Kibana操作ES 全覆盖 基础查询 DSL查询

2.ELK之Elasticsearch常用DSL语句(kibana语句) Filter DSL term 过滤 term主要用于精确匹配哪些值,比如数字,日期,布尔值或 not_analyzed 的字符串(未经分析的文本数据类型): { “term”: { “age”: 26 }} { “term”: { “date”: “2014-09-01” }} { “term”: { “public”: true }} { “term”: { “tag”: “full_text” }} 完整的例子, hostname 字段完全匹配成 xxx 的数据: { "query" 阅读详情

Kibana

概念

Kibana是什么

  • Kibana是一个针对Elasticsearch mysql的开源分析及可视化平台,使用Kibana可以`查询、查看并与存储在ES索引的数据进行交互操作

指令操作

索引操作

  • 查看全部索引
GET /_cat/indices
  • 查看全部索引及参数说明
GET /_cat/indices?v
//返回结果说明
health status   index  uuid pri rep docs.count docs.deleted 
健康状态  索引状态  索引   id  主分片 副本分片 文档数  删除         
store.size   pri.store.size
存储大小      主分片存储大小
  • 创建索引
//  创建索引 
PUT /索引名
  • 创建索引自定义分片
PUT /索引名
{
  "settings": {
    "number_of_shards": 1,  # 主分片数量
    "number_of_replicas": 0  # 副本分片数量
  }
}
  • 创建索引及映射
ES数据类型说明
//字符串类型         数字类型         小数类型            布尔类型   日期类型
keyword  text    integer long      float double       boolean    date

//创建索引及其映射
// 创建索引及映射  注:student为索引名  id、name、age、desc 为字段名
PUT /student
{
  "settings": {
    "number_of_shards": 1, 
    "number_of_replicas": 0
  },
  "mappings": {
    "properties": {
       "id":{
         "type": "integer"
       },
       "name":{
         "type":"keyword"
       },
       "age":{
         "type": "double"
       },
       "desc":{
         "type": "text"
       }
    }
  } 
}
  • 查看索引及映射详细信息
GET /products/_mapping
  • 删除索引
//  删除索引
DELETE /索引名

文档操作

  • 查询文档
 GET /student/_doc/1  (1为文档id)
  • 查询该索引全部文档
GET /student/_doc/_search/
{
  "query":{
    "match_all":{}
  }
}
  • 添加文档
  //        此处  1为文档id、查询用到的就是这个id 不是下面那个id字段
POST /student/_doc/1
{
  "id":1,
  "name":"小明",
  "age":"19",
  "desc":"小明是学渣"
}
  • 删除文档
DELETE /student/_doc/1 
  • 更新文档
//更新文档 不保留原字段  
PUT /student/_doc/1
{
  "name":"ipone"
}

//更新文档 保留原字段
POST /products/_doc/1/_update
{
"doc":{
	"name":"明明"
	}
}
  • 批量添加
//注:json格式必须是这样 不然会报错
POST /student/_doc/_bulk
{"index":{"_id":3}}
{"id":3,"name":"小李","age":"22","desc":"小李是混混"}
{"index":{"_id":"4"}}
{"id":4,"name":"陈陈","age":"33","desc":"陈陈是老师"}

  • 批量修改
POST /student/_doc/_bulk
{"update":{"_id":"2"}}
{"doc":{"name":"芳芳"}}
{"update":{"_id":"3"}}
{"doc":{"name":"李李"}}
  • 批量删除
POST /student/_doc/_bulk
{"delete":{"_id":"5"}}
{"delete":{"_id":"6"}}

高级查询 Query DSL

DSL简介

Query DSL 利用Rest API传递JSON格式的请求体(Request Body)数据与ES进行交互
说白了 这个DSL就是复杂查询 包含一些分页查询、关键字查询、排序查询等操作

命令操作

  • term(关键词查询)
    此处需要主要注意分词 因为ES存储的过程是将一段信息按照指定的分词规则进行存储,例如使用的是ik分词器,存储的信息为:“我们吃饭” ,ik分词器会将该信息分割为两个关键字 “我们” “吃饭” 进行存储,那么想根据该字段搜索文档时,需要传入的是"我们" 或者"吃饭",如果传入"我" 或者 “们” 都是搜索不到该信息的
    注:如果没有指定分词器 ES默认使用的中文按字分词,也就是会将 “我们吃饭” 分割为 我、们、吃、饭 进行存储。
// 上文介绍到 ES的字符串类型分别为 keyword  text ,keyword是不会进行分词存储的,也就是只有字段类型是text的时候,
//才会出现上述情况。keyword必须用全部信息进行检索。

