孙鑫C++教程笔记5

分享孙老师的C++ 教程,孙鑫_VC++深入详解 内容涵盖面广,从入门到精通,授课通俗易懂,分析问题独到精辟,绝对是目前国内顶级的VC++教学视频。Windows编程知识,VC++面向对象的编程思想,MFC编程,涵盖了软件开发中的绝大部分应用,以及在以后开发中可能出现的问题,由孙鑫老师一一帮你剖析。在一些重难点知识以及属于操作系统内核编程方面的知识,孙鑫老师都将给你剖析其本质,讲解其后台运行的原理,让你从根本上理解、掌握并灵活运用这些知识。编程语言枯燥难懂,然而通过孙鑫老师形象化的讲解,Windows和MFC编程中的难点、重点,让你轻松掌握。 阅读详情
掌握CDC的文字处理程序的编写,如何产生自定义字体和自定义插入符,熟悉对CString类的使用。通过对卡拉OK程序的编写,讲解定时器的使用和DrawText函数的巧妙运用。讲解如何使用CDC的裁减功能。


/////////////////////////////////////////////////////////////////////////////
// CTextView

IMPLEMENT_DYNCREATE(CTextView, CView)

BEGIN_MESSAGE_MAP(CTextView, CView)
    //{{AFX_MSG_MAP(CTextView)
    ON_WM_CREATE()
    ON_WM_CHAR()
    ON_WM_LBUTTONDOWN()
    ON_WM_TIMER()
    //}}AFX_MSG_MAP
    // Standard printing commands
    ON_COMMAND(ID_FILE_PRINT, CView::OnFilePrint)
    ON_COMMAND(ID_FILE_PRINT_DIRECT, CView::OnFilePrint)
    ON_COMMAND(ID_FILE_PRINT_PREVIEW, CView::OnFilePrintPreview)
END_MESSAGE_MAP()

/////////////////////////////////////////////////////////////////////////////
// CTextView construction/destruction

CTextView::CTextView()
{
    // TODO: add construction code here
    m_strLine="";
    m_ptOrigin=0;
    m_nWidth=0;
}

CTextView::~CTextView()
{
}

BOOL CTextView::PreCreateWindow(CREATESTRUCT& cs)
{
    // TODO: Modify the Window class or styles here by modifying
    //  the CREATESTRUCT cs

    return CView::PreCreateWindow(cs);
}

/////////////////////////////////////////////////////////////////////////////
// CTextView drawing

void CTextView::OnDraw(CDC* pDC)
{
    CTextDoc* pDoc = GetDocument();
    ASSERT_VALID(pDoc);
    // TODO: add draw code for native data here
    //CString str("维新科学技术培训中心");
    CString str;  //字符串的类 CString ,无论字符多长,多不需要对类进行重新内存分配
    str="维新科学技术培训中心";
    pDC->TextOut(50,50,str);

    CSize sz=pDC->GetTextExtent(str);  //返回一个CSize对象,获取特定字符串在屏幕上显示的宽度和高度

    str.LoadString(IDS_WEIXIN);  //字符串资源
    pDC->TextOut(0,200,str);
//路径层
    pDC->BeginPath();
    pDC->Rectangle(50,50,50+sz.cx,50+sz.cy); // 矩形在路径层中化,对文字没什么影响。
    pDC->EndPath();
    pDC->SelectClipPath(RGN_DIFF);   //剪切区域
    for(int i=0;i<300;i+=10)   //画网格
    {
        pDC->MoveTo(0,i);
        pDC->LineTo(300,i);
        pDC->MoveTo(i,0);
        pDC->LineTo(i,300);
    }
}

/////////////////////////////////////////////////////////////////////////////
// CTextView printing

