Visual C++编程技巧之五

0x16 0x16 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 700+累计阅读 792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20年
关注
转载 最新推荐文章于 2026-08-04 16:02:03 发布 792 阅读 AI 写同款· GEO 优化 ›
Visual Studio 2022 C++ 调用matplotlib-cpp 绘图 利用matplotlib-cpp在Visual Studio 2022中绘图 阅读详情
Visual C++编程技巧之五

 

33、如何获取一个对话控件的指针

34、如何禁止和使能控件

35、如何改变控件的字体

36、如何在OLE控件中使用OLE_COLOR数据类型

37、在不使用通用文件打开对话的情况下如何显示一个文件列表

38、为什么旋转按钮控件看起来倒转

39 为什么旋转按钮控件不能自动地更新它下面的编辑控件

40、如何用位图显示下压按钮

　

33、如何获取一个对话控件的指针

有两种方法。其一，调用CWnd: : GetDlgItem，获取一个CWnd*指针调用成员函数。下例调用GetDlgItem，将返回值传给一个CSpinButtonCtrl*以便调用CSpinButtonCtrl : : SetPos 函数：

BOOL CSampleDialog : : OnInitDialog ( )

{

CDialog : : OnInitDialog ( ) ;

//Get pointer to spin button .

CSpinButtonCtrl * pSpin - ( CSpinButtonCtrl *) GetDlgItem (IDC_SPIN) ;

ASSERT _ VALID (pSpin) ;

//Set spin button's default position .

pSpin —> SetPos (10) ;

return TRUE ;

}

其二， 可以使用ClassWizard将控件和成员变量联系起来。在ClassWizard中简单地选择Member Variables标签，然后选择Add Variable …按钮。如果在对话资源编辑器中，按下Ctrl键并双击控件即可转到Add Member Variable对话。

34、如何禁止和使能控件

控件也是窗口，所以可以调用CWnd : : EnableWindow使能和禁止控件。

//Disable button controls .

m_wndOK.EnableWindow (FALSE ) ;

m_wndApply.EnableWindow (FALSE ) ;

35、如何改变控件的字体

由于控件是也是窗口，用户可以调用CWnd: : SetFont指定新字体。该函数用一个Cfont指针，要保证在控件撤消之前不能撤消字体对象。下例将下压按钮的字体改为8点Arial字体：

//Declare font object in class declaration (.H file ).

private :

Cfont m_font ;

// Set font in class implementation (.Cpp file ). Note m_wndButton is a

//member variable added by ClassWizard.DDX routines hook the member

//variable to a dialog button contrlo.

BOOL CSampleDialog : : OnInitDialog ( )

{

…

//Create an 8-point Arial font

m_font . CreateFont (MulDiv (8 , -pDC—> GetDeviceCaps (LOGPIXELSY) , 72).

0 , 0 , 0 , FW_NORMAL , 0 , 0, 0, ANSI_CHARSER, OUT_STROKE_PRECIS ,

CLIP_STROKE _PRECIS , DRAFT _QUALITY

VARIABLE_PITCH ｜FF_SWISS, _T ("Arial") );

//Set font for push button .

m_wndButton . SetFont (&m _font );

…

}

36、如何在OLE控件中使用OLE_COLOR数据类型

诸如COleControl : : GetFortColor和COleControl : : GetBackColor等函数返回OLE _COLOR数据类型的颜色，而GDI对象诸如笔和刷子使用的是COLORREF数据类型，调用COleControl : : TranslateColor可以很容易地将OLE_COLOR类型改为COLORREF类型。下例创建了一个当前背景颜色的刷子：

void CSampleControl : : OnDraw (CDC* pdc

const Crect& rcBounds , const Crect& rcInvalid )

{

//Create a brush of the cuttent background color .

CBrush brushBack (TranslateColor (GetBackColor ( ) ) );

//Paint the background using the current background color .

pdc—> FilllRect (rcBounds , &brushBack) ;

//other drawign commands

…

}

37、在不使用通用文件打开对话的情况下如何显示一个文件列表

调用CWnd: : DlgDirList或者CWnd: : DlgDirListComboBox， Windows 将自动地向列表框或组合框填充可用的驱动器名或者指定目录中的文件，下例将Windows目录中的文件填充在组合框中：

BOOL CSampleDig : : OnInitDialog ( )

{

CDialog : : OnInitDialog ( )