// desc字段是text类型,会进行分词, ES默认中文分词是按字分词 ,故文档中只要包含是这个字的都会返回
GET /student/_search
{
  "query": {
    "term": {
      "desc": {
        "value": "是"
      }
    }
  }
}

// name 是keyword类型,故不会进行分词 必须使用全部信息检索。
GET /student/_search
{
  "query": {
    "term": {
      "name": {
        "value": "小明"
      }
    }
  }
}


  • range(范围查询)
// 参数说明   gt   gte    lt   lte
//          大于 大于等于 小于 小于等于
GET /student/_search
{
  "query": {
    "range":{
      "age":{
        "gt":"19"
      }
    }
  }
}
  • prefix(前缀查询)
//该行为与分词无关

GET /student/_search
{
  "query": {
    "prefix": {
      "name": {
        "value": "小"
      }
    }
  }
}
  • wildcard(通配符)
// 参数说明    ?          *
//         匹配一个    匹配多个
GET /student/_search
{
  "query":{
    "wildcard": {
      "name": {
        "value": "小?"
      }
    }
  }
}
  • ids(多id查询)
GET /student/_search
{
  "query": {
    "ids": {
      "values": ["1","2"]
    }
  }
}
  • bool(多条件查询)
//bool关键字 用来组合多个条件实现复杂查询
//must:相当于&&
//should:相当于||
//must_not:相当于!不能满足任何一个

GET /student/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "ids":{
            "values":[1,2,3,4]
          }
        },{
          "term":{
            "desc":{
              "value": "小"
            }
          }
        }
      ]
    }
  }
}


  • 多字段查询(multi_match)
//字段分词则按分词检索。

GET /student/_search
{
  "query": {
    "multi_match": {
      "query": "小",
      "fields": ["desc","name"]
    }
  }
}


  • 返回指定条数(size)
// 默认10条

GET /student/_doc/_search/
{
  "query":{
    "match_all":{}
  },
  "size":5
}

  • 分页(form)
//返回指定起始返回位置,和size实现分页
GET /student/_doc/_search/
{
  "query":{
    "match_all":{}
  },
  "size":5,
  "from":0
}

  • 指定字段排序(sort)
// 参数说明 desc 降序  asc 升序

GET /student/_search
{
  "query":{
      "match_all":{}
  },
  "sort":[
    {
        "age":{
        "order":"asc"
        }
    }
  ]
}

  • 只查询指定字段(source)

GET /student/_doc/_search/
{
  "query":{
    "match_all":{}
  },
  "_source":["id","desc"]
}


springBoot 集成ES

待续

elasticsearch 7.9.3知识归纳整理(二)之 es基本原理及使用kibana操作es的常见命令 es基本原理及使用kibana操作es的常见命令 阅读详情

相关推荐

利用Kibana来查看和管理Elasticsearch的索引

利用Kibana来查看和管理Elasticsearch的索引

RisenWang 的博客 2万+

Kibana下使用ES查询

Kibana下使用ES api查询数据

兰星_thk&try的博客 1万+

Kibana中es查询语法与DSL对比通俗解释

通过实际示例讲解Kibana中es查询语法与DSL之间的差异与联系,帮助用户更高效地进行数据检索。掌握es查询语法和DSL结构,能显著提升搜索效率与准确性。

weixin_35826166的博客 1002

使用kibana查询es

使用kibana查询ES

9076

Elasticsearch基本用法操作指南:使用Kibana进行查询

通过Kibana深入理解elasticsearch基本用法,实操演示数据查询与检索技巧,提升搜索效率。结合常见场景解析核心功能,让elasticsearch基本用法更贴近实际应用。