BOOL CTextView::OnPreparePrinting(CPrintInfo* pInfo)
{
    // default preparation
    return DoPreparePrinting(pInfo);
}

void CTextView::OnBeginPrinting(CDC* /*pDC*/, CPrintInfo* /*pInfo*/)
{
    // TODO: add extra initialization before printing
}

void CTextView::OnEndPrinting(CDC* /*pDC*/, CPrintInfo* /*pInfo*/)
{
    // TODO: add cleanup after printing
}

/////////////////////////////////////////////////////////////////////////////
// CTextView diagnostics

#ifdef _DEBUG
void CTextView::AssertValid() const
{
    CView::AssertValid();
}

void CTextView::Dump(CDumpContext& dc) const
{
    CView::Dump(dc);
}

CTextDoc* CTextView::GetDocument() // non-debug version is inline
{
    ASSERT(m_pDocument->IsKindOf(RUNTIME_CLASS(CTextDoc)));
    return (CTextDoc*)m_pDocument;
}
#endif //_DEBUG

/////////////////////////////////////////////////////////////////////////////
// CTextView message handlers


int CTextView::OnCreate(LPCREATESTRUCT lpCreateStruct)
{
    if (CView::OnCreate(lpCreateStruct) == -1)
        return -1;
    
    // TODO: Add your specialized creation code here
    CClientDC dc(this); // dc设备描述表
    TEXTMETRIC tm;
    dc.GetTextMetrics(&tm);  //获取字体的度量信息

//    CreateSolidCaret(tm.tmAveCharWidth/8,tm.tmHeight);  //创建一个一般的插入符

    //CBitmap bitmap;  //要放在头文件中 *****局部的对象 当oncreate执行完成之后会发生析构,发生析构的时候,会把变量销毁
    bitmap.LoadBitmap(IDB_BITMAP1);
    CreateCaret(&bitmap);  //创建一个图形的插入符
    ShowCaret();

    SetTimer(1,100,NULL);  //设置定时器
    return 0;
}
void CTextView::OnChar(UINT nChar, UINT nRepCnt, UINT nFlags)
{
    // TODO: Add your message handler code here and/or call default
    CClientDC dc(this);
    CFont font;  //字体
    font.CreatePointFont(300,"华文行楷",NULL);
    CFont *pOldFont=dc.SelectObject(&font);  //返回先前字体的指针
    TEXTMETRIC tm;
    dc.GetTextMetrics(&tm);  //字体信息的度量
    if(0x0d==nChar)
    {
        m_strLine.Empty();
        m_ptOrigin.y+=tm.tmHeight;
    }
    else if(0x08==nChar)
    {
        COLORREF clr=dc.SetTextColor(dc.GetBkColor());  //把文本演示设成背景色  并返回先前的颜色值
        dc.TextOut(m_ptOrigin.x,m_ptOrigin.y,m_strLine);
        m_strLine=m_strLine.Left(m_strLine.GetLength()-1);
        dc.SetTextColor(clr);
    }
    else
    {
        m_strLine+=nChar;
    }
    CSize sz=dc.GetTextExtent(m_strLine);

    CPoint pt;
    pt.x=m_ptOrigin.x+sz.cx;
    pt.y=m_ptOrigin.y;

    SetCaretPos(pt);  //把鼠标移动到这个店
    dc.TextOut(m_ptOrigin.x,m_ptOrigin.y,m_strLine);

    dc.SelectObject(pOldFont);  //选择字体

    CView::OnChar(nChar, nRepCnt, nFlags);
}

void CTextView::OnLButtonDown(UINT nFlags, CPoint point)
{
    // TODO: Add your message handler code here and/or call default
    SetCaretPos(point);  //移动插入符
    m_strLine.Empty();
    m_ptOrigin=point;
    CView::OnLButtonDown(nFlags, point);
}

void CTextView::OnTimer(UINT nIDEvent)   //nIDEvent定时器的标示
{
    // TODO: Add your message handler code here and/or call default
    m_nWidth+=5;

