给一时兴起想要学Python的同学的15条建议

python2021_ python2021_ 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 100+累计阅读 183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6年
关注
原创 最新推荐文章于 2026-06-13 00:30:00 发布 183 阅读 AI 写同款· GEO 优化 ›
（四）美赛画图篇：画图模板+画图工具 美赛画图篇：画图模板+画图工具（一）画图模板（二）画图工具 因为散点图、折线图等多与数据有关，且需相关软件生成，故此处多是通用模板。直接替换文字内容即可。 （一）画图模板 1、Visio圆圈图 适合于：指标体系（E题常用） 点击下载：1 C币 如果不想花费且时间充足，悄咪咪地说，在visio-模板搜索可以找到很多。（稍微会耗一点时间） 2、简单指标体系图PPT 适合于指标体系 点击下载：0 C币... 阅读详情

大家应该都有感受，近几年编程真的很火！网上到处都是9块9零基础成为编程大神，朋友圈Python广告下面乌泱泱的全是评论，连少儿都开始学编程，代码都从娃娃抓起...

给一时兴起想要学Python的同学的15条建议

 

有时候我会好奇，真有这么多人学编程吗？但最近看到我身边一个C盘满了只知道换新电脑的妹子都开始学Python了，我明白，是时候展开这个话题了！

一个小白凭空学编程，往往是勇敢而迷茫的。说来惭愧，我现在日常也跟代码打交道，属于小白中较为年老的那一批。作为一名老白，今天就跟大家分享一些我的经验！小白可以参考一下，大佬可以乐呵一下，没学的就热闹一下。

给一时兴起想要学Python的同学的15条建议

0、明确学习目的

下单9块9之前要先想好，你学编程的目的是什么！

如果你是出于好奇，或者只是想拓展下技能，学个乐，比如做个2048小游戏把两个王冰冰合成一个王冰冰，把excel的数据画成好看的图，做个爬虫爬一下公司附近租房子哪里便宜，那你可以快乐入局
但如果你是想入行当程序员，以后靠编程这门手艺吃饭，那建议你先看看自己的年龄。如果你已经过了25岁，那还是再多想想。

毕竟人家科班出身的程序员从18岁学到25岁硕士都毕业了，而你25岁才开始9块9Python零基础……而据说程序员35岁又是个坎，要想拼得过时间很紧迫啊...

 

给一时兴起想要学Python的同学的15条建议

1、选一门适合你的语言

世界上没有哪门编程语言敢说自己就是最好的。对小白来说，关键是要选一门适合自己的。在这里给大家介绍几种常见的，也欢迎大家在评论区吵架

分享你心目中最好的编程语言

Python：Python好上手，因为它的语法流畅自然，好理解，容易学。而且它用途很广，最重要的是有很！多！库！你想实现的各种功能，都有大神给你写好封装成了现成的包，你只要一行代码当调包侠就行。

 

给一时兴起想要学Python的同学的15条建议

 

而且你再看看发量...

给一时兴起想要学Python的同学的15条建议

 

C++：是在C语言的基础上发展而来，很多学校要求学。它的优点是更底层、更符合计算机的逻辑，运行速度快，学明白你就大成了！缺点就是你可能学不明白。

给一时兴起想要学Python的同学的15条建议

Java：互联网大厂的开发岗很多用Java，可以说是面向资本家编程。如果你想做开发可以学，但如果还不知道开发是啥就慎重考虑……

另外喜欢酷炫新潮的可以试试Julia，想做Web的可以学JavaScript，想装逼就学B语言

但小白还是学Python比较适合

2、用你的电脑就能学

很多人觉得编程是不是对电脑配置要求很高啊？不！小白么，我们不求8核16线程7nm5.0GHzCPU32G内存RTX3090。你电脑能打开，就能学编程。

很多小白还会纠结，编程用Mac好还是用Windows好？别纠结。你看乔布斯能做那么大，就知道Mac编程不会差。你看比尔盖茨那么牛，就知道Windows编程不用愁。拿出你的电脑，就现在，马上，开始学！也欢迎大家在评论区吵架

分享你认为Mac好还是Windows

3、安装Python

现在看起来到了专业领域，不要怕！你的操作非常简单！

点开Python官网，直接下载就行。很easy，妈妈看了都放心！

给一时兴起想要学Python的同学的15条建议

4、安装你喜欢的编辑器/IDE

装好Python后，还需要个能写代码的软件。到这一步你会有很多选择，常用的有IDLE、Visual Studio Code、Pycharm、Spyder……这些都能把你打的字变成系统可运行的代码。