weixin_42601547的博客 1212

elasticsearch可视化工具Kibana查询语法DSL深度剖析

深入解析Kibana如何通过DSL实现高效数据查询,结合elasticsearch可视化工具的强大功能,提升日志分析与数据检索效率,掌握核心语法结构与实战技巧。

weixin_35516273的博客 722

kibana操作es使用DSL查询

记录下kibana操作es,使用DSL进行创建索引,简单查询,版本7.7.1。

dennis的博客 2301

利用Kibana进行es查询语法调试的操作指南

掌握Kibana工具能极大提升es查询语法的调试效率,通过可视化界面快速验证查询条件与结果,有效定位检索问题。熟练运用es查询语法结合Kibana的开发工具,可显著提高开发与运维效率。

weixin_42518874的博客 1006

Elasticsearch安装IK分词器,kibana安装是基本使用,DSL语句入门

3. 安装IK分词器 ElasticSearch 默认采用的分词器, 是单个字分词 ,效果很差 ,所以我们需要安装一个更实用的分词器,这里采用IK分词器 中文分词器 IK Analyzer 3.0 发布 3. 安装 Kibana Kibana是一个针对Elasticsearch的开源分析及可视化平台,使用Kibana可以查询、查看并与存储在ES索引的数据进行交互操作,使用Kibana能执行高级的数据分析,并能以图表、表格和地图的形式查看数据。 Kibana 是 ELK 的一个组成。 E:EalsticSea

Java小皮孩 1万+

ES搜索引擎技术

目前的工作中库很多业务普通关系型数据已经不能满足业务需求,因此很多场景需要用到搜索引擎技术,下面介绍一下ElasticSearch。

bigchen_1的博客 859

kibana 操作elasticsearch索引

kibana 操作es索引

congge_study的博客 9707

ElasticSearch(4) Kibana客户端 DSL查询与过滤

什么是dsl?? 由ES提供丰富且灵活的查询语言叫做DSL查询(Query DSL),它允许你构建更加复杂、强大的查询。DSL(Domain Specific Language特定领域语言)以JSON请求体的形式出现 组成 --> dsl=dsl查询+dsl过滤 dsl过滤简单理解为就是精确查询,而dsl查询是模糊查询(like).由于查询需要做相关度...

郑清 1万+

从Delta Delay到Timing Window:详解数字芯片后端时序差异的那些坑

本文深入剖析了数字芯片后端设计中,模块级与系统级时序分析结果不一致的核心原因。重点解释了Delta Delay如何导致模块级分析的乐观假设,以及Timing Window(时序窗口)差异如何通过影响串扰噪声计算,在顶层集成时引发新的时序违例,尤其是保持时间问题。文章为工程师提供了从约束建模到签核策略的系统性应对方案。

beer8的博客 498

kibana中使用json操作es数据【Query DSL】

Query Content:查询上下文,含query参数,既要确定文档是否匹配,还要计算匹配度多少,即_score字段的相关性得分 Filter Content:过滤上下文,如在bool查询中含filter或must_not参数,只关心文档是否和查询匹配,常用过滤器将由ES自动缓存,以提高性能 1. Trem-level queries:术语级查询   (1) term query:词条查询,根据字段值精确匹配文档,不要查询text字段,因为被分词了,改用match查询即可,与数据库 = 对应   

znice123的博客 3859

FPGA实现PI控制

FPGA实现PI控制

m0_57319166的博客 3893

Python语言在工业控制中的简单应用

在工业控制中,经常需要对采集到的数据进行分析和处理,Python的这些库可以简化这一过程。传统的工业控制系统多依赖于专用的控制硬件和软件,但随着技术的发展,开放性和灵活性成为了新的需求焦点。还有,Python社区活跃,提供了大量的开源代码和模块,这对于工业控制领域来说是一个巨大的资产。Python作为一种高级编程语言,因其简洁的语法、强大的库支持和广泛的社区资源而在工业界获得了快速的发展和广泛的应用。在工业控制领域,Python的应用日益增多,这得益于其跨平台性、脚本语言的灵活性以及与硬件设备交互的能力。