    CClientDC dc(this);
    TEXTMETRIC tm;
    dc.GetTextMetrics(&tm);
    CRect rect;
    rect.left=0;
    rect.top=200;
    rect.right=m_nWidth;
    rect.bottom=rect.top+tm.tmHeight;

    dc.SetTextColor(RGB(255,0,0));
    CString str;
    str.LoadString(IDS_WEIXIN);
    dc.DrawText(str,rect,DT_LEFT);  //

    rect.top=150;
    rect.bottom=rect.top+tm.tmHeight;
    dc.DrawText(str,rect,DT_RIGHT);

    CSize sz=dc.GetTextExtent(str);
    if(m_nWidth>sz.cx)
    {
        m_nWidth=0;
        dc.SetTextColor(RGB(0,255,0));
        dc.TextOut(0,200,str);
    }

    CView::OnTimer(nIDEvent);
}

孙鑫C++教程:全面掌握编程语言核心 本文还有配套的精品资源,点击获取 简介:《孙鑫C++教程》包含20讲全面内容,旨在帮助初学者逐步掌握C++编程语言。教程由知名讲师孙鑫编写,以深入浅出的教学风格,覆盖了C++的基础语法、面向对象编程、内存管理、模板编程、异常处理、标准模板库(STL)、I/O流、设计模式和C++新标准等关键知识点。教程还包括实践项目,以实际编程项目的方式提升解决问题的能力。压缩包中还包含了关... 阅读详情

相关推荐

孙鑫C++教程(全20讲)PPT讲义.21M

C++最好的软件教程课件

孙鑫C++教程学习记录

第一章 Windows程序内部运行机制 学习MFC既讲操作又讲原理 为了熟练掌握Windows应用程序的开发,需要理解Windows平台下程序运行的内部机制(本章将深入剖析Windows程序内部运行机制)。

YunShuiShanFeng 465

孙鑫C++教程(全20讲)PPT讲义和源代码.rar

C++学习资料,孙鑫老师的教课内容深入浅出,特别适合初学者。

孙鑫VC++深入详解:Lesson4

------ // DrawView.cpp : implementation of the CDrawView class // #include "stdafx.h" #include "Draw.h" #include "DrawDoc.h" #include "DrawView.h" #ifdef _DEBUG #define new DEBUG_NEW #undef THIS_F

-----------------------------不要在跟自己无关的事情上浪费时间 1689

孙鑫C++教程(全20讲)PPT讲义及代码.zip

C++学习教程,适合刚入门的朋友,零基础的也可以看这个,我就是学习完这套资源后才学会这个编程,并让我爱上了编程

孙鑫MFC完整笔记.pdf

孙鑫pdf文档,入门C++的好帮手,MFC类库,vc6.0,虽然版本比较老,但是在很多地方使用得仍然比较多。参考性大

孙鑫VC++LESSON2:掌握C++基本语法

孙鑫VC++LESSON2:掌握C++基本语法

p975468132的博客 815

C++教程PPT讲义(孙鑫).rar

C++ 1-20 讲

孙鑫C++视频教程

(注意以下为FTP下载地址,建议使用迅雷等下载工具下载,全20CD,已添加完整) 孙鑫C++教程(全20讲)PPT讲义.rar 孙鑫C++教程01.rar 孙鑫C++教程02.rar 孙鑫C++教程03.rar 孙鑫C++教程04.rar 孙鑫C++教程05.rar 孙鑫C++教程06.rar 孙鑫C++教程07.rar 孙鑫C++教程08.rar 孙鑫C++教程0

