么时候起,在国人的眼中,美女跟韩国这个国家紧紧联系起来.也许是出于东方人相同的审美观点,韩国美女不仅仅是哈韩一族的专利了, 小资,bobo族们也津津乐道于蓝色生死恋中的宋惠乔,TCL手机的金喜善, 性感女神李孝利…人之初性本色也.

 

乘坐的Asiana Airlines的班机上基本上都是韩国空姐,于是乎有了一次近距离接触韩国美女的机会.平心而论, 吸引人的不是空姐的面孔(韩国空姐似乎没有中国空姐漂亮,中国人多嘛), 而是那优美柔和的韩国语. 本以为苏州人说话太吴语侬侬了, 没想到韩国人说起话来更有过之, 特别喜欢沁人心脾啊. 有人讲韩国美女人工造, 不知是真是假. 其实人造的也好, 父母给的也好, 只要有颗为国争艳的心, 仍然是利人利己的.

 

韩国人的英语比日本人好多了,这次我更加相信这点了.如今空姐的素质都很高,不仅要漂亮,还要聪明(后来在韩亚的波音 777上更证实了这点).机上的韩国mm和阿姨都会讲不错的English. 用餐时分, 空姐会穿上很有民族特色的厨裙. 不由想到威海韩国服装城热闹的景象了, 是啊, 不就一个黄海嘛, 游都可以游过去的.不过如果围上这样的厚而红的东西, 估计不会很轻松…

 

韩国文化

走下飞机, 站在机场的水泥地上,在凉凉的秋风和零星的雨水中等待机场的疏客班车. 脑海里立即想到了韩国的汽车, 听说韩国的大街小巷上绝大多数都是韩国产的汽车,我想大宇现代等汽车巨鳄的长久发展跟韩国人的爱国精神是不无关系的.韩国之所以能从战争的废墟中迅速建设成发达的资本主义国家, 也应该归结于大韩民国的精神. 比较下朝鲜半岛上的两个国家吧. 苏州现在有很多韩国的企业, 有机会了解韩国人做事的风格, 我想是不无益处的.

 

韩国女人的地位比较低(名人,美女肯定除外), 这跟高丽民族男主外女主内的传统有关. 看看<<丑闻>>里的那些故事, 也就窥一斑而见全貌了. 韩国的传统服饰往往又跟女人联系在一起, 抗美援朝的故事片, 世界杯的开幕式, 给人的印象大抵如此. 当然了,现代韩国人很少穿成那样了, 否则怎么干活.在机场我确实也没有遇见那样穿着的人.

 

秋天对韩国人来说, 是一年中最重要的季节. 农历八月十五(也就是中国的中秋节),是韩国人最重要的节日, 叫做Chusok, 也称作韩国中秋节或感恩节. 一般来说要放假10天. 韩国是个很好秉承传统的国家, 每逢端午节, 春节等也都要纪念. 这点我想比中国强多了, 不晓得在韩国西方情人节, 圣诞节有没有中国那样隆重. (这段内容是从飞机仅有的一本英语读物上看到的)

 

韩国菜肴

泡菜对韩国人来说是一年四季都不可缺少的食品,我想它一定比韩国烧烤, 酒, 参更为人知晓. 韩国人每餐都会有点泡菜, 辣辣的, 很开胃. 在机场的乐天免税店里, 可以买到各种整装泡菜、香脆紫菜, 鱼仔酱, 干蘑等代表性传统食品, 还可以买到高丽参, 韩国的传统酒和传统茶,不过价格差距太大, 不识货的人需要多比较几家再做决定. 其中香脆紫菜就是岩海苔, 感觉比国内的波力海苔好吃点,这下jinjin有口福了.