2303_78014702的博客 1720

DSL操作ElasticSearch基础命令

DSL操作索引库、操作映射、操作文档语法以及kibanna客户端报错Elasticsearch built-in security features are not enabled解决。

weixin_50369190的博客 2609

灯塔问题:贪心与动态规划算法解析

区间覆盖问题是算法设计中的经典案例,常用于理解贪心算法与动态规划的核心差异。贪心算法通过局部最优选择逐步构建全局解,具有O(n log n)的高效时间复杂度,特别适合处理一维区间覆盖场景。动态规划则采用自底向上的填表法,虽然通用性更强但复杂度较高。在实际工程中,这类算法广泛应用于无线基站部署、监控设备布置等资源优化场景。通过分析灯塔问题的两种解法,可以深入掌握算法选择的关键因素,如问题规模、性能要求和实现复杂度。

weixin_28720573的博客 259

Day16_04_ES教程之在Kibana客户端进行DSL查询与过滤

在Kibana客户端进行DSL查询与过滤 一. DSL简介 1. 什么是DSL? 由ES提供丰富且灵活的查询语言叫做DSL查询(Query DSL),它允许你构建更加复杂、强大的查询. DSL(Domain Specific Language特定领域语言)以JSON请求体的形式出现. 2. DSL组成: DSL查询+DSL过滤 dsl过滤简单理解为就是精确查询,而dsl查询是模糊查...

一一哥 2931

手把手教你用RSoft BPM仿真一个1x2光分束器:从参数设置到结果分析全记录

本文详细介绍了使用RSoft BPM模块设计和仿真1×2光分束器的完整流程,包括参数设置、结构建模、仿真配置和结果分析。通过实战指南,帮助读者掌握光波导器件的仿真技术,实现50:50功率分配的设计目标,适用于光通信和集成光学领域的研究与应用。

weixin_30545945的博客 545

菱Q系列串行通信模块QJ71C24N:概述与特点

该模块支持多种串行通信协议,包括RS-232、RS-422和RS-485等,并提供了可靠的数据传输和高效的通信性能。菱Q系列串行通信模块QJ71C24N是一款功能强大的模块,具有多种通信协议支持、高速数据传输、多点通信能力和简化配置与使用等特点。简化配置和使用:QJ71C24N模块具有简单易用的配置工具和用户界面,使得用户能够快速进行模块的设置和调整。高速数据传输:QJ71C24N模块提供了高速的数据传输能力,可实现快速的数据交换和通信。本文将介绍QJ71C24N模块的概述和特点,并提供相应的源代码示例。

IunScala的博客 1931

ElasticSearch全文搜索引擎概述、使用Kibana和JAVA的简单操作

狭义的理解主要针对文本数据的搜索。数据可分为“结构化”数据(关系数据库表形式管理的数据),半结构化数据(XML文档、JSON文档),和非结构化数据(WORD、PDF),通常而言在结构化的数据中搜索性能是比较高的,全文搜索的目的就是把非结构化的数据变成有结构化的数据进行搜索,从而提高搜索效率。Lucene是apache下的一个开源的全文检索引擎工具包(一堆jar包)。它为软件开发人员提供一个简单易用的工具包(类库),以方便的在小型目标系统中实现全文检索的功能。

weixin_60359542的博客 1455

【第48例】BLM模型之市场洞察-五看工具篇(一)

BLM市场洞察

产品线负责人 2109

Kibana与DSL语句

在查找elasticsearch时,我们可以使用elasticsearch-head进行数据查找,但是由于其功能单一,并且无法生成复杂的统计报表。因此,今天介绍一个能够实现对日志进行实时分析的工具——Kibana。 Kibana是一款开源的数据分析和可视化平台,我们可以使用Kibana对elasticsearch索引中的数据进行搜索、查看和交互,甚至是利用图表及地图的方式对数据进行多元化地分析和呈现。 1. Kibana的下载安装 同样地,我们使用docker进行下载安装。 # 镜像下载,这里需要下载和el

XYZ 2755

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

elasticsearch kibana查询

总的来说,面试是有套路的,一面基础,二面架构,三面个人。最后,小编这里收集整理了一些资料,其中包括面试题(含答案)、书籍、视频等。希望也能帮助想进大厂的朋友” />总的来说,面试是有套路的,一面基础,二面架构,三面个人。最后,小编这里收集整理了一些资料,其中包括面试题(含答案)、书籍、视频等。希望也能帮助想进大厂的朋友[外链图片转存中…(img-4cLvFj45-1711365062258)][外链图片转存中…(img-yiykZOXE-1711365062258)]点击传送门,即可免费领取!

2301_79055240的博客 1178

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: SpringBoot+Vue 实现的课程管理平台 (源码分享,经典毕设项目)
下一篇: ElasticSearch之 ik分词器详解
一个没有梦想的程序员
博客等级 码龄7年 20粉丝 21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