JSON学习[整理]

GEE AI: 利用 Satellite Embedding 语义搜索快速识别研究区目标斑块 摘要 本文介绍了一种基于Google Earth Engine的遥感语义搜索技术,利用Satellite Embedding数据集快速识别目标地物。该方法通过将光谱信息转化为高维向量,在武汉市的案例中展示了如何:1)定义研究区和样本点;2)加载预处理的Embedding数据;3)计算向量相似度;4)结合面积过滤优化结果。相比传统监督分类,该技术具有响应快速(无需模型训练)、抗季节干扰和精准界定等优势,特别适用于森林碳储量监测和土地利用检测等应用场景。文中提供了完整的GEE代码实现流程,包括样本定义、相似度计 阅读详情

JSON ( JavaScript Object Notation )一种简单的数据格式,比 xml 更轻巧。 JSON 是 JavaScript 原生格式,这意味着在 JavaScript 中处理 JSON 数据不需要任何特殊的 API 或工具包。

JSON 的规则很简单: 对象是一个无序的“‘名称 / 值’对”集合。一个对象以“ { ”(左括号)开始,“ } ”(右括号)结束。每个“名称”后跟一个“ : ”(冒号);“‘名称 / 值’ 对”之间使用“ , ”(逗号)分隔。 具体细节参考http://www.json.org/json-zh.html

举个简单的例子:


 
view plaincopy to clipboardprint?
function showJSON() {     
    var user =      
    {      
        "username":"andy",     
        "age":20,     
        "info": { "tel": "123456", "cellphone": "98765"},     
        "address":     
            [     
                {"city":"beijing","postcode":"222333"},     
                {"city":"newyork","postcode":"555666"}     
            ]     
    }     
         
    alert(user.username);     
    alert(user.age);     
    alert(user.info.cellphone);     
    alert(user.address[0].city);     
    alert(user.address[0].postcode);     
}     
function showJSON() {  
    var user =   
    {   
        "username":"andy",  
        "age":20,  
        "info": { "tel": "123456", "cellphone": "98765"},  
        "address":  
            [  
                {"city":"beijing","postcode":"222333"},  
                {"city":"newyork","postcode":"555666"}  
            ]  
    }  
      
    alert(user.username);  
    alert(user.age);  
    alert(user.info.cellphone);  
    alert(user.address[0].city);  
    alert(user.address[0].postcode);  
}    
这表示一个user对象,拥有username, age, info, address 等属性。
同样也可以用JSON来简单的修改数据,修改上面的例子
js 代码
view plaincopy to clipboardprint?
function showJSON() {     
    var user =      
    {      
        "username":"andy",     
        "age":20,     
        "info": { "tel": "123456", "cellphone": "98765"},     
        "address":     
            [     
                {"city":"beijing","postcode":"222333"},     
                {"city":"newyork","postcode":"555666"}     
            ]     
    }     
         
    alert(user.username);     
    alert(user.age);     
    alert(user.info.cellphone);     
    alert(user.address[0].city);     
    alert(user.address[0].postcode);     
         
    user.username = "Tom";     
    alert(user.username);     
}  
function showJSON() {  
    var user =   
    {   
        "username":"andy",  
        "age":20,  
        "info": { "tel": "123456", "cellphone": "98765"},  
        "address":  
            [  
                {"city":"beijing","postcode":"222333"},  
                {"city":"newyork","postcode":"555666"}  
            ]  
    }  
      
    alert(user.username);  
    alert(user.age);  
    alert(user.info.cellphone);  
    alert(user.address[0].city);  
    alert(user.address[0].postcode);  
      
    user.username = "Tom";  
    alert(user.username);  
} 
 JSON提供了json.js包,下载http://www.json.org/json.js 后,将其引入然后就可以简单的使用object.toJSONString()转换成
JSON数据。
js 代码
view plaincopy to clipboardprint?
function showCar() {     
    var carr = new Car("Dodge", "Coronet R/T", 1968, "yellow");     
    alert(carr.toJSONString());     
}     
    