 

韩国钱币

在国内, 一个有志青年, 可以通过投机倒把, 贪污受贿, 买彩票, 开房产公司等方式成为百万富翁. 到了韩国后, 你会发现做个百万富翁原来也不是很难, 只要兑换1000美元就行了. 说到韩币, 很惊讶这种叫won (应该发音为”万”吧) 的度量衡了, 在机场吃一顿饭竟然要1万多(折合人民币大概100块吧), 由此可见韩国的消费水平了(幸亏俺带了凉拌面). 韩币的最大面值是10000 won的纸币，折合成人民币约为70元，纸币还有5000 won 和1000 won 两种，其余的就是面值为500 won、100 won、50 won 和10 won 的硬币了. 下次有机会换点韩币回去把玩把玩.

 

每个故事有始有终, 每段经历也有因有果, 当频繁起降的飞机亮起航行灯时, 在仁川机场的逗留也就结束了, 从而开始飞往一座同样具有魅力的城市—旧金山.

收录于
点滴

当前文章被收录于：

点滴
17 篇文章 0 人学习
订阅专栏 查看详情
标签
#tcl #金山 #手机
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。
关于AI开发方法论-以文档为索引的高质量协作开发：让一次现象描述精准命中几个代码块 对AI的编码规范进行约束 立即下载

相关推荐

syslog_test.py

syslog_test.py

早睡de好处

晚上9-11点为免疫系统（淋巴）排毒时间，此段时间应安静或听音乐晚间11-凌晨1点，肝的排毒，需在熟睡中进行。凌晨1-3点，胆的排毒，亦同。凌晨3-5点，肺的排毒。此即为何咳嗽的人在这段时间咳得最剧烈，因排毒动作已走到肺；不应用止咳药，以免抑制废积物的排除。凌晨5-7点，大肠的排毒，应上厕所排便。凌晨7-9点，小肠大量吸收营养的时段，应吃早餐。疗病者最好早吃，在６点半前，养生者在７点半前，不吃早餐

luco的专栏 4034

Simulink “双碳”背景下汽车减少碳排放建模与仿真

内容概要：本文围绕“双碳”战略背景，系统阐述了基于Simulink的汽车碳排放建模与仿真技术，重点引入模糊PID控制优化动力系统性能，以实现节能减排目标。文档整合了多个Matlab/Simulink科研仿真案例，涵盖无刷直流电机（BLDC）控制、三相PWM整流器、电池管理系统、路径规划、信号处理、智能优化算法及图像处理等领域，全面展示Matlab在智能控制与绿色能源系统中的应用价值。同时强调科研应兼具严谨逻辑、创新思维与工具赋能，并提供完整的仿真资源链接与学习路径支持实践落地。; 适合人群：具备Matlab/Simulink基础，从事自动化、电气工程、车辆工程、控制科学、电力电子及智能制造等相关领域的科研人员或高年级本科生、研究生；适用于开展节能减排、新能源系统优化、智能控制算法研究等课题的研究者。; 使用场景及目标：①学习在Simulink中构建汽车能耗与排放仿真模型并应用模糊PID进行动态优化；②掌握BLDC、PWM整流器等关键部件的建模与控制策略设计；③借鉴丰富案例提升科研效率，拓展在智能控制、路径规划、信号处理等方向的应用能力；④通过提供的网盘资源获取完整代码与资料，支撑论文写作与项目开发。; 阅读建议：建议按照资源目录顺序系统学习，结合百度网盘提供的Matlab/Simulink代码动手实践，重点关注控制策略的设计、仿真结果的分析与优化过程，同时注重培养科研思维与工程实际问题的结合能力。

旧金山一日游 (10/9)

