Excel 中如何把“浙江省杭州市”拆分成“浙江省”和“杭州市”?

[MGeo应用]使用Python+AI模型准确拆分Excel中地址的省市区街道 使用python+AI模型自动抽取Excel表格中地址的省市区。例如对于地址“上海市静安区乌鲁木齐中路12号”,单独拆分出“上海市/静安区”。 阅读详情

这个问题是数据清洗中非常经典的“文本拆分”场景。Excel 为此提供了多种武器,从简单粗暴到精细智能,可以满足不同复杂度的需求。

以下是三种最主流的方法,从易到难排列:

方法一:智能填充 (Flash Fill) - 最简单、最智能

这是Excel 2013及以上版本提供的“黑科技”,强烈推荐首选。它不需要你写任何公式,Excel会“学习”你的操作模式,自动完成剩余工作。

适用场景:拆分模式非常有规律,比如都是“省+市”,或者“姓名(工号)”。

操作步骤:

  1. 准备数据:假设A列是完整的地址,我们想在B列放“省”,C列放“市”。

    ABC
    1完整地址省份城市
    2浙江省杭州市
    3江苏省南京市
    4广东省广州市
  2. 给出范例:

    • 在 B2 单元格,手动输入你想要的结果:“浙江省”。
    • 在 C2 单元格,手动输入你想要的结果:“杭州市”。
  3. 触发智能填充 (提取省份):

    • 选中 B3 单元格(紧挨着你给出范例的下一个单元格)。
    • 按下快捷键 Ctrl + E。
  4. 见证奇迹:Excel会瞬间理解你想从A列提取省份,并自动用“江苏省”、“广东省”等填满B列的剩余部分。

  5. 再次触发 (提取城市):

    • 选中 C3 单元格。
    • 再次按下快捷键 Ctrl + E。
    • C列会被“南京市”、“广州市”等自动填充。

优点:

  • 无需公式,零门槛。
  • 极其智能,能处理一些轻微不规律的情况。
  • 速度极快。

缺点:

  • 需要Excel 2013及以上版本。
  • 如果拆分模式非常复杂多变,它可能会“猜错”。
  • 如果源数据变化,结果不会自动更新。

方法二:分列 (Text to Columns) - 最直接、最常用

这是Excel的经典功能,非常适合处理由固定分隔符(如逗号、空格、顿号)或固定宽度分隔的数据。对于我们这个例子,虽然没有明显的分隔符,但我们可以巧妙地利用它。

适用场景:分隔符非常统一,或者需要拆分的数据长度比较固定。

操作步骤:

这个场景下分列功能不太直接,但如果是 “浙江省-杭州市” 这种有分隔符的,分列是最佳选择。我们演示一下分隔符的用法:

  1. 选中数据:选中包含完整地址的A列。
  2. 打开分列向导:点击菜单栏的 数据 (Data) -> 分列 (Text to Columns)。
  3. 选择分隔方式:
    • 在弹出的向导第一步,选择 分隔符号 (Delimited),点击“下一步”。
    • 在第二步,勾选你的分隔符,比如勾选“其他”,并在后面的框里输入 -。你可以在下方的数据预览中看到效果。
    • 点击“下一步”,然后“完成”。数据就会被拆分到相邻的列。

对于“浙江省杭州市”这种没有分隔符的情况,分列功能用武之地不大,但你必须了解它的存在,因为它是处理CSV文件(逗号分隔)的利器。


方法三:文本函数 (Text Functions) - 最灵活、最强大

当你需要处理复杂、不规律的文本,并且希望结果能随着源数据的变化而自动更新时,公式是你的不二之选。这需要组合使用几个文本函数。

核心函数:

  • LEFT(text, num_chars): 从文本左边开始,提取指定个数的字符。
  • RIGHT(text, num_chars): 从文本右边开始,提取指定个数的字符。
  • MID(text, start_num, num_chars): 从文本中间的指定位置开始,提取指定个数的字符。
  • FIND(find_text, within_text): 在一个文本中查找另一个文本,并返回其起始位置(一个数字)。
  • LEN(text): 计算文本的总长度。

场景:拆分“浙江省杭州市”

