高手才知道!七个你所不知道的 D3.js 秘技

JavaScript可视化 JavaScript 可视化库和工具众多,选择合适的工具取决于你的项目需求、技术栈和个人偏好。如果需要创建复杂的、高度定制的可视化,D3.js 是一个不错的选择;如果需要快速创建简单的图表,Chart.js 或 Plotly.js 可能更适合。对于 3D 图形,Three.js 是一个强大的工具。无论选择哪个库,JavaScript 的可视化能力都能帮助将数据以更直观、更吸引人的方式呈现出来。 阅读详情

三方君又来跟大家开播新教程了~按照惯例,此教程第一时间还是发布在最三方开源平台上,希望给你带来帮助!

D3.js ,当前最火红的视觉化套件,你用过了吗?越来越多人使用 D3.js 来开发视觉化专题,但… 你对 D3.js 的了解又到哪里呢?这次我们就带大家一起来看看一些 D3.js 很重要、大家却又普遍不清楚的秘技与背后的设计逻辑。

 

制作 D3.js 动画

transition 的名字

D3.js 提供 transition() 函数供我们作动画,相当的方便,但是当我们需要多个动画一起执行时,该怎麽办?若我们对同一个物件调用的 transition 时间有重叠,后者会将前者完全取代掉,如下例我们根本不会看到红色出现,只会看到边框变色:

  d3.select("rect").transition().attr({ fill: "red" });
  d3.select("rect").transition().attr({ stroke: "green" });

如果我们改用串连调用的方式,两者则会依序呈现,而非同时进行:

  d3.select("rect")
    .transition().attr({ fill: "red" })
    .transition().attr({ stroke: "green" });

事实上, transition 是可以命名的,而且只要将各个 transition 命名,他们就可以同时执行,不会互相取代。如下例,在调用 transition() 时以名称为参数即可:

  d3.select("rect").transition("my-fill").attr({ fill: "red" });
  d3.select("rect").transition("my-stroke").attr({ stroke: "green" });

以下图为例,左右两个矩形各自以五个互相重叠的 transition 制作相同动画,包含宽、高、填满、边框与边线宽,左边使用未命名的 transition 而右边的 transition 各自有不同的名字。可以看到左方的动画互相重叠导致大部份都无法完成,但右方的动画则顺利做完。

transition

这招在需要独立对不同属性做动画时特别有用。

客製动画

我们依靠 d3.transition 做动画时,其底层是基于 d3.interpolate 内插函数在运作的,也因此我们所能做的动画类型受到了他的限制。当我们想做更复杂的动画时,我们当然可以自行利用 JavaScript 与浏览器所提供的 setTimeout 或 requestAnimationFrame 等函数来做,但这不仅繁琐,动画一多程序逻辑也复杂了起来。

d3.transition 其实提供了客製动画的选项,我们可以利用 d3.transition.tween 函数来做!tween 函数接受一个 animation factory, 我们在里面产生动画处理器,并利用传入的动画进度参数来计算动画值:

  d3.transition().tween("动画名", function() {
    return function(progress)  {
      return progress; 
    };
  });

在上列程序码中,红色的函数会不断的被调用,其参数 progress 则会由 0 至 1 不断的被带入, 0 代表动画开始, 1 则代表动画结束。在这里面,我们可以应用各式各样的视觉效果,例如根据 progress 来更新圆饼的比例,做出变大圆饼的效果:

  var arc = d3.svg.arc().innerRadius(0).outerRadius(50);
  d3.select("path").transition().tween("growth-pie", function() {
    return function(progress)  {
      d3.select(this).attr({
        d: function(progress) {
          return arc.startAngle(0).endAngle(progress * Math.PI * 2);
        }
      });
    };
  });

下图即为利用 d3.transition.tween 做出的圆饼图动画,三个圆饼分别使用不同的 easing 函数:

tween

数据绑定与元素集合

绑定规则

用过 D3.js 的人都知道 D3.js 最核心的逻辑在于数据与元素的绑定,比方说下例我们将 1 ~ 5 的数字与 path 结合:

  d3.selectAll("path").data([1,2,3,4,5]);

这边结合是照数据在阵列中的顺序,也就是说若我们之后更新数据时、顺序有变化,数据就不会绑到原先的元素上,而是绑到其它的元素上了。这有时会造成视觉呈现上的问题。该怎麽解决呢?