function Car(make, model, year, color)       {     
     this.make  =  make;     
     this.model  =  model;     
     this.year  =  year;     
     this.color  =  color;     
}  
function showCar() {  
    var carr = new Car("Dodge", "Coronet R/T", 1968, "yellow");  
    alert(carr.toJSONString());  
}  
 
function Car(make, model, year, color)       {  
     this.make  =  make;  
     this.model  =  model;  
     this.year  =  year;  
     this.color  =  color;  
}   
可以使用eval来转换JSON字符到Object
js 代码
view plaincopy to clipboardprint?
function myEval() {     
    var str = '{ "name": "Violet", "occupation": "character" }';     
    var obj = eval('(' + str + ')');     
    alert(obj.toJSONString());     
}  
function myEval() {  
    var str = '{ "name": "Violet", "occupation": "character" }';  
    var obj = eval('(' + str + ')');  
    alert(obj.toJSONString());  
} 
或者使用parseJSON()方法
js 代码
view plaincopy to clipboardprint?
function myEval() {     
    var str = '{ "name": "Violet", "occupation": "character" }';     
    var obj = str.parseJSON();     
    alert(obj.toJSONString());     
}  
function myEval() {  
    var str = '{ "name": "Violet", "occupation": "character" }';  
    var obj = str.parseJSON();  
    alert(obj.toJSONString());  
} 
下面使用prototype写一个JSON的ajax例子。
先写一个servlet (我的是servlet.ajax.JSONTest1.java)就写一句话
java 代码
response.getWriter().print("{ /"name/": /"Violet/", /"occupation/": /"character/" }");  
再在页面中写一个ajax的请求
js 代码
view plaincopy to clipboardprint?
function sendRequest() {     
    var url = "/MyWebApp/JSONTest1";     
    var mailAjax = new Ajax.Request(     
        url,     
        {     
            method: 'get',     
            onComplete: jsonResponse     
        }     
    );     
}     
    
function jsonResponse(originalRequest) {     
    alert(originalRequest.responseText);     
    var myobj = originalRequest.responseText.parseJSON();     
    alert(myobj.name);     
}  
function sendRequest() {  
    var url = "/MyWebApp/JSONTest1";  
    var mailAjax = new Ajax.Request(  
        url,  
        {  
            method: 'get',  
            onComplete: jsonResponse  
        }  
    );  
}  
 
function jsonResponse(originalRequest) {  
    alert(originalRequest.responseText);  
    var myobj = originalRequest.responseText.parseJSON();  
    alert(myobj.name);  
} 
prototype-<st1:chsdate w:st="on" isrocdate="False" islunardate="False" day="30" month="12"
year="1899">1.5.1</st1:chsdate>.js中提供了JSON的方法,String.evalJSON(), 可以不使用json.js, 修改上面的方法
js 代码
view plaincopy to clipboardprint?
function jsonResponse(originalRequest) {     
    alert(originalRequest.responseText);     
    var myobj = originalRequest.responseText.evalJSON(true);     
    alert(myobj.name);     
}  
function jsonResponse(originalRequest) {  
    alert(originalRequest.responseText);  
    var myobj = originalRequest.responseText.evalJSON(true);  
    alert(myobj.name);  
} 
JSON还提供了java的jar包 http://www.json.org/java/index.html API也很简单,下面举个例子
在javascript中填加请求参数
js 代码
view plaincopy to clipboardprint?
function sendRequest() {     
    var carr = new Car("Dodge", "Coronet R/T", 1968, "yellow");     
    var pars = "car=" + carr.toJSONString();     
    
    var url = "/MyWebApp/JSONTest1";     
    var mailAjax = new Ajax.Request(     
        url,     
        {     
            method: 'get',     
            parameters: pars,     
            onComplete: jsonResponse     
        }     
    );     
}  
function sendRequest() {  
    var carr = new Car("Dodge", "Coronet R/T", 1968, "yellow");  
    var pars = "car=" + carr.toJSONString();  
 