10月9号，星期六，天气一如既往的好，加州的阳光毫无吝啬地洒在地上。David的妻子Conny载着他们一家4人和我飞奔在去旧金山的高速上，一路可以看到很多著名公司的大楼 (比如Oracle，星岛等), 可以看到形形色色的汽车，也可以看到蓝天和绿地。圣何塞离旧金山也就1个小时不到的路程，很快我们就到了South San Francisco, 经过新建的工业区，绕过国际机场，没开多少时间，我们就看到市

luco的专栏 2969

西部牛仔_1794033330851.apk

西部牛仔_1794033330851.apk

【软件使用】Calibre部分提参的实战技巧与常见问题解析

本文详细解析了Calibre部分提参（Partial PEX）的实战技巧，重点介绍了如何利用HCELL与XCELL文件高效排除已知模块，实现精准的寄生参数提取，从而快速定位后仿真中的时序与信号完整性问题。文章涵盖了从图形界面到命令行的完整操作流程，并提供了常见问题（如时钟失真、模块“消失”）的深度Debug指南与最佳实践，助力芯片设计工程师提升验证效率。

yhn456789的博客 1026

飞跃太平洋 (9/12)

飞跃太平洋(9/12)大凡国内高校的BBS上都有一个称为“飞跃重洋”的版面，暗含的不知道是崇洋还是走出国门继续深造以报效祖国。水木清华上的“重洋”似乎又特指太平洋，因为大多数从这所中国最好的大学出来的寄托青年都会为了理想，为了美钞而奔赴米国。这种涌动的潮流即使在海带出现的年代依然汹涌，这对整个社会主义社会，不知道是喜是悲。有句调侃说一等美女飘洋过海，二等美女深圳珠海，三等美女留守上海。国色天香

luco的专栏 1978

Ubuntu断网环境下的系统更新：apt-offline保姆级教程（附常见问题排查）

本文详细介绍了在Ubuntu断网环境下使用apt-offline进行系统更新的完整教程，包括环境准备、签名文件生成、数据传输方案对比及常见问题排查。特别适用于企业级开发环境或安全敏感场景，帮助运维人员高效完成离线系统更新，确保系统安全与稳定。

weixin_29214691的博客 358

最值得一游的50个地方

专家推荐：最值得一游的50个地方          有百年的城郭，文化与风景在漫长的岁月里融合，无论是皇家建筑、贵族园林，还是民间房舍，都昭显着深厚的底蕴。　　有天堂的美景，是千万年来广袤土地上的鬼斧神工，造就了无与伦比的奇幻。　　有文明的遗泽，曾在风沙中褪尽繁华，凋萎成平川、山丘、草场，又在偶然的境况下得到发掘，突然绽放出琥珀的光辉，提示着曾经的往事。　　这50个地方，有些是爱好

luco的专栏 1828

【学长笔记】关于车牌识别的CCPD数据集按比例划分

本文介绍了一个用于CCPD车牌数据集划分的Python脚本，主要功能包括：1) 将数据集按比例划分为训练集、验证集和测试集；2) 支持图像与标签文件校验；3) 可自定义划分比例和样本数量限制；4) 自动生成标准目录结构。脚本使用随机种子确保可重复性，并通过tqdm显示进度条。处理后数据可直接用于YOLO等目标检测模型的训练与评估，建议在预处理完成后立即执行划分以避免数据泄露。文章还提供了相关技术博客的参考链接。

apple_53308981的博客 1472

5G Multicast/Broadcast Services(MBS) (七) MBS广播DRX

当处于RRC_IDLE或RRC_INACTIVE或RRC_CONNECTED 状态时，如果为 G-RNTI 配置了broadcast DRX，则允许MAC entity使用broadcast DRX 操作不连续地监听此G-RNTI的PDCCH；此 G-RNTI 的 drx-onDurationTimerPTM 或 drx-InactivityTimerPTM 正在运行的时间,也就是。long DRX周期drx-LongCycle-PTM和drx-StartOffset-PTM定义DRX周期开始的子帧。

asd199086的博客 391

感恩节四日游 (Las Vegas & LA)