TCHAR szPath [MAX_PATH] = {"c://windows"} ;

int nReslt = DlgDirListComboBox (szPath , IDC_COMBO , IDC_CURIDIR,

DDL_READWRITE ｜DDL_READONLY｜DDL_HIDDEN｜

DDL_SYSTEM｜DDL_ARCHIVE ) ;

return TRUE ;

}

38、为什么旋转按钮控件看起来倒转

需要调用CSpinCtrl : : SetRange 设置旋转按钮控件的范围，旋转按钮控件的缺省上限为0，缺省下限为100，这意味着增加时旋转按控件的值由100变为0。下例将旋转按钮控件的范围设置为0到100：

BOOL CAboutDlg : : OnInitDialog ( )

{

CDialog : : OnInitDialog ( )

//set the lower and upper limit of the spin button

m_wndSpin . SetRange ( 0 ,100 ) ;

return TRUE ;

}

Visual C++ 4.0 Print对话中的Copise旋转按钮控件也有同样的问题：按下Up按钮时拷贝的数目减少，而按下Down 按钮时拷贝的数目增加。

39为什么旋转按钮控件不能自动地更新它下面的编辑控件

如果使用旋转按钮的autu buddy特性， 则必须保证在对话的标记顺序中buddy窗口优先于旋转按钮控件。从Layout菜单中选择Tab Order菜单项（或者按下Crtl+D）可以设置对话的标签顺序。

40、如何用位图显示下压按钮

Windows 95按钮有几处新的创建风格，尤其是BS_BITMAP和BS_ICON，要想具有位图按钮，创建按钮和调用CButton : : SetBitmap或CButton : : SetIcon时要指定BS_BITMAP或BS_ICON风格。

首先，设置按钮的图标属性。

然后，当对话初始化时调用CButton: : SetIcon。注意：下例用图标代替位图，使用位图时要小心，因为不知道背景所有的颜色——并非每个人都使用浅灰色。

BOOL CSampleDlg : : OnInitDialog ( )

{

CDialog : : OnInitDialog ( ) ;

//set the images for the push buttons .

m_wndButton1.SetIcon (AfxGetApp ( ) —> LoadIcon (IDI _ IPTION1) )

m_wndButton2.SetIcon (AfxGetApp ( ) —> LoadIcon (IDI _ IPTION2) )

m_wndButton3.SetIcon (AfxGetApp ( ) —> LoadIcon (IDI _ IPTION3) )

return TRUE ;

}

收录于
C/C++学习

当前文章被收录于：

C/C++学习
17 篇文章 0 人学习
订阅专栏 查看详情
标签
#编程 #c++ #button #windows #variables
#archive
[自己总结+网上流传]Visual C++编程技巧 1. 如何获取应用程序的实例句柄?应用程序的 实例句柄保存在CWinAppIm_hInstance 中,可以这么调用AfxGetInstancdHandle获得句柄.Example: HANDLE hInstance=AfxGetInstanceHandle();2. 如何通过代码获得应用程序主窗口的指针?主窗口的 指针保存在CWinThread::m_pMainWnd中,调用 AfxGetMai 阅读详情

相关推荐

Visual C++编程从入门到实战自学指南

Visual Studio 是微软推出的集成开发环境（IDE），广泛应用于 Windows 平台下的 C++ 开发。其核心优势在于集成了代码编辑器、调试器、资源管理器、图形界面设计工具等多个功能模块，极大提升了开发效率。Visual Studio 支持多种编译器（如 MSVC）、跨平台开发（如 C++/CLI、C++ for Linux）、以及与 Git 的深度集成，适合从初学者到专业开发者的各类用户。小贴士。

weixin_34471637的博客 752

C/C++知识点、疑问

c/c++

qq_44693581的博客 2293

全面掌握Visual C++网络编程高级技巧

TCP/IP 协议族定义了网络通信过程中的基本结构，这套结构被分为四层，分别为：链路层、网络层、传输层和应用层。每一层都有其特定的功能和协议，使得复杂的数据通信过程变得条理清晰。链路层：负责在相邻网络节点之间的帧传输。常见的协议有以太网（Ethernet）、Wi-Fi等。网络层：管理数据包在网络中的传输路径，IP协议是该层的核心。它负责把数据包路由到最终目的地。传输层：主要负责的是数据包的传输，包括端到端的连接建立和数据传输管理。