    var url = "/MyWebApp/JSONTest1";  
    var mailAjax = new Ajax.Request(  
        url,  
        {  
            method: 'get',  
            parameters: pars,  
            onComplete: jsonResponse  
        }  
    );  
} 
使用JSON请求字符串就可以简单的生成JSONObject并进行解析,修改servlet添加JSON的处理(要使用json.jar)
java 代码
view plaincopy to clipboardprint?
private void doService(HttpServletRequest request, HttpServletResponse response) throws IOException {     
        String s3 = request.getParameter("car");     
        try {     
            JSONObject jsonObj = new JSONObject(s3);     
            System.out.println(jsonObj.getString("model"));     
            System.out.println(jsonObj.getInt("year"));     
        } catch (JSONException e) {     
            e.printStackTrace();     
        }     
        response.getWriter().print("{ /"name/": /"Violet/", /"occupation/": /"character/" }");     
    }  
private void doService(HttpServletRequest request, HttpServletResponse response) throws IOException {  
        String s3 = request.getParameter("car");  
        try {  
            JSONObject jsonObj = new JSONObject(s3);  
            System.out.println(jsonObj.getString("model"));  
            System.out.println(jsonObj.getInt("year"));  
        } catch (JSONException e) {  
            e.printStackTrace();  
        }  
        response.getWriter().print("{ /"name/": /"Violet/", /"occupation/": /"character/" }");  
    } 
同样可以使用JSONObject生成JSON字符串,修改servlet
java 代码
view plaincopy to clipboardprint?
private void doService(HttpServletRequest request, HttpServletResponse response) throws IOException {     
        String s3 = request.getParameter("car");     
        try {     
            JSONObject jsonObj = new JSONObject(s3);     
            System.out.println(jsonObj.getString("model"));     
            System.out.println(jsonObj.getInt("year"));     
        } catch (JSONException e) {     
            e.printStackTrace();     
        }     
             
        JSONObject resultJSON = new JSONObject();     
        try {     
            resultJSON.append("name", "Violet")     
                      .append("occupation", "developer")     
                      .append("age", new Integer(22));     
            System.out.println(resultJSON.toString());     
        } catch (JSONException e) {     
            e.printStackTrace();     
        }     
        response.getWriter().print(resultJSON.toString());     
    }  
private void doService(HttpServletRequest request, HttpServletResponse response) throws IOException {  
        String s3 = request.getParameter("car");  
        try {  
            JSONObject jsonObj = new JSONObject(s3);  
            System.out.println(jsonObj.getString("model"));  
            System.out.println(jsonObj.getInt("year"));  
        } catch (JSONException e) {  
            e.printStackTrace();  
        }  
          
        JSONObject resultJSON = new JSONObject();  
        try {  
            resultJSON.append("name", "Violet")  
                      .append("occupation", "developer")  
                      .append("age", new Integer(22));  
            System.out.println(resultJSON.toString());  
        } catch (JSONException e) {  
            e.printStackTrace();  
        }  
        response.getWriter().print(resultJSON.toString());  
    } 
js 代码
view plaincopy to clipboardprint?
function jsonResponse(originalRequest) {     
    alert(originalRequest.responseText);     
    var myobj = originalRequest.responseText.evalJSON(true);     
    alert(myobj.name);     
    alert(myobj.age);     
} 
function jsonResponse(originalRequest) {  
    alert(originalRequest.responseText);  
    var myobj = originalRequest.responseText.evalJSON(true);  
    alert(myobj.name);  
    alert(myobj.age);  
}

 

用Virtuoso和Abstract完成gds2lef 需要用到的工具有virtuoso和abstract。 数模混合的项目通常需要模拟完成模块设计,把接去数字的pin打上label(text),数字的floorplan才能正式开始。 如果只需要简单的数字PR boundary和pin点位置,那么只使用virtuoso就够了,还想把模拟版图都转成lef就要用到abstract工具。 1.PR boundary+pin 1)在virtuoso中打开layout a) Gui操作: Create->P&R Objects-> 阅读详情