我们发现,所有的“省”都是3个字符(除了新疆、黑龙江等特殊情况,这里先按常规处理),“市”在“省”之后。

A. 提取省份 (比较简单的情况)

如果省份都是3个字符,比如“浙江省”、“江苏省”、“广东省”。

  • 在B2单元格输入公式:=LEFT(A2, 3)
  • 解释:从A2单元格的左边开始,提取3个字符。

B. 提取城市 (需要动脑筋)

城市不是固定长度的,所以不能简单用RIGHT。但我们知道,城市是跟在省份后面的。

思路1:用RIGHT和LEN

  • 城市字符数 = 总长度 - 省份长度(3)
  • 在C2单元格输入公式:=RIGHT(A2, LEN(A2)-3)
  • 解释:LEN(A2)计算出“浙江省杭州市”的总长度是6。6-3=3。所以公式变成=RIGHT(A2, 3),从右边提取3个字符,得到“杭州市”。这个公式可以完美适配“南京市”(3个字)和“广州市”(3个字)。

思路2:用MID (更通用)

  • 城市从第4个字符开始,提取到末尾。
  • 在C2单元格输入公式:=MID(A2, 4, 100)
  • 解释:从A2的第4个字符开始,提取100个字符。因为城市名一般不会超过100个,所以这是一个“偷懒但有效”的写法,它会提取到文本的末尾。

C. 处理更复杂的情况 (如“内蒙古自治区呼和浩特市”)

这时,“省”的长度不固定了。我们需要一个定位符,比如“省”、“自治区”、“市”这些字。我们可以用FIND来定位。

思路:找到第一个“省”或“区”的位置,然后拆分。

  • 提取省/自治区 (在B2):=LEFT(A2, FIND("省", A2))

    • FIND("省", A2) 会找到“省”字在第3个位置。
    • LEFT(A2, 3) 提取出“浙江省”。
    • (这个公式对“自治区”会失效,需要更复杂的IF和FIND组合,这里暂不展开)
  • 提取城市 (在C2):=MID(A2, FIND("省",A2)+1, 100)

    • FIND("省",A2) 结果是3。
    • +1 后变成4,告诉MID从第4个字符开始提取。
    • 提取100个字符,得到“杭州市”。

优点:

  • 结果会随源数据自动更新。
  • 极为灵活,可以构建复杂的逻辑来应对各种不规则数据。

缺点:

  • 有学习成本,需要理解函数逻辑。
  • 公式写起来相对耗时。

总结与推荐

方法优点缺点推荐场景
智能填充 (Ctrl+E)极简、快速、智能不会自动更新,版本要求高首选! 适用于绝大多数一次性的、模式清晰的拆分任务。
分列直观、快速不会自动更新,依赖固定分隔符/宽度处理CSV文件或有明显分隔符(逗号、空格、-)的数据。
文本函数灵活、强大、自动更新有学习门槛,公式稍复杂需要构建可复用的、能自动更新的模板;处理不规则数据。

总结:如何把‘浙江省杭州市’拆分成‘浙江省’和‘杭州市’,最快最高效的方法就是使用Ctrl + E智能填充。如果需要结果能自动更新,则推荐使用文本函数。

Excel VBA正则表达式提取地址信息:高效拆分省市区详细地址 在数据处理与办公自动化场景中,地址拆分是常见需求。面对格式不一的地址文本,如缺少省、直辖市、带括号备注等情况,传统手工或简单分列工具往往效率低下。正则表达式作为一种按模式匹配文本的通用技术,能够灵活识别地址中的省、市、区等层级结构。结合VBA环境,通过VBScript.RegExp对象可以实现批量的地址信息提取。本文从正则基础原理出发,讲解如何利用VBA编写可复用的地址拆分函数,覆盖省、市、区(县)及详细地址,并兼容自治区、直辖市等特殊场景。该方案适用于客户数据清洗、订单地址整理、物流分单等工程实践,帮助用 阅读详情