又见炊烟 6280

告别版本冲突!在Ubuntu 20.04上优雅实现ROS Noetic与ROS2 Foxy双环境切换

本文详细介绍了在Ubuntu 20.04系统上实现ROS Noetic(ROS1)与ROS2 Foxy双环境共存与切换的完整方案。通过智能脚本设计和工作空间隔离,解决了版本冲突问题,帮助开发者高效管理不同ROS版本项目。特别适合需要同时开发ROS1和ROS2应用的机器人开发者。

weixin_28452161的博客 412

Shopee App加密算法逆向实战:从libshpssdk.so到x-sap-ri的生成机制

本文详细解析了Shopee App核心加密参数x-sap-ri的生成机制。通过逆向分析libshpssdk.so动态库,揭示了其采用9套算法动态切换的复杂签名逻辑,并分享了从抓包定位、Frida动态调试到Unidbg模拟执行的全过程实战经验,为移动应用安全研究提供了完整的技术路径。

weixin_29323551的博客 1328

孙鑫C++视频教程 rmvb格式 全20CD完整版 精品分享

(注意以下为FTP下载地址,建议使用迅雷等下载工具下载,全20CD,已添加完整) <a title="迅雷专用高速下载" onclick="function onclick(){return OnDownloadClick_Simple(this,2)}" href="http://club.topsage.com/thread-156290-1-1.html#">迅雷下载: 

微笑的艾米 2108

ENVI中Landsat8大气校正法实现地表温度精准反演

本文详细介绍了在ENVI软件中,利用大气校正法对Landsat8热红外数据进行地表温度反演的完整流程。该方法通过辐射定标、大气参数获取、发射率估算及温度转换四个核心步骤,精准剔除大气干扰,还原地表真实温度,是城市热岛效应监测、农业旱情分析等应用的关键技术。

weixin_29292535的博客 150

孙鑫C++教程(全20讲)

(注意以下为FTP下载地址,建议使用迅雷等下载工具下载,全20CD,已添加完整)孙鑫C++教程(全20讲)PPT讲义.rar孙鑫C++教程01.rar孙鑫C++教程02.rar孙鑫C++教程03.rar孙鑫C++教程04.rar孙鑫C++教程05.rar孙鑫C++教程06.rar

http://www.softwareace.cn 王牌软件 2511

AutoLISP 学习 (一)

AutoLISP基本语法结构、语法 以括号组成表达式,左右括号一定要成对,单、双引号也要成对,例如: (defun c:hello() (princ "\nHello world!") (prin1) ) 表达式格式:(函数名 操作数 操作数 …),例如: (setq p1 (list 0 0)) (setq p2 (list 10 10)) (setq p3 (list 20 20)) ;;; CAD中画直线,经过p1 p2 p3 (command "LINE" p1 p2 p3 ""

m0_54575622的博客 2123

基于深度强化学习技术优化无线网络中的资源分配(一)DQN部分代码

这是一个GitHub上的开源项目,链接:https://github.com/alexis-anzaldo/Deep-Reinforcement-Learning-for-resource-allocation-in-wireless-networks该项目旨在通过深度强化学习DQL技术优化无线网络中的资源分配,特别关注小型蜂窝和超密集无线蜂窝网络中的功率控制问题,主要目标是提高DRL模型的学习效率和网络吞吐量。

m0_46292040的博客 1539

孙鑫VC学习系列教程

教程简介 1、循序渐进  从Win32SDK编程开始讲解,帮助大家理解掌握Windows编程的核心 —— 消息循环机制。 2、通俗易懂  编程语言枯燥难懂,然而通过孙鑫老师形象化的讲解,Windows和MFC编程中的难点、重点,让你轻松掌握。 3、实战性强  编程中要注意什么?如何阅读出错提示?如何调试运行程序?如何排查错误,解决问题?通过孙鑫老师的一步步操作讲解,带你迅速掌握程序

学如逆水行舟,不进则退 1821

Python 爬虫实战:破解网页 JS 混淆加密参数

摘要:本文针对Python爬虫破解JS混淆加密参数的技术难题,系统解析了变量混淆、控制流混淆、AES/MD5加密混淆等常见类型及其检测方法,提出"定位-还原-复现"的三步破解策略。通过实战案例详细演示了从JS逆向分析到Python代码实现的完整流程,包括MD5签名生成、AES加密复现等核心代码实现,并对不同混淆场景的破解方法进行了对比分析。文中特别强调技术应用的合规性边界,指出开发者应遵守相关法律法规,在合理范围内使用逆向技术。随着反爬技术升级,建议开发者持续学习动态调试等进阶技能,同时