四天的行程很紧凑的，第一天一整天都在路上，晚上7点多才到赌城的。Las Vegas真的是个奢华的地方，满街的霓虹灯和灯光下的赌场，这个沙漠中的城市到处是灯红酒绿，到处是奢华浪费；在这里可以看到巨型赌场，在这里可以找到各国妓女。我们下榻的酒店叫Imperial Palace Hotel，就在新城的主街道上，所以出去夜游特别方便。第一站我们去了旧城看激光表演(Laser shower)，类似的节目以前

luco的专栏 1280

YOLOv11改进 | 网络结构代码逐行解析(二) | yolov11中的Mosaic增强详解

本文给大家带来的是YOLOv10中的Mosaic增强代码的详解，可能有部分人对于这一部分比较陌生，有的读者可能知道Mosaic增强但是不知道其工作原理，具体来说Mosaic增强就是指我们的数据集中的图片在输入给模型之前的一个处理过程（我们的图片并不是直接就输入给模型了，大家的训练结果中的结果检测图片大家可以看到数据集中多个图片会组合在一起这就是简单的Mosaic增强），下面我就来讲解一下其在YOLOv10中工作原理和代码定义，下面图片为一个Mosaic增强后的图片。​。

Snu77的博客 5016

雨夜

雨夜撑起一把小伞任凭风雨肆虐 记忆的潮水漫上把凌乱的思绪轻轻打湿又是一个想你的夜晚 渡进office望着玻璃窗外昏黄的路灯缓缓点缀异乡的孤单 电脑前一种枯坐的姿势思念的文字轻轻在手指中流躺 静听淅沥的雨声与屏幕做伴怀想狂风暴雨的夏季我们一起走过 窗外夜已深多么希望你的祝福和微笑坠落在我眷恋的梦里

luco的专栏 1080

【2024遥感应用组一等奖】基于风云四号卫星的小时级大气气溶胶和颗粒物监测

最后，比较AGRI观测反射率和查找表计算的反射率反演得到的1小时分辨率AOD数据。然后，使用广泛应用的MODIS DT和DB产品进行对比，图 5显示了它们逐像元尺度的对比，AGRI LaGA算法可以捕捉亚洲地区AOD高低值空间分布格局，比如南亚次大陆、中南半岛、塔克拉玛干沙漠和华北平原是AOD高值区域（平均AOD高于0.3），中国西北、中国南方、中国东北和韩国地区为AOD中值地区（平均AOD在0.2到0.3之间），北纬45度以上以及日本地区为AOD低值区域（平均AOD小于0.2），与全球平均AOD值接近。

JData_Engineer的博客 372

【MATLAB】嵌入式PID控制参数整定与优化

本文提出了一种基于MATLAB仿真的嵌入式PID参数优化方法，解决了传统人工试凑法效率低、适应性差的问题。通过建立一阶滞后被控对象模型，对比分析了不同PID参数组合的性能表现，筛选出最优参数。仿真结果表明，优化后的PID参数能有效降低超调量（从传统方法的显著超调降至接近0%），缩短调节时间，提高稳态精度。最终将优化算法部署到STM32平台，实现了"仿真整定-参数优化-嵌入式落地"的完整开发流程。该方法显著提升了嵌入式系统的响应速度和控制精度，为工业控制应用提供了标准化解决方案。

unber的博客 45

圣诞

圣诞一个暖和的圣诞见到了毕业后就没有见过的minice还有还有传说中的silent88的站长提到88我热血沸腾可是好久没有去88也没有去杭州因此我的密码里有个88同样也有个hz 二去stanford还是那么美由内而外的终于有机会跟来自费城的minice合了一张照发现自己一点都不上照了 川菜本以为只在中国肆虐我不吃辣不是不吃其实是不想吃不过我还是吃了因为好吃而且是mellon在美国请的电

luco的专栏 1068

基于Simulink的基于MPC的实时ZMP约束步态优化仿真

本文完成了基于Simulink的MPC实时ZMP约束步态优化仿真，实现了：✅ 建立3D-LIPM预测模型✅ 设计带ZMP可行域约束的MPC优化器✅ 实现闭环实时求解与扰动抑制✅ 验证强鲁棒性与安全性✅ 为人形机器人野外行走、人机交互提供先进控制方案。