我们只要指定绑定的规则即可,在 data() 中再加上一个规则函数:

  d3.selectAll("path").data([1,2,3,4,5], function(it) { return it; });

该函数的传回值即是绑定规则;当数据与元素有着相同规则时,两者就会被结合。这类似数据库系统 Table Join 时指定特定栏位做线索的概念。

阶层元素

数据绑定后我们可以在设定样式时使用:

  d3.selectAll("g").data([1,2,3,4,5]);
  d3.selectAll("g").attr({
    width: function(d,i) { return d * 100; }
  });

上例中,每个 <g> 得到红色的 d 的数值都不一样,分别会是 1 ~ 5 。那请问大家,如果 <g> 下面还有元素,该元素要怎麽利用 <g> 绑定的这个数字呢?比方说文件的结构像是下面这样:

  <g><rect/></g>
  <g><rect/></g>
  <g><rect/></g>
  <g><rect/></g>
  <g><rect/></g>

若我们利用 d3.selectAll(“g rect") 想要来设定 rect 的宽度 …. 事实上, D3.js 在读取数据时,会用向上搜寻的方式寻找。在此例中,<rect> 并没有与任何数据绑定,因此 D3.js 会向各个 <rect> 的父元素 <g> 询问,这时因为 <g> 有绑定数据,于是这些数据就传回给 <rect>  供作使用了。

属性设定

Style v.s. Attr

因为 D3.js 与 SVG 的紧密结合,我们对 SVG 不够了解的话有时会造成很大的困扰。其中一个问题是这样的:SVG 元素可以用  CSS 设定样式,例如:

  <rect style="fill:red"/>

将矩形用红色填满,看起来很棒是吧?但 fill 其实是 rect 的属性之一,所以我们也可以这样写:

  <rect fill="green" style="fill:red"/>

请问此时这个矩形会是红色还是绿色呢?此外,矩形的参数 rx 与 ry 可以设定矩形圆角,我们可以把他写到 style 里去吗?如下:

  <rect fill="green" style="fill:red;rx:10;ry:10"/>

事实上,SVG 有所谓的「Presentational Attributes」,例如像是 fill 、 stroke 、 stroke-dasharray 等等的属性;这一类的属性可以放在 style 中,因此可以利用 CSS Selector 、 CSS Animation 来控制。然而,其它属性像是 rx 、 ry 、 圆的 cx 、 cy 、 r 都是不能通过 CSS 控制的属性。

接着,设定 Presentational Attributes 时, CSS 设定是优先于属性设定的,因此若我们利用 CSS 对 <rect> 设定了红色填满,再用属性设定绿色填满,结果还是会得到红色的矩形。若对这点不了解,有时利用 D3.js 操作属性时就会碰到怎麽设定都不会动作的窘境:

  d3.selectAll("rect")
    .style({ fill: "red" })
    .attr({  stroke: "green" });

这点千万要注意阿!

利用函数取值

在设定元素样式时,我们可以利用函数来指定其值,例如下例中红色的函数在要设定 <rect> fill 值时会被调用,其传回值「red」则会被填入:

  d3.selectAll("rect").attr({ fill: function() { return "red"; });

事实上不光是设定属性,D3.js 里面很多放参数的地方都可以用函数替换,例如 d3.selectAll :

  d3.selectAll(function() { return "rect"; });

Encore: d3.scale 的神奇秘技

d3.scale 用来做座标转换相当方便,他也可以将数值转换成颜色,像是利用 d3.scale.category20 或是直接做线性内插,相当的方便:

  d3.scale.linear().domain([0,1]).range(["#f00","#0f0"]);

上例可以帮我们把 0 ~ 1 之间的值用内插的方式对换到红色与绿色之间的值。好用吧!不过,这个大家都知道,不是我们要讲的秘技。事实上, d3.scale 底层是使用 d3.interpolate 实现,所以 d3.interpolate 所能内插的东西, d3.scale 都支持,例如阵列:

  d3.scale.linear().domain([0,1]).range([[0,1],[1,0]]);

或者歌词:

  d3.scale.linar().domain([0,1]).range([
    "5 little ducks, went out one day ....",
    "1 little ducks, went out one day ...."
  ]);

希望这没有让你的脑袋炸掉。

结语

D3.js 是个强大的视觉化函数库,但显然一般人只开发了他 10% 的可能性。做为作者 Mike Bostock 的毕业论文,这个工具显然灌注了超乎我们想像的、更多的精力与设计在里面,做为视觉化爱好者的我们若不好好了解 D3.js 的可能性、甚至把他当成一般的图表工具的话,那就太对不起视觉化之神了 ( 谁? ) 。

让我们一起往(视觉化)神乎其技的路上迈进吧!