相关推荐

告别Excel手忙脚乱:用OpenRefine 3.7.2搞定杂乱数据清洗的保姆级教程

本文提供了一份详细的OpenRefine 3.7.2数据清洗教程,帮助用户告别Excel的繁琐操作。通过对比Excel与OpenRefine的核心差异,展示如何高效处理杂乱数据,包括智能去重、列操作和文本规范化等高级功能。适合需要快速掌握数据清理技术的用户。

weixin_30263073的博客 407

excel地址提取拆分识别省市区,怎么识别分开省市区

当我们遇到需要把excel中的地址区分成三个单元格的时候,可以使用公式,但是excel的新手来说成本还是挺好的,而且不支持不规则的地市,比如没有省、市这样的关键字的时候,拆分的效果就不太好了。而且能支持不规则的地址,甚至可以对于省或者市缺失的地址自动补缺。可以试试 excel.indexof.site。经过转化之后变成这样。

weixin_41543873的博客 3588

全国快递地址智能分割,支持所有省市县区街道-易语言

支持所有地址分割(可能有一些非常偏僻的没有整理到),如果有不能分割的,可以添加进去 只能是规范的地址,一些不规范的,处理不了

excel一招解决家庭地址省市县镇村的拆分

excel拆分家庭地址,拆分省市县,

weixin_47415047的博客 1万+

地址拆分软件+源码(对区、镇、路、弄、号等进行拆分,并导出到EXCEL中。)

对地址的门牌号进行拆分,区、镇、路、弄、号等进行拆分,并导出到EXCEL中。

省市级拆分

/**- * 省市区地址分割 * 将 浙江省杭州市江干区XX路X号 分割成 浙江省 杭州市 江干区 XX路X号 * User: zmxfree@gmail.com * Date: 14-6-18 * Time: 下午12:52 */ /**此引入文件应包含全国所有的省市区信息 * 文件格式为多维数组,键是地名,值可以赋一个编号,供回查 * array( * [0] => array('浙江省' => '1','北京市' => '2','上海市' => '3',...), * [1] => array('杭州市' => '1-1','宁波市' => '1-2','市辖区(一般的直辖市会分为市辖区和周边地区)' => '2-1,3-1',...), * [3] => array('西湖区' => '1-1-1','江干区' => '1-1-2','海淀区'=>'2-1-1',...), * [4] => array('可按需求添加城镇信息') * ) * 这样的结构CRUD操作很方便,不需要严格按照省市区结构分配。

根据地址拆分出省市区

根据地址拆分出省市区用Python实现 #!/usr/bin/env python #!-*-coding:utf-8 -*- # address_str='邯郸市邯郸县渚河路4号' # print(address_str) area_data={'北京': [{'北京': ['昌平区', '宣武区', '顺义区', '延庆县', '崇文区', '通州区', '密云县', '朝阳区', '门头沟区', '大兴区', '海淀区', '房山区', '平谷区', '西城区', '石景山区', '怀柔区',

DokcelyNg的博客 5622

提取省市区及详细地址

vba提取省市区及详细地址的信息,可以按照省份,城市,行政区,详细地址拆分。建议使用完整格式的地址,如不完整需要手动改正。

使用Excel公式拆分地址

使用Excel公式拆分地址 (Split Address With Excel Formulas) If a cell contains a full address, what formulas would you use to show the street address, city, state and zip code in separate cells? That was the c...

culiao2169的博客 2695

DRAM内存模拟持久化设备的方法

由于持久化内存介质NVM技术的发展,越来越多的科研工作者投身到NVM相关的研究当中。但由于目前工业界并没有推出广泛使用的NVM介质设备,所以科研工作都需要自己以现有的条件,模拟NVM设备使用场景。一个简单的方法是:通过修改DRAM模拟器,达到模拟NVM的目的(可以参考:DRAMSim2模拟器分析与应用)。更高端的方式是:在真实系统中,将内存划分出一块儿,用来模拟NVM设备(类似于传统的ramdis

酷炫人笨笨熊 1899

手机也能跑大模型?QNN框架实战:从模型量化到Android部署全流程

本文详细介绍了如何利用QNN框架将大模型部署到Android手机端进行端侧推理。通过实战演示了从模型量化(如INT4/INT8混合精度)到Android应用集成的全流程,包括内存优化、性能调优及常见问题排查,帮助开发者实现大模型在资源受限设备上的高效本地运行。

joy55的博客 499

别再手动复制粘贴了!用Power Query的‘拆分列’功能,5分钟搞定杂乱地址信息整理

本文详细介绍了如何使用Power Query的‘拆分列’功能高效整理杂乱地址信息。通过实战案例和配置技巧,帮助用户快速解决分隔符混乱、层级嵌套等典型问题,提升数据处理效率。特别适合需要处理大量非结构化地址数据的市场、物流从业人员。

weixin_30463341的博客 291

别再让地图加载慢吞吞!GeoServer + GeoWebCache 缓存配置实战(附性能对比)