xiaoheshang_123的博客 85

雨雪

名城雪纷纷扬扬的飘 冷艳加州雨淅淅沥沥的落 凉思 漫天、飞舞、美丽相片传达了雪的欢乐和期盼满地、激撞、坚韧文字叙述着雨的思念和等待 雪过天晴雨后彩虹美轮美奂的风景雨和雪携手创造 雨拥着雪雪依着雨他们永远在一起

luco的专栏 1032

蓝牙模块HM-10手册

蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

电话

昏黄的夜灯亮起异国他乡的寂静充满窗外拿起话筒拨起那根依恋的弦 熟悉的号码，长长的电话线把彼此连接这端是帅气的我那头是美丽的你 想听听你的声音想听听你的欢笑想告诉你我的心情想告诉你我的思念 亲爱的你怎么不在我身边电话再甜美Email再安慰也抵不过温暖的拥抱 天马行空的聊无拘无束的Plan暗语、E文、亲吻还有我的等

luco的专栏 1029

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

目的地--加州旅馆 (9/12)

目的地--加州旅馆(9/12)圣何塞位于旧金山东南部, 旧金山位于圣何塞的西北部, 相距大概一个小时的车程, 但两个城市的气候(温度)差异很大. 加州要11月份才进入雨季, 所以在奔赴驻地的途中, 抬头可以看到蓝天白云, 放眼可以见到枯黄草地; 进入市区, 变化也不大, 大块的空地和低矮的商住楼和居民小区, 跟苏州的工业园区很像. 终于到了宿舍了, 在折腾了24个小时后. 推开门, 放

luco的专栏 996

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

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

等待

我的等待始于两年前的盛夏深深地在心中埋下爱的思念 我的等待是星星对夜空的依恋默默地编织属于你和我的故事 我的等待是诗人对大海的向往乐乐地扬起奋斗前进的远帆 我的等待是有惊无险的切切地用真诚和执着感动着你 我的等待是来自大洋彼岸的甜美电话亟亟地期待回去把你紧紧拥抱 我的等待是自始至终的痴痴地

luco的专栏 972

第一次去斯坦福 (9/19)

醒来后去了美国著名的斯坦福大学. 这个大学有个建校的故事, 19世纪, 有个叫Leland Stanford的人开发铁路赚了好多钱, 本来想撰钱给Harvard University的, 但哈佛大学不要, 他一气之下就跑到美国西部买了好大一块地,准备建个自己的大学, 给他绝顶聪明的儿子,也就是小Stanford,但不幸的是,他儿子14岁就离开了人世,于是他妻子接替了建校的任务,担任了学校校长.为了

luco的专栏 914

旧金山 (9/12)

旧金山 (9/12)下午两点半(PST), 当飞机最终降落在旧金山国际机场时, 我知道我终于踏上了这片曾经向往的土地。从加长的一天开始，我要在传说中的硅谷开始了解这个国度，开始思考她的文化，她的理念和她的发达。但我没有多少激动，也许是长大的缘故，也许是疲劳的缘故，更可能是一直在考虑要不要把随身带的所有违禁食品扔掉的缘故；我从下飞机，到取行李和苏州刺绣, 到check out都显得异常的平静,

luco的专栏 882

成功寓言10则

□...▲ 相信自己是一只雄鹰 ▲ 　 一个人在高山之巅的鹰巢里，抓到了一只幼鹰，他把幼鹰带回家，养在鸡笼里。这只幼鹰和鸡一起啄食、嬉闹和休息。它以为自己是一只鸡。　 这只鹰渐渐长大，羽翼丰满了，主人想把它训练成猎鹰，可是由于终日和鸡混在一起，它已经变得和鸡完全一样，根本没有飞的愿望了。　 主人试了各种办法，都毫无效果，最后把它带到山顶上，一把将它扔了出去。这只鹰像块石头似的，直掉下去

luco的专栏 881
上一篇： -- 序 --
下一篇： 飞跃太平洋 (9/12)
点赞 0
评论 0
书签 书签 0
luco
luco
博客等级 码龄25年 0粉丝 33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