相关推荐

Vmware Vcenter7.0证书web续期发生错误

生成证书,选择第三个(PS,如果没有域名的,一定要写IP,不然很容易卡在85%,服务不能起来)这里大概率可能是证书里面的FQDN和主机不匹配,又或者是主机解析FQDN有问题。vCenter _MACHINE_CERT快到期了,通过web界面更新证书失败。vSphere Client 版本 7.0.2.00200。登陆ssh到vcenter,重新生成证书。先关掉HA,不然证书管理会报错。第一步先这样,重新续订一下证书。

m0_74823595的博客 3943

读取服务器端的一个json文件info.json,显示到客户端,再从客户端输入两个变量contry和city,传到服务器,改变服务器info.json文件的这两个值

读取服务器端的一个json文件info.json,显示到客户端,再从客户端输入两个变量contry和city,传到服务器,改变服务器info.json文件的这两个值。 j son的文件名info.json,内容: { “country”:"china", "city":"xian", "Address":"zhonglong", "email":"user@126.com" } ...

AI547326的博客 1377

使用TEA5767和stm32制作一台数字FM收音机

本节我们来使用stm32控制一款集成收音机芯片TEA5767,来制作一台FM收音机。 TEA5767是一款低功耗立体声收音IC,接收频率76MHz~108MHz(适应日本/美国/欧洲各FM频段选择)并可以使用软件进行静音和消除噪音。 主要电性能指标:工作电压:2.5V~5.0V,工作电流10mA,立体声分离度30dB,信噪比60dB,输出信号电平75mV。支持I2C总线通信、3-wire总线。 1)硬件设计 TEA5767芯片外围需要搭配较多的电阻、电容、电感、晶振等器件,而且高频电路的PCB设

小白白学电子 1万+

Json的解析

解析这样的Json:{ errcode : 返回错误码, msg : 错误信息, ret : 返回值,0-成功,非0-失败, data : { timestamp : 服务器时间戳, hasnext : 0-表示还有数据,1-表示下页没有数据, info : { name : 帐户名, openid : 用户唯一id,与name相对应, nick :

开满向日葵的地方 999

GNSS接收机性能测试指标详解:TTFF、位置精度、灵敏度等关键参数如何评估

本文详细解析了GNSS接收机性能测试的关键指标,包括首次定位时间(TTFF)、位置精度、灵敏度等,帮助工程师系统评估接收机性能。通过多频段协同定位和载波相位测试等技术,提升定位精度至亚米级。同时,介绍了灵敏度测试的极限挑战和授时精度的专业测试方案,为GNSS接收机的性能优化提供实用指导。

cuda7parallel的博客 961

RK3588 C-PHY摄像头驱动升级踩坑记:从‘Only CSI2 supported’报错到成功取流

本文详细记录了在RK3588平台上调试C-PHY摄像头驱动的全过程,从‘Only CSI2 supported’报错分析到成功取流。内容涵盖C-PHY与CSI-2协议差异、SDK版本对比、V4L2框架下的bus-type解析机制,以及硬件排查与寄存器调优实战经验,为嵌入式Camera驱动工程师提供宝贵参考。

weixin_42522374的博客 122

JSON学习整理

  这两天在学习Angular,顺便复习了一下JSON的使用方法。。 虽然感觉JSON很简单,但是每次想描述一下的时候又常常找不到词形容,还是练的太少。。 这次不再是用本子记笔记,而是用word进行了整理,用Brackets来练习代码,边记边练,以后会放弃使用本子来记,发觉抄写了两本本子之后,很多内容还是没记住。 JSON学习笔记 JavaScript Objec...