本文详细介绍了如何通过GeoServer和GeoWebCache优化地图服务性能,实现地图加载速度的显著提升。从缓存机制解析到实战配置流程,再到高级性能调优技巧,帮助开发者构建高效地图缓存系统,解决地图加载慢的问题。

weixin_42525369的博客 405

从手工录入到规则重算:Excel函数与pandas数据自动化

数据处理的关键,不是得到一次性结果,而是把业务规则固化为可自动重算的流程。其原理是用查找匹配、条件抽取、文本拆合、多条件汇总等函数能力,替代跨表复制粘贴、筛选导出和手工累加,让源数据变化后结果自动更新。技术价值在于降低重复劳动、减少人为错位,并提升错误定位与模板复用能力。典型场景包括订单明细补全、客户地址拆分、按客户与月份汇总,以及十万行数据下的清洗与合并。围绕 XLOOKUP、FILTER、TEXTSPLIT、SUMIFS 等 Excel 函数,并补充 pandas 等价实现与旧版本降级方案,可把手工台账

weixin_29531177的博客 329

基于MCP协议的AssistAI:深度集成Eclipse的AI编程助手实战指南

在AI辅助编程领域,大型语言模型(LLM)与开发工具的深度集成是提升开发效率的关键。其核心原理在于通过标准化的协议(如MCP,Model Context Protocol),将IDE的功能封装为AI可调用的工具集,从而实现环境感知与操作同步。这项技术的价值在于打破了传统AI编程工具与开发者工作流的割裂,使AI能够以符合工程规范的方式直接操作项目,如进行代码重构、运行测试和交互式调试。其典型应用场景包括复杂代码导航、自动化测试生成与精准的增量编译。本文以Eclipse插件AssistAI为例,详细解析了如何通

weixin_42531579的博客 556

echarts实现折线图上下限区域展示

效果图: 画这种区域中主要是利用了series的两个属性: 思路:上下限都画上区域,然后折线利用图形透明度隐藏,给上区域加上颜色,给下区域加上白色(echarts图背景是啥色,就加啥色) lineStyle: { opacity: 0 }, // 图形透明度。支持从 0 到 1 的数字,为 0 时不绘制该图形 areaStyle: { color: 'rgba(0,122,255,0.1)' }, // 填充的颜色 我的需求是最大天数、最小天数、

小太阳的博客 1万+

非技术人用AI Skill一键清洗Excel表格的实战指南

在数据处理中,Excel是最常用的工具,但面对海量、格式混乱的表格数据,手动清洗往往耗时费力。AI Skill是一种将业务规则封装为可复用指令的方式,通过自然语言描述目标、规则和边界,让AI自动完成数据清洗、字段拆分、重复项标注等脏活。其核心原理是利用大语言模型的理解能力,将用户提供的“岗位说明书”转化为稳定执行的操作流程,不仅支持VBA宏和Office Scripts,还能与AI助手无缝集成,大幅提升表格处理效率。这种工作流自动化方式对运营、行政、财务等非技术人群尤其友好,无需编程基础,只需清晰描述需求,

weixin_34348174的博客 310

液晶电视维修必看:TCON逻辑板故障排查全指南(附常见问题解决方案)

本文详细解析了液晶电视TCON逻辑板的工作原理与故障排查方法,涵盖LVDS信号处理、DC-DC电压系统等核心知识。提供从基础测量到高级维修的完整指南,帮助技术人员快速诊断黑屏、竖线等常见故障,并给出预防性维护建议,提升维修效率与成功率。

weixin_42535461的博客 614

Codex入门指南:普通人如何用AI助手搞定数据处理与文件整理

人工智能助手正从“能说会道”走向“能动手干活”,以Codex为代表的智能体不再停留于生成建议,而是能够直接调用命令行、读取文件、执行脚本并返回结果。它的技术价值在于将重复性高、规则明确的劳动自动化,让不懂编程的普通用户也能高效处理Excel表格、批量重命名文件、抓取公开网页信息,甚至生成周报初稿。从安装Node.js环境到首次对话,Codex的使用门槛远低于传统编程,但更需要用户具备清晰描述需求的能力。将任务拆解为“输入—处理—输出”的结构,并在关键节点人工验收,就能在安全边界内获得生产力提升。本文以实际案

weixin_29057237的博客 316

英伟达 DGX Spark & Reachy Mini 入门教程(一)

