开发之路

独立游戏开发之路 人到了一定年纪就想遵循自己内行的真实感受,不关乎家庭,不关乎事业 独立游戏之初我来深圳也有6年了,前前后后也经历了好多东西,引擎的更迭从之前的cocos 到现在的unity ,虚幻。游戏也从简单的跑酷,塔防,卡牌,srpg,到如今的arpg,mmo。一路走来感觉身心疲惫,做得游戏都是市场的游戏,老板们想要的游戏,而我内心其实根本不想做,不想做的原因其实很简单,这类型游戏除了用大量的美术代价去渲染这个 阅读详情

难得静下心来,写点东西,望共勉。

读大学的时候,我就很爱开发,那时候刚接触C不久,就自己配了电脑,没事敲几行不成形的代码,感觉还挺来劲。后来又看隔壁专业的同学在修Java,翻翻书,感觉Java好像比C看着舒服呢,又去学了Java。再后来我又买了Android从入门到精通,安装了编译器,那会的Windows电脑是各种报错,尝试好几天,终于安装成功了。可是贪玩的心依旧重于对这些语言的好奇心,最终电脑成了我DNF、LOL的工具,终日玩的昏天暗地,甚至最后逃课玩,以至于毕业前都在补考。

也是毕业前的一年,经常补考好像惊醒了我,意识到该干点啥了,也恰好那一年入手了一部iPhone6,好,那就培训iOS开发吧,是的,没错,我是培训出身。进了培训班,换了新环境,自然跟着换了心态,使劲干,半年后去了搜房,开始了人生第一份工作。那时候工作很闲,7~8个人负责一个项目,每个月更新一版,使点劲,不到一周就开发完了,每天过于清闲,开始还好,时间久了,总有一种莫名的失落感,会问自己,这样的路还有多长,总在窗前发呆,若有所思。培训时认识的哥们,由于公司倒闭而重新找工作,几个月都没找到。重于,我离开了搜房... ,离开后,我去了一家创业公司,开启了终日的加班模式,每天晚上到家11点做右,但是很充实。渐渐的技术得到了提升,处理问题的能力也得到了提升。

  • 新的问题总是慢慢的出现,每一个更新点都应该有他存在的价值

一个产品从0到1的时候,慢慢的稳了下来,甚至到了一个瓶颈期。从一开始的无脑更新,到后来你会想着怎么样才能吸引更多的用户,搞来更多的收益。终日冥想,效果总是微小的,慢慢的意识到一个问题:每个更新都应该有依据,而不仅仅是我喜欢、我觉得这样好。我要讲的是,业务产生数据,数据驱动业务。从0到1后,在1的水平上停留了很久,我们会积累很多用户数据,甚至用户的行为习惯,而这些数据,正是我们改进的依据和方向。

我开始终日分析统计数据,和产品讨论某些点,用户用着肯定不爽,总报错;一些新的技术可以降低用户操作复杂度,值得引进;这一部分我们没有数据,应该增加埋点。但是~,但是这个效率还是很低的,因为,我做了产品的事,一些资源无法支持到位,执行起来相当困难。不过事情总要推进,技术反馈的问题对于产品来说,还是很有价值的。

  • 结果很重要,没有结果的计划是失败的;尽力了但是没拿到想要的结果,也是需要反思的。

对于没有结果的行为,我是这样理解的:一件事没有结果,多件事没有结果,时间久了,我们就不看重结果了,不拿结果,那我们做的事大多都是在浪费生命。对于那些“很努力”,但是却没拿到结果的行为:大多数总是讲,我尽力了,确实付出了,只是没达到目的。这之间不可避免的掺杂着不尽力,只是按部就班执行的情况。做一个成年人首先意味着负责任。负责任本质上是对结果负责,不论出现任何结果,首先认识到是自己的责任。

  • 做一个成年人要放下期待,做到零期待,想做的事,现在就做 NOW!。

要做的事立马就做,就是现在,不是等待。再美好的期待,只有执行下去才能算是美好,不然很可能只是想想而已。

原生开发、H5开发与混合开发的区别 文章目录原生开发Web APP (HTML5)开发混合(原生+H5)开发 目前市场上主流的APP分为三种:原生APP、Web APP(即HTML5)和混合APP三种,相对应的定制开发就是原生开发、H5开发和混合开发。那么这三种开发模式究竟有何不同呢?下面我们就分别从这三者各自的优劣势来区分比较吧! 原生开发 原生开发(Native App开发),是在Android、IOS等移动平台上利用官方提供的... 阅读详情

相关推荐

从嵌入式开发到 android 开发再到 javaWeb 开发

“今天在网上看到一则段子:一位去年8月加入百度外卖的员工诉苦道,’我先是百度员工,然后是饿了么员工,现在又变成阿里员工了,可我明明什么都没有做啊。’ - -keithxiaoy” 这个段子的由来一则资讯:一名接近阿里的人士确认阿里巴巴全资收购饿了么一事属实,但是传言的95亿美元收购的金额不实,据悉,阿里巴巴旗下的口碑平台将与饿了么合并。原因可能为阿里和饿了么签订的对赌协议,要求饿了么在2...