weixin_42462474的博客 666

return 0 和 return true 是什么意思

return 0; 是一种常见的编程惯例，通常出现在C或C++的程序中，表示主函数 main() 的正常结束，并且程序成功执行。

weixin_36888745的博客 2296

Visual C++编程详解：从基础到Windows应用开发

Visual C++ 是微软公司推出的一个功能强大的集成开发环境（IDE），它广泛应用于C++语言的开发，包括桌面应用程序、游戏、驱动程序以及系统软件等。作为一个成熟的开发工具，它提供了丰富的功能，从代码编辑、编译链接到调试、性能分析以及版本控制等，大大提高了开发效率。STL的强大之处在于它提供了一套统一的接口和数据结构来处理数据集合。通过使用STL组件，开发者能够以更少的代码量完成复杂的任务。STL容器本身是通用的，但有时候我们需要实现一些特殊的数据结构。

weixin_36059856的博客 1207

Visual C++编程实践：核心概念与技巧全解

本文还有配套的精品资源，点击获取 简介：Visual C++（VC++）是微软推出的集成开发环境，主要用于编写C++程序。本文深入探讨了VC++的关键知识点和实用技巧，包括IDE使用、MFC、源码管理、编译与链接、调试技巧、异常处理、多线程编程、预处理指令、模板和泛型编程、STL、资源文件处理、性能优化、错误和日志记录、国际化与本地化及文档与注释等，以帮助开发者提升编程效率...

weixin_42578963的博客 931

C++中定义一个函数为bool类型的作用

1.bool型函数 bool型函数（即返回值为bool类型的函数）的作用——获取函数返回值 bool getvalue(bool b){ if(b == true) return true; else return false; } int main(){ //在main()中调用函数就可以得到5261函数的返回结果4102 cout<<boolalpha<<getValue(true); return 0;

weixin_42258743的博客 4万+

RPG MV游戏数据修改指南：从JSON解析到脚本进阶

游戏数据修改是游戏开发与逆向工程中的常见实践，其核心原理在于解析和操作游戏资源文件。许多现代游戏引擎采用结构化数据格式（如JSON）存储游戏配置，这为外部修改提供了可能。通过理解文件结构、数据格式与游戏逻辑的关联，开发者或爱好者可以调整游戏平衡、修复问题或实现个性化定制，这不仅能深化对游戏设计机制的理解，也具备实际的技术学习价值。本文以基于Web技术栈的RPG Maker MV（RPG MV）引擎为例，其游戏数据多以明文JSON存储，结构清晰。文章将具体阐述如何安全地修改角色属性、物品效果、敌人数据及技能公

weixin_29001419的博客 404

C++中return语句的用法

C++中的return语句是函数中一个重要的语句，return语句用于结束当前正在执行的函数，并将控制权返回给调用此函数的函数。 return语句有两种形式： return; return expression; 1、没有返回值的函数 不带返回值的return语句只能用于返回类型为void的函数，return语句是为了引起函数的强制结束，这种用法类似于循环结构中的break语句的作用。 ...

weixin_34244102的博客 3394

C++游戏开发实战：从零构建局域网联机对战系统（附完整代码解析）

本文详细介绍了如何使用C++开发局域网联机对战游戏系统，涵盖从环境搭建到实战代码解析的全过程。重点讲解了Winsock库的应用、Socket通信原理、服务端与客户端开发技巧，以及性能优化和安全防护方案，帮助开发者快速掌握C++游戏开发的核心技术。

weixin_42524945的博客 445

STM32F103RCT6的FLASH读写操作

STM32F103RCT6是一款常用的32位微控制器，它具有内置的FLASH存储器，可以用于存储程序代码和数据。在本文中，我们将详细介绍如何进行STM32F103RCT6的FLASH读写操作，并提供相应的源代码。写入数据时，我们通过将数据直接写入FLASH地址来完成。通过使用适当的API和规则，我们可以有效地读取和写入数据。写入FLASH时，我们需要按特定的规则进行编程。首先，我们需要包含适当的头文件和定义相关的宏和变量，以便在代码中使用FLASH API。类型的指针，我们可以直接读取FLASH中的数据。

UplKubernetes的博客 1034

Visual C++ 编程技巧之五和六

 c++编程windowsmicrosoftarchivenumbers 33、如何获取一个对话控件的指针 34、如何禁止和使能控件 35、如何改变控件的字体 36、如何在OLE控件中使用OLE_COLOR数据类型 37、在不使用通用文件打开对话的情况下如何显示一个文件列表 38、为什么旋转按钮控件看起来倒转 39 为什么旋转按钮控件不能自动地更新它

u014023993的专栏 617

商品标签识别系统：基于YOLO系列的深度学习实现

随着零售行业的快速发展和自动化需求的增长，商品标签识别技术变得越来越重要。本文详细介绍了一个完整的商品标签识别系统，该系统基于YOLO系列目标检测算法（包括YOLOv5、YOLOv8和YOLOv10），采用PySide6构建用户界面，并提供完整的训练代码和数据集处理方案。该系统能够准确识别商品标签中的关键信息，如价格、条形码、生产日期等，为零售自动化、库存管理和智能结算提供技术支持。