 

 

D3JS相关系列教程

  1. D3.js 实战 - 上色落伍了,来点图样吧!
  2. D3.js 实战 - 地表最快地球仪应用   
  3. 让我的视觉化动起来!D3.js 动画函数入门
  4. D3.js 视觉化教学 -全球即时地震视觉化
  5. 总整理!你不可错过的 d3.js 数据转换技巧
  6. D3.js版贪吃蛇(Eating Snake)
  7. 统计图表制作 – 使用 d3-generator
  8. 用 JavaScript 做数据视觉化 - D3.JS
  9. 高手才知道!七个你所不知道的 D3.js 秘技
  10. D3JS 实战 - 是长条也是圆饼的变形图表
D3js快速入门——用最新版D3js实现树图 文章目录:引言1. D3js 是什么2. D3js 相对其他数据可视化方案的优势2.1 SVG 对比 Canvas2.2 D3.js 对比 Echarts3. 怎么用 D3.js 开发一个树图3.1 前置基础3.2 d3开发树图流程3.3 动手实现一个树图3.3.1 普通tide tree3.3.2 你的树图不简单—— radio tide tree3.3.3 更多可能——更多类型的树图 引言 上周我们组新开项目,技术调研之后决定使用 d3.js 做数据可视化开发,mentor让我来做初期技术调研,之后的技 阅读详情

相关推荐

[d3.js] D3.JS 基于javascript的图表展示库<一>----简单介绍

先什么都不说。一起来看看d3.js神奇效果。 打开https://github.com/mbostock/d3/wiki/Gallery 这里有很多d3.js的Demo。 这个东西图表确实很不错吧? 简单介绍之前 先说明一点东西。 1.   d3.js 只适合现代浏览器,(意思是说它对IE8已经IE8以下版本支持不好)。但对IE9,chrome,FireFox,Opera 和基于webki

Keep Moving 1万+

一文读懂:D3.js的前世今生,以及与echarts的对比

D3.js由美国斯坦福大学的一位计算机科学家Mike Bostock于2011年创造。它的设计目标是帮助开发者使用数据来操作文档对象模型(DOM)并创建数据可视化。D3.js的核心理念是将数据绑定到DOM元素上,并使用数据驱动的方式来更新元素的样式、位置和属性。

贝格前端工场的博客 3万+

D3.js 使用geojson绘制地图

D3.js 使用geojson绘制地图前言初始化项目功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 前言 利用geoj...

u010846156的博客 8403

d3.js学习

/

weixin_46999458的博客 1万+

【D3.js in Action 3 精译_023】3.3 使用 D3 将数据绑定到 DOM 元素

本篇为《D3.js in Action》全新第三版3.3小节内容,主要介绍了 D3 在绑定数据到 DOM 元素过程中的一些大致原理与基本用法。通过大量精美的插图与极为细致的案例讲解,让即便是零基础的 D3 爱好者也能快速理解复杂精巧的 D3 数据绑定机制。强烈建议大家收藏起来,跟随作者的思路在本地实操一遍,效果更好!

PeacefulWinter的博客 2075

JavaScript-D3入门四-事件绑定

直接给出可以在WebServer中运行的代码,通过这个示例,你可以知道如何进行事件绑定表格数据官方建议用csv运行效率高d3ia_2.html&lt;html&gt; &lt;head&gt; &lt;title&gt;D3 in Action Examples&lt;/title&gt; &lt;!-- 演示D3的事件绑定 --&gt; &lt;meta charset=...