Just do it 1万+

PPAPI开发之路(一)环境配置

前言:本文在已有博文的基础上根据自身需要进行一定的修改补充,感谢原文作者。 在这附上参考文章链接:http://www.cnblogs.com/snowyying/p/5458765.html 当前系统版本为 Windows 10 x64, Chrome 版本为58.0.3029.110 1. 准备工作 下载并安装 Python https://www.python.org

学无止尽,谨言慎行! 2万+

鸿蒙开发、大数据开发、Java开发与前端开发全面对比解析

本文对比了鸿蒙开发、大数据开发、Java开发和前端开发四个方向的核心差异。从定义看,鸿蒙开发聚焦多设备协同,大数据开发处理海量数据,Java开发侧重后端系统,前端专注用户界面。技术栈方面,分别使用ArkTS/Java、Hadoop/Spark、Spring框架和React/Vue等。工作内容涉及设备适配、数据处理、接口开发和界面实现。应用场景包括IoT设备、推荐系统、电商平台和网页等。职业路径和适合人群也各有特点,鸿蒙适合新技术爱好者,大数据需要逻辑分析能力,Java偏重系统设计,前端注重交互体验。文章还提

weixin_44519124的博客 1168

Angular5 开发之路

第一章 配置Angular4 的开发环境 1 安装 node.js 首先到node.js的官方网址下载node.js的安装包,网址为:https://nodejs.org/zh-cn/。下载最新的LTS版(长期支持版本)。

beizhucedemingzi的博客 1080

如何在容器内开发

是现代开发的一种流行方式,特别是在需要一致性环境和依赖隔离的情况下。以下是详细的思路、方法和步骤,以及一个具体实例说明如何在容器内开发。代码保存在主机上,通过挂载共享给容器,直接在宿主机上的编辑器(如 VSCode)中修改代码,容器内会自动同步。如果需要直接在容器中编辑代码,可以使用容器内的编辑器(如。定义开发环境,例如安装必要的软件和工具。使用 VSCode 修改。,代码会实时同步到容器中。,应该可以看到返回的。

形上得其象,形下合于数;阴阳自济,玄理自明。 2009

软件开发中的瀑布式开发与敏捷开发

瀑布式是“计划驱动,阶段清晰”的传统模式,适合稳定场景;敏捷式是“价值驱动,快速迭代”的现代模式,适合动态场景。两者非对立,需根据项目特性、团队能力、业务需求选择或融合,最终目标是高效交付高质量软件,满足用户需求。

William Chen's knowledge base 1305

我看开发之路

看了zhouqun的开发和研发后,我也想说点自己对于开发的想法。我是一个小开发,技术不是大牛,脑子也不是那么聪明,工作忙,没那么多时间学习,月薪也就5K。2010年压力挺大,2011年压力会更大,压力促使我寻找出路。我不是zhouqun那样的梦想家,也没有足够牛X的技术,自认没本事创业,对于前途充满了迷茫。不想当研发的开发不是好程序员。---套用拿破仑先说说我的现状,在一家不大不小的公司做java开发,公司有自己的开发平台,做医院药店系统的ERP和物流软件,从技术上来讲,企业的平台是一个简单易用的平台,一个

黑芒楼 1863

RTKLIB使用方法(喂饭版)(三)——RTKPOST

应用OTL校正需要在“files”的“ocean loading BLQ format”中配置OTL文件。应用极潮需要在“files”的“EOP data file”配置ERP(地球旋转参数)文件。RAIM FDE:设置是否启用RAIM(接收机自主完整性监控)FDE(故障检测和排除)功能。点击下方的“save”可以把配置保存成文件,点击“load”就可以把配置文件加载出来。4接收机动态模型/地球潮汐矫正:设置流动站接收机动力学模型,只可以使用在DGPS/DGNSS或动态模型中。选择流动站天线的类型。