2503_91057718的博客 2067

孙鑫vc++教程(经典教学视频)

原文地址:http://blog.youkuaiyun.com/j1316061080/article/details/7571198 孙鑫的视频大家都知道的,网络上也有很多。链接地址如下:   http://115.com/file/bex0dp6e# 孙鑫vc++教程01~08_ http://115.com/file/dpfg5v86# 孙鑫vc++教程09~16.rar http:/

scoliver的专栏 2608

群辉NAS映射为本地盘符

鼠标右击网络→映射网络驱动器→以上适合通过局域网操作,采用ZeroTier组网后,也可以按照以上步骤实现,这时使用 “虚拟局域网”的IP地址。

dgnankai的专栏 5778

面向红外小目标检测的SCTransNet:模型优势解析、代码实现与完整复现指南

摘要:本文详细介绍了基于SCTransNet的红外小目标检测全流程实践方案。针对红外小目标检测面临的三大挑战(特征稀缺、背景干扰、尺度变化),SCTransNet通过空-通道交叉注意力机制有效增强目标特征。文章包含完整的PyTorch实现代码,涵盖特征提取、注意力模块、多尺度融合等核心组件,并提供模型训练、评估的具体方法。同时给出毕设创新方向的建议,如模型轻量化、多模态融合等,帮助提升研究深度。该方案技术难度适中,应用价值明确,是红外目标检测领域理想的毕设选题方向。

m0_71589036的博客 4760

孙鑫 VC++ 视频教程--初学者值得一看

孙鑫C++视频教程 rmvb格式 全20CD完整版,初学者值得一看, 20CD完整版的下载如下: (注意以下为FTP下载地址,建议使用迅雷等下载工具下载,全20CD,已添加完整) 迅雷专用高速下载 孙鑫C++教程(全20讲)PPT讲义.rar 迅雷专用高速下载 孙鑫C++教程01.rar 迅雷专用高速下载 孙鑫C++教程02.rar 迅雷专用高速下载 孙鑫C++教程03.rar 迅雷专用高速下载 孙鑫C++教程04.rar 迅雷专用高速下载 孙鑫C++教程05.rar 迅雷专用高速下载 孙鑫C++教程06.

社福之路——专栏 1374

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")

孙鑫Visual C++视频教程学习笔记:掌握C++

摘要 教程二主要涉及到以下内容:C++经典语法与应用、类的编写与应用、构造函数(Constructor)与析构函数(Destructor)、函数的重载(Overload)、类的继承(Inheritance)、函数覆盖(Override)、基类(Base Class)与派生类(Derived Class)的构造函数、析构函数调用的顺序,如何在派生类构造函数中向基类的构造函数传递参数,this指针,类

nashouat个人空间 3197

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

职业写作者的机械键盘选型指南:准、稳、省力才是生产力核心

机械键盘作为专业文字工作者的核心输入设备,其本质是服务于高频、高精度、长时间手指运动的人体工学工具。它并非游戏外设的延伸,而是基于触发行程一致性、回弹曲线线性度、键帽摩擦系数等生物力学参数构建的精密交互系统。技术价值体现在降低无效疲劳、减少腱鞘炎风险、提升思维输出效率;典型应用场景覆盖法律文书撰写、技术文档编写、学术写作及新媒体内容生产等对准确率与持续性要求严苛的领域。本文聚焦‘机械键盘’与‘职业写作者’两大热词,解析如何从轴体物理特性、PCB信号路径、定位板材质到固件调校,构建真正可持续的码字生产力系统。

weixin_33834910的博客 278

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

上一篇: 孙鑫C++教程笔记04
下一篇: 没有远程桌面客户端访问许可证
天天向上zb
博客等级 码龄16年 34粉丝 43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