lee353086的专栏 2999

D3.js 秘技

目录 制作 D3.js 动画 transition 的名字 客製动画 数据绑定与元素集合 绑定规则 阶层元素 属性设定 Style v.s. Attr 利用函数取值 Encore: d3.scale 的神奇秘技 制作 D3.js 动画 transition 的名字 D3.js 提供 transition() 函数供我们作动画,相当的方便,但是当我们需要多个动画一起执行时,该怎麽办?若我们对同一个物件调用的 transition 时间有重叠,后者会将前者完全取代掉,如下例我们

happy81997的博客 2277

d3.js——面积图表的制作

在上一篇的文章里我们可以知道,线型图表的制作主要是采用了 d3.svg.line() 这个函数进行绘制的,比较线型图表的绘制方法,我们只要采用 d3.svg.area() 这个函数即可实现面积图表的绘制啦~!  具体代码实现如下啦~: /** * Created by Silence_C on 2016/4/14. */ var width = 500,height = 200; marg

Selina_Chan的博客 2718

D3.js的v5版本入门教程(第一章)—— 如何在项目中使用D3.js

D3.js的v5版本入门教程(第一章)     1、需要的一些工具         这个其实随便!最简单的就是建一个.txt文件就可以敲起代码来!作者本人用的是myeclipse(主要需要安装tomcat),因为写的是前端,一个浏览器查看效果当然是不可少的,建议使用chrome 浏览器,其强大的调试功能可以让你事半功倍!     2、需要预备的知识         如果你是编程小白,那么这...

数星星等天明的博客 2万+

D3入门:概念、主要特点、基本功能、常见应用场景

D3.js(Data-Driven Documents)是一个JavaScript库,用于基于数据操作文档。它利用了HTML、SVG和CSS等Web标准技术,使得开发者可以创建丰富的交互式图表和数据可视化。D3.js的强大之处在于其灵活的数据绑定机制和对DOM元素的高效操作能力,这使得它可以轻松处理动态变化的数据,并实时更新界面。

大剑师兰特的GIS世界 1811

uniapp+华为HBuilder X 4.29跑鸿蒙模拟器报错没有签名授权

uniapp+华为HBuilder X 4.29跑鸿蒙模拟器报错没有签名授权报错信息11:39:47.976 安装 .hap 到鸿蒙设备 ...11:39:48.517 运行所需的权限没有签名授权,请参考 配置文档11:39:48.517 安装失败。

weixin_66071584的博客 1352

d3.js小白入门笔记

d3.js入门

2301_80289515的博客 1895

MySQL根据idb文件恢复数据

恢复前提 MySQL 5.* 和 8.* 的恢复方式大同小异,最基本的区别是8.* 中,不再有表结构frm文件,所以要恢复 8.* 的数据,就必须要有完整的建表语句。 而恢复 5.* 的数据,就需要idb文件和 frm文件,当然,如果有完整的建表语句的话,不用frm文件也行。 恢复步骤 需要注意的是,以下操作需要选定数据库后执行。 5.* 恢复表结构 确定表列数 首先创建一张 与需要恢复数据的表 的名字相同的新表,如果已知原表的字段数量的话,就按照原表字段数建表,字段名和类型都不用考虑,如果不知道数量的话,

weixin_45121446的博客 5450

d3.js

• 通过D3提供的接口来基于数据操控文档的各个图元。HTML - 导入D3.js• D3.js作为JavaScript的外库,必须先将其导入,如:• Python的import,C/C++的include、• Java的import、node.js的require… … …• 通过Script标签导入直接通过互联网链接通过本地服务器链接(推荐)通过unpkg链接尽可能使用本地的d3.min.js库。

学习记录 1433

Signoff Criteria --- ocv/aocv/pocv之AOCV介绍

Advanced on chip variation,相比较于OCV来说,对于悲观度的去除很有效。相比较与ocv对于整个design中的lauch/capture path设置统一的derate值,aocv通过将cell derate值与cell的逻辑深度以及实际的位置结合起来进行derate值的设定。那么这种derate如何能够设置到具体的cell呢,其实是我们在跑STA时候会读入相关的aocv lib file,里面有专门对相关的cell进行的aocv derate值的描述。> table: \

sinat_27691203的博客 7858

Adaboost入门教程——最通俗易懂的原理介绍(图文实例)

Adaboost入门教程——最通俗易懂的原理介绍(图文实例)