A2020713的博客 1万+

我的开发之路

我的开发之路 我最早是在2008的时候接触C#开发的,当时我还在大学上大三,暑假的时候学校组织和微软中心的培训活动

chaiwangbing的专栏 634

【Origin+Python】使用External Python批量出图代码参考2

不使用part2 的代码,自己打开一个origin2022的界面。这里主要介绍一些进阶代码以及使用盗版origin要如何。3 批量绘制相同设置的曲线图。然后就是没有水印的图片了。

zeng001201的博客 1908

Cadence SIP Layout 简单教程-第一章

以摄像头模组软硬结合板为例,描述layout的整个完整过程,从而掌握基本技能。 第一章 准备工作 第一节 原理图不用说layout前需要绘制原理图,原理图不在本文讨论范围内,所以列为准备工作。 需要特别说明的是,绘制原理的最终目的是导出网络表,网络表中的重要参数footprint是让layout软件选择正确封装的关键,所以这里讲解一下原理图设置footprint的位置。在原理图中双击零件,...

whp1920的博客 1万+

开发模式(敏捷开发,瀑布式开发,螺旋型开发,迭代开发,devOps开发)

一. 敏捷开发 以人为核心、迭代、循序渐进的开发方式 简化文档,提取文档重点,主要在于人与人之间的沟通, 对开发产品进行迭代,最终完成开发。 迭代:迭代是指把一个复杂且开发周期很长的开发任务,分解为很多小周期可完成的任务,这样的一个周期就是一次迭代的过程;同时每一次迭代都可以生产或开发出一个可以交付的软件产品。 敏捷开发的一种实现方式就是Scrum方式: Scrum开发流程中的三个...

sinat_35566306的博客 3万+

overleaf导入模板

本文介绍了如何在Overleaf平台导入Springer Nature模板。首先下载所需的模板压缩包,然后在Overleaf中选择"Upload project"上传该压缩包。上传后会显示模板文件,包括EPS格式图像文件、LaTeX源文件、BibTeX参考文献文件、PDF输出文件以及文档类文件。这些文件共同构成了完整的LaTeX模板,可用于学术论文写作和排版。

A2787960542的博客 1148

移动端app开发,原生开发与混合开发的区别

目前市场上主流的APP分为三种:原生APP、Web APP(即HTML5)和混合APP三种,相对应的定制开发就是原生开发、H5开发和混合开发。那么这三种开发模式究竟有何不同呢?下面我们就分别从这三者各自的优劣势来区分比较吧! 一、APP原生开发 原生开发(Native App开发),是在Android、IOS等移动平台上利用提供的开发语言、开发类库、开发工具进行App软件开发。比如Android是...

前端全栈干货分享|小程序|Vue3|CSS 动效|工程化|项目实战 2万+

YOLOv11的QAT(训练感知量化)实战

本文总结了YOLO模型量化感知训练(QAT)的实践要点:QAT通过模拟量化噪声训练模型,比训练后量化(PTQ)更适合密集预测任务。关键实现包括:1)配置对称/非对称量化器;2)排除检测头量化;3)调整学习率策略并添加量化正则;4)选择困难样本校准;5)转换前稳定BN统计量。调试时需检查量化范围、数值分布和逐层突变,并注意SPP等敏感层。建议小模型使用QAT,大模型可能适得其反,且TensorRT的FP16模式可能优于INT8-QAT。量化应以功能正确为前提,避免过度优化。

as1225120794的博客 510

在WIN10系统中安装TIA博途V18,重启后提示安装介质不可用,请插入DVD 或检查网络连接的解决办法

在WIN10系统中安装TIA博途V18,重启后提示安装介质不可用,请插入DVD 或检查网络连接的解决办法

Robot_PLC_HMI_Automation 1万+

我是如何从Android开发转framework开发的

转framework开发快一年了,一直都想写一篇文章,分享一下自己的工作心得,也让做应用开发的小伙伴对framework开发有一定的了解,但因为种种原因耽搁了,今天就趁着工作闲暇之余,聊聊我从应用开发转framework开发的心路历程,自己也是刚开始学着写文章,文笔不太好,请见谅。

这个人很懒,什么都没留下... 6045

AUTOSAR进阶图解==>AUTOSAR_SWS_COM

AUTOSAR COM模块是AUTOSAR通信堆栈的核心组件,提供信号导向的通信服务。该模块位于通信服务层,连接RTE与PDU Router,主要功能包括信号封装/提取、传输模式管理、信号路由、超时监控和字节序转换等。COM模块架构分为应用层、通信服务层和通信抽象层,包含信号管理、I-PDU处理、传输模式管理等组件。其配置结构包括顶层容器、I-PDU组、I-PDU和信号等多层次配置对象,支持丰富的参数设置。模块采用严格的状态管理机制,包括模块状态和I-PDU组状态转换,确保通信可靠性。