182

PSIM+PIL+CCS三剑客:手把手教你搞定DSP28335的软硬件联合调试

本文详细介绍了如何利用PSIM、PIL与CCS三款工具,实现DSP28335的软硬件联合调试。通过搭建兼容环境、从PSIM仿真生成PIL代码,再到实战联合调试与问题诊断,手把手指导开发者构建从虚拟模型到实际硬件的完整验证闭环,有效提升电力电子与电机驱动等领域的开发效率与可靠性。

weixin_29183637的博客 185

AJAX和JSON学习整理

AJAX是什么 AJAX全称Asynchronous JavaScript And XML,是一种创建交互式网页应用的网页开发技术。 该技术可以通过JS异步的向服务器发出请求,并返回符合XML(JSON)格式的字符串。 如何使用AJAX 1、如何用原生JS封装一个AJAX函数 2、 ...

zz_LXW的博客 193

ADAS方案设计-CAN网络管理与休眠唤醒机制

文章摘要:本文介绍了车载控制系统的五种工作模式及其转换条件,包括睡眠模式、准备睡眠模式、就绪睡眠模式、正常工作模式和重复消息状态。系统唤醒条件包括接收到网络管理报文或电源ON档信号,休眠条件则需满足电源OFF档、功能完成等多重要求。针对下挂节点的网络管理报文发送规则,详细说明了不同状态下的报文发送策略,特别是在哨兵模式、OTA模式等特殊场景下的处理方式。系统在满足休眠条件后会立即停止发送下挂节点网络管理报文,确保电源管理的有效性。

xiandang8023的博客 323

【常见开源库的二次开发】基于openssl的加密与解密——openssl认识与配置(一)

OpenSSL 是一个开源的软件库,它提供了一系列加密工具和协议,主要用于实现安全通信,如在网络上的数据传输。它支持多种加密算法,包括对称加密、非对称加密、散列函数、伪随机数生成器、数字签名、密钥交换以及证书管理等。

嵌入式技术开发 4160

json学习整理

JSON(javascript  Object  Notation): JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式。易于人阅读和编写,同时也易于机器解析和生成。它基于JavaScript的一个子集。 JSON采用完全独立于语言的文本格式,但是也使用了类似于C语言家族的习惯(包括C, C++, C#, Java, JavaScript, Perl,

hupuxiang的专栏 1069

PCIE总线及其PCIE SWITCH的使用

PCIe总线与PCI最大的区别在工作原理上,PCIe是采用点到点的串行方式进行传输的,被称为“串行PCI”,由于采用了串行方式传输使得其工作频率可以达到2.5Ghz,大大增加了传输速率,同时采用全双工的通信方式,使得其传输速度提高了一倍,每一个PCIe总线设备与外部通信时有四根数据总线,分别有两个RX和TX,两根用于发送,两根由于接收。PCIe switch中文翻译为PCIe开关或PCIe交换机,主要作用将PCIe设备互联,PCIe switch芯片与其设备的通信协议都是PCIe;

zxm8513优快云博客 4733

Json学习整理

1:javascript对JSON的支持2:java对JSON的支持 alibaba->fastjson 封装工具类: 1 import com.alibaba.fastjson.JSONObject; 2 3 public class JSONBuilder { 4 JSONObject json = new JSONObject(); 5 6 ...

weixin_34176694的博客 93

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

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")

JSON学习笔记整理一

JSON学习笔记整理一JSON定义 JSON(JavaScript Object Notation)是一种轻量级的数据交换格式。 JSON语法 JSON 语法是 JavaScript 对象表示语法的子集。 数据在键值对中 数据由逗号分隔 花括号保存对象 方括号保存数组 JSON的值 数字(整数

奋斗天地中 1484

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

JSON学习资料整理

  1.什么是JSON   JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式。它基于JavaScript的一个子集。 JSON采用完全独立于语言的文本格式,但是也使用了类似于C语言家族的习惯(包括C, C++, C#, Java, JavaScript, Perl, Python等)。这些特性使JSON成为理想的数据交换语言。易于人阅读和编写...

weixin_30577801的博客 89

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

上一篇: ToJson转换类
下一篇: JSON学习[整理]
mounting
博客等级 码龄19年 4粉丝 3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