英伟达在2026年CES上发布多款开放模型,包括Nemotron推理LLM、Isaac GR00T VLA和Cosmos世界模型,助力开发者构建个性化AI代理。文章详细介绍了如何通过DGXSpark和Reachy Mini机器人打造办公助手,涵盖材料准备(推理/视觉模型、文本转语音服务)、智能体构建(NeMo Agent Toolkit框架)、工具调用和路由策略实现。系统支持本地/云端部署,提供语音交互、视觉识别和动作执行功能,并保持完全开源可定制。最后给出运行演示的终端配置步骤和测试用例,鼓励开发者在此基

2506_90492529的博客 2713

2018安徽省青少年信息学奥林匹克(AHOI)初中组

12 种合法的排列分别为:1, 3, 2, 4, 2, 3, 1, 4, 3, 1, 4, 2, 3, 2, 4, 1, 1, 3, 4, 2, 2, 3,4,1,1,4,2,3, 2,4,1,3, 4,1,3,2, 4,2,3,1, 1,4,3,2, 2,4,3,1。分为 2 组,一组的队员实力值是{4, 5, 2, 3},一组是{-4, -3, -5},其中最小的组人数为 3,可以发现没有比 3 更优的分法了。[0, 1, 1, 2]同样不是合法的分组方案,因为出现了两个实力值为 1 的选手。

weixin_42358969的博客 1143

多模态地理AI入门:MGeo预训练模型实践指南

下载数据集:准备训练脚本:# 加载数据集# 配置训练参数注意:微调需要较强的GPU资源,建议使用至少16G显存的显卡。通过本文,你已经掌握了MGeo的核心功能和使用方法。对中文地址各种表述形式的强大理解能力地图与文本模态的深度融合开箱即用的预训练模型效果建议下一步尝试:1. 将MGeo集成到你的数据处理流水线中2. 探索模型在具体业务场景中的表现3. 在GeoGLUE更多子任务上测试模型能力现在就可以拉取镜像开始你的多模态地理AI之旅了!如果在实践中遇到问题,欢迎在社区交流经验。

CrystalwaveEagle34的博客 350

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

小白友好:不用敲命令的MGeo可视化部署工具

通过本文介绍的可视化工具,政府工作人员无需任何编程基础也能享受AI带来的效率提升。实测在民政局的户籍管理场景中,原本需要3人天完成的5万条地址标准化工作,现在2小时即可完成且准确率更高。与现有OA系统集成,实现自动化流程建立地址规则知识库,持续优化识别效果探索更多应用场景,如快递地址校验、不动产登记等现在就可以下载工具体验MGeo的强大能力,让繁琐的地址处理工作变得轻松高效。

IronwoodWolf56的博客 713

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")

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

政务数据治理:不懂AI也能操作的MGeo云工作流

虽然MGeo开箱即用,但各地地址规范存在差异。# 添加本地特色词库"社保局": "人力资源和社会保障局","人力局": "人力资源和社会保障局"对于区划调整等特殊情况(如"县改区"),建议建立时间维度的映射关系表,确保历史数据也能正确归并。经过两周的实战,我们科室独立完成了全区地址数据清洗,比原计划提前3天交付。这套MGeo云工作流最大的优势就是——不需要理解AI原理,像使用办公软件一样操作专业模型即可。如果你也面临类似的政务数据处理难题,现在就可以部署镜像试试效果。

PearlOwl67的博客 825

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

上一篇: Excel 如何让某些符合特定条件的数据自动变色,以作警示?
下一篇: Excel 如何把混乱的日期格式(如2023.5.1)统一成2023/5/1?
冰糖心书房
博客等级 码龄15年 6014粉丝 690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

打赏作者

冰糖心书房

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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