一名留德华的,康德的信徒的,专注于汽车电子领域的博客 1244

原生开发、H5开发和混合开发的区别

目前市场上主流的APP分为三种:原生APP、Web APP(即HTML5)和混合APP三种,相对应的定 制开发就是原生开发、H5开发和混合开发。那么这三种开发模式究竟有何不同呢?下面我们就分别从这三者各自的优劣势来区分比较吧! 一、原生开发 原生开发(Native App开发),是在Android、IOS等移动平台上利用官方提供的开发语言、开发类库、开发工具进行App开发。比如Android是利用Java、Eclipse、Android studio;IOS是利用Objective-C 和Xcode进行开发

manertifer的博客 7287

R语言线性混合模型(LMM)分析

它将数据表示为固定效应和随机效应的线性组合,其中固定效应表示总体均值的影响,随机效应表示个体间的随机差异。LMM的目标是通过最大似然估计或最小二乘估计来估计模型中的固定效应和随机效应的参数。LMM结合了固定效应和随机效应,能够同时考虑个体间和个体内的变异,并适用于具有相关性的数据。目前在使用LMM的R语言包中,较常用的是lme4和nlme包,它们提供了丰富的函数和工具来拟合和分析线性混合模型。面板数据分析:LMM适用于分析具有面板结构的数据,如经济学中的面板数据或教育研究中的学生评估数据。

走向CTO的路上... 2969

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

【idea插件开发】从0入门idea插件开发,idea插件开发教程,如何开发idea插件

作为一枚程序员,平时最常用的ide就是IntelliJ IDEA。平时会用到各种各样的插件,通过插件的使用,提高自己的开发效率。idea具有全局性,安装好插件后,对idea生效,所有的工程均能找到。idea使用的便捷性,在固定的菜单中,或者右键即可看到该插件的使用入口专注度高,展示出来的内容均是自己需要关注的,不需要关注的就不会展示。可以专注思考自己要怎么用。和系统解耦,插件可以给给开发提效,却不会去占用项目的空间位置。…目前已有插件并不能真的完全满足自己的需求。举个简单的栗子,比如,最近在用mybatis

Rubik Blog 2万+

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

一文了解SAAS开发、模板定制开发、全定制开发

软件定制开发相比于模板开发,更符合客户的需要,开发的过程也更复杂,时间更长。SaaS租用,与前两者不同,是以租用的方式进行购买,一般是持续性的周期性付费,比如多少钱/年这样,工期的话基本就是开通账户时间,一般几天可以完成,与模板一样能够快速部署。SAAS的优势在于一套系统多人使用,定制化开发是无法避免的,比如CRM系统这样复杂的系统,不可能一套系统满足所有公司的要求。软件定制开发是根据客户想要的功能来制作一款软件,是从客户的实际需求出发来设计的,只要是客户想要实现的功能模块,都可以开发的。...

3014

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")

项目开发流程及开发模式

项目开发阶段 整体阶段:需求分析、设计、编码、测试、维护。 需求阶段:通常定义系统的需求,明白系统的目标。 设计阶段:通常确定系统使用什么数据库,系统模块的划分,各个模块的功能。 编码阶段:用编程语言对设计阶段的实现。 测试阶段:分黑盒测试,白盒测试。测试系统的功能是否实现,是否准确。 维护阶段:是根据用户新的需要重新修改系统,使系统更加稳定,更符合用户的要求。 需求阶段:其工作是否到位是整个系...

王晨光的博客 1万+

敏捷开发和迭代开发

敏捷开发与迭代式开发是整体与局部的关系 敏捷开发:敏捷开发以用户的需求进化为核心,采用迭代、循序渐进的方法进行软件开发,在敏捷开发中,软件项目在构建初期被切分成多个子项目,各个子项目的成果都经过测试,具备可视、可集成和可运行使用的特征。换言之,就是把一个大项目分为多个相互联系,但也可独立运行的小项目,并分别完成,在此过程中软件一直处于可使用状态。敏捷开发过程中,只有开发团队,没有各个开发环...

伟绍博客 1万+

esp32 开发需要那些开发语言

ESP32 开发支持多种编程语言和开发框架,也可以用于开发,特别是通过。

keyboard专栏 7151

原生开发vs混合开发

原生开发指的是使用平台特定的编程语言和工具(如 Android 使用 Java/Kotlin,iOS 使用 Swift/Objective-C)来开发应用程序。这些应用直接与操作系统交互,能够使用操作系统提供的全部功能。

weixin_42101997的博客 1522
上一篇: 移动验证:本机校验和一键登录(中移动、中联通、中电信提供)
下一篇: iOS图片的加载优化 initWithContentsOfFile
gp103
博客等级 码龄11年 158粉丝 45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