YOLO 349

【C++版】visual studio 2019安装教

也勾上，一般这个模块已经很少用了，因为比较老，用Qt软件写可视化项目的比较多。注：想用visual studio写可视化项目的，把右侧的一个。登录visual studio 官网。打开visual studio，选择。如果想要好一点的编程感觉可以点击工具。如果有疑问可以私信我哦！选择字体和颜色，分别对。选择模块，C++选择。

千禧皓月的博客 6万+

仿真学习系列（二）：ADS仿真直观理解方波与频谱分量的关系

在高速电路设计中，我们常常听到一句话：“信号其实不是电压在传输，而是频率在传播。” 这句话看似抽象，却揭示了信号世界的核心本质——任何时域波形，都可以被拆解为一系列不同频率的正弦波。 那么，一个看似简单的方波，究竟由哪些频率成分组成？为什么在示波器上，有的方波上升沿又快又“方”，而有的却“圆润”得多？这些差异背后，隐藏的正是高频分量的力量。 本文将通过使用 Keysight ADS，从零搭建仿真电路，直观地观察方波与其谐波成分之间的关系。

案例文章，高速信号 814

Python 爬虫实战：手机应用商店评论数据爬取与分析

移动应用市场蓬勃发展，用户的评论数据包含了大量有价值的信息，如用户满意度、功能反馈、改进建议等。通过分析这些评论，我们可以挖掘应用的优缺点，甚至预测用户趋势。由于 Apple App Store 评论是动态加载的，我们使用。本篇博客将详细介绍如何使用 Python 爬取。爬取大量数据时，可能会遇到反爬机制。库获取 Google Play 评论。评论数据是动态加载的，需要使用。

2201_76125261的博客 2323

Visual C++编程技巧精选500例.pdf

Visual C++编程技巧精选500例.pdf 去发现同类优质开源项目:https://gitcode.com/ 《Visual C++编程技巧精选500例》是一本深入浅出的Visual C++编程指南，内容涵盖了消息框、常用控件、通用对话框、标题栏与菜单栏、工具栏与状态栏、图标与光标、程序窗口、线程、字符串、文件读写操作、文件与文件夹属性操作、文件与文件夹系统操作、系统控制操作、程序版权信息、...

gitblog_06794的博客 916

【路径规划】Theta_star算法机器人栅格地图最短路径规划【含Matlab源码 2618期】

Theta_star算法机器人栅格地图最短路径规划 完整的代码，方可运行；可提供运行操作视频！适合小白！

订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份； 364

【C++】11 Visual Studio 2019 C++安装matplotlib-cpp绘图

使用C++调用matplotlib-cpp绘图

记录专业模型开发、算法程序设计、软件学习笔记、生活日志。 9394

硬件工程师笔记——运算放大电路Multisim电路仿真实验汇总

本文系统介绍了运算放大电路的基础知识及其应用。主要内容包括：1）运算放大器的基本结构、理想特性及分析方法（虚短、虚断、叠加定理）；2）比例运算电路（同向、反向、差分）的工作原理与仿真分析；3）求和运算、加减运算电路的实现方法；4）积分、微分、指数和对数运算电路的基本原理；5）过零电压比较器的功能特点。通过理论分析和仿真实验，详细阐述了各类运算放大电路的输入输出特性、相位关系和增益计算，为硬件工程师提供了实用的电路设计参考。

XU157303764的博客 2481

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

【C++】Visual Studio调试C++代码的13个技巧

Visual Studio调试C++的13个技巧，推荐！！

风的博客 7963

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

Visual C++编程的若干技巧

                                      Visual C++编程的若干技巧　　Visual C++是一种面向对象的可视化编程工具，它提供的AppWizard能自动生成应用程序的标准框架，大大减轻了编程的工作量。本文主要介绍如下的编程技巧：修改主窗口风格、创建不规则形状窗口、用鼠标单击窗口标题条以外区域移动窗口、使用上下文菜单、使应用程序只能运行一个实例、使应

iBreathe的专栏 1359

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

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")
上一篇： Visual C++编程技巧之四
下一篇： Visual C++编程技巧之六
点赞 0
评论 0
书签 书签 0
0x16
0x16
博客等级 码龄20年 79粉丝 50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