Max的杂物仓 11万+

D3.js 介绍与入门

D3.js(全称:Data-Driven Documents)数据驱动文档是一个基于数据驱动 DOM 的 JS 库。 相比EChart、G2...之类的封装好的图标库,D3就像一个Jquery。 封装了很多函数供开发者使用。

kang_k的博客 1万+

PCB板质量测试和PCB板

PCB板质量测试和板厂

weixin_51370842的博客 518

D3.js入门基础教程

什么是“框架”,框架是应用程序“模板” 就好比“八股”文章,不论好坏,按照规则填填就是 什么是“应用程序”,应用程序是完成某项特定任务的代码堆砌 也可以说是“套路” 当你完成了一、二个项目后,你是不会放弃承载着你大量心血的“代码集”的 你会在第三、第四…个项目中重复你的思路、代码,当然也包括改进或创新 于是,“框架”出现了…… 程序设计中的框架包含DoitPHP(原Tommy...

Quest_sec的博客 5358

【fpdlink显示】DS90UB948关于941连接948 GPIO调试问题

1. 前言 使用一个941连接2 948显示: 941的GPIO0/1/2/3到前948的GPIO0/1/2/3和941的D_GPIO0/1/2/3到948的GPIO0/1/2/3。 设置gpio3输出,则941的D_GPIO3设置高,而948的gpio3设置不高; 但设置gpio3输入后,看到941的D_GPIO3跟随948的gpio3变化。 2. 原理图连接 3. 测试代码 static int du90ub941_enable_port(struct goodix_ts_d

jzwjzw19900922的博客 2560

MicroCap声学仿真介绍(一)

5-频率上下限选择,需要注意的是,第一个数字是上限,第二个数字是下限,如果填反了,会有报错提示;下三角可以选择“Auto”、“linear”、“log”和“list”,设置的是频率点之间的距离和频率点的数量。Component是用来选择部件的模块,如上图所示,声学仿真常用到的是“Electroacoustic Macros AC”、“Electroacoustic Macros TR”、“NXP Transducers”以及“NXP HD components”。3是声学部件,是声学仿真中常用的部件。

山无忧的博客 5114

D3js简介

近年来,可视化越来越流行,许多报刊杂志、门户网站、新闻、媒体都大量使用可视化技术,使得复杂的数据和文字变得十分容易理解,有一句谚语“一张图片价值于一千个字”,的确是名副其实。各种数据可视化工具也如井喷式地发展,D3 正是其中的佼佼者。 D3js是什么 D3 的全称是(Data-Driven Documents),顾名思义可以知道是一个被数据驱动的文档。听名字有点抽象,说简单一点,其实就是一个 JavaScript 的函数库,使用它主要是用来做数据可视化的。可以帮助你使用 HTML, CSS, SVG 以

hsany330的专栏 1469

【异常】Nacos 2.x 核心报错:Server check fail (gRPC 端口连不通) 深度排查

如果 Nacos 运行在 K8s 中,需确保对应的Servicemetadata:spec:ports:port: 8848port: 9848 # 必须暴露此端口selector:app: nacos在 Nacos 2.x 时代,“端口成套出现”是基础设施配置的基本要求。遇到连接失败时,首要检查的不是业务配置,而是网络链路上主端口 + 1000的 TCP 通讯是否被放行。更多关于 AI + 教育领域的干货,可以关注我的微信公众号一时间获取哦~

奶爸的编程之路,也就一周冷个三天 325

【小白入门】JavaScript(二)—— D3.js

目录D3是什么?D3对JavaScript的简化2.选择集与数据绑定3. 使用d3在SVG画布中绘图4. 比例尺的使用4.1 线性比例尺4.2 序数比例尺 D3是什么? D3 的全称是(Data-Driven Documents),顾名思义可以知道是一个被数据驱动的文档。 D3的本质是JavaScript,所以用JavaScript可以实现它全部的功能,但是有这个函数库可以极大的减少工作量,尤其在数据可视化方面。 D3对JavaScript的简化 基本JavaScript代码实现文本替换: <html

weixin_43226986的博客 1605

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")

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。

上一篇: 高手才知道!七个你所不知道的 D3.js 秘技
下一篇: D3.js版贪吃蛇(Eating Snake)
opensourceLab
博客等级 码龄10年 5粉丝 0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