对小白而言，估计体会不出它们的区别……选一个你顺眼的就行！也欢迎大家在评论区吵架分享你认为最好用的编辑器/IDE。

给一时兴起想要学Python的同学的15条建议

5、选择你喜欢的编辑器配色

别小看这一步！每个程序员都会慎重选择一个配色，因为它将伴随你的一生，谁不想把日夜陪伴的对象打扮得漂漂亮亮呢？

以我用的VSCode为例，用“Ctrl+，”搜索“color theme”就能打开配色设置。如果你像我一样谨慎挑选的话，整两个小时是没问题的。白色亮眼，灰色沉寂，黑色毛衣，红色高跟鞋……

给一时兴起想要学Python的同学的15条建议

6、安装好用的扩展

最紧要的就是中文扩展！让菜单栏变成能看懂的中文，那才是我们熟悉的味道。（当然你想锻炼下看英文也是极好的。）

我自己还有几个喜欢的插件：

Beautify，可以让你的代码排版美观、格式整齐，好看！

Better Comments，可以让你的注释变颜色，好看！

vscode-icons，可以让文件图标变得不一样，好看！

Bracket Pair Colorizer，让你的括号是彩色的，好看！

给一时兴起想要学Python的同学的15条建议

不过也有大佬只是朴素的界面，正所谓重剑无锋，差生文具多（bushi）。

7、选个好老师

折腾好了环境插件编译器，现在你终于可以找点课上了。大家不要一听上课就晕呐，人孙悟空学手艺也得先拜个菩提老祖。这里给大家推荐几位Python网课老师：

嵩天：学院派慕课，深入浅出、体系清晰，好好跟着学肯定能学会的那种，让你重温义务教育的安心感

小甲鱼：民间Python手艺人，风格活泼亲民，该讲的都会讲到，也会强调新手常见的错误，开得一手好车

廖雪峰：视频课程广为流传，非常经典，结合廖老师官网一同服用效果更佳哦

给一时兴起想要学Python的同学的15条建议

我自己是在MOOC上学的嵩天老师的课，还自带习题，而且完全免费！B站上免费Python视频课多了去了，带你入个门肯定没有问题。欢迎大家在评论区吵架

分享你认为最好的网课

8、注意细节

刚上手的小白很容易犯一些细节问题，殊不知每个你忽视的细节，都早已在暗中标好了error。这里总结三个Python新手常见的问题：

  • 序列从0开始编号，第一个其实是第0个。程序员一定要分得出是0还是1
  • 注意缩进。Python对缩进敏感，要么用Tab键要么4个空格，切记不要混用！欢迎大家在评论区吵架分享你认为Tab好还是4个空格好
  • 引号、冒号等标点用半角。推荐小白用全半角区别明显的字体，比如Consolas

给一时兴起想要学Python的同学的15条建议

9、还是不会的就查

学习初期难免遇到很多问题。书上的代码白纸黑字，一抄过来却满屏飘红。一串异常码新手又根本看不懂，非常头大。

给一时兴起想要学Python的同学的15条建议

但是，计算机科学是一门有传承的科学！你新手入门遇到的问题，前人基本都遇到过。这时只要把你的问题打到Google、Stackoverflow，你会发现早就有人提过这个问题，并且早就有大神将其解决了。

给一时兴起想要学Python的同学的15条建议

如果你幸运地遇到了前人未曾遇过的问题，那说明你已经走在学科前沿了，发paper的时候记得给我署个致谢...

10、要不耻上问

想要解决Python学习中的问题，除了上网搜索，你还可以求助大佬，大佬能让你少走很多弯路。比如上周我的Python死活连不上服务器，断点调试、改config配置全都没用，只能求助实验室大佬。

大佬一眼就看出了问题的症结所在：学校昨晚停电了，服务器关机了，当然连不上。这就是有个大佬朋友的重要性啊！

给一时兴起想要学Python的同学的15条建议

11、注意规范性

良好的编程习惯要从头抓起。规范的码子大方优美，人人看了都说清爽，关键是方便大佬给你改bug！

新手尤其要注意变量命名。比如一个温度的转换，可以用驼峰命名法将温度变量定为TempConvert；也可以加下划线变成temp_convert。但你整个拼音首字母WD，转头就忘了是温度还是完蛋

给一时兴起想要学Python的同学的15条建议

12、心态要稳定

不要畏难。很多人看到英文页面就头大，但其实Python一共就33个保留字，无非是and/if/in啥的，所有程序都利用这33个词构建，比初中单词表还简单！英语不好也能学！

给一时兴起想要学Python的同学的15条建议

上面单词你要是没信心掌握的话，还是把这9块9省下来吧。

13、多尝试整活

不管学习哪种编程语言，完成具体任务都是进步最快的方法。不要只是看书看视频，而要保持动手写码的状态，尝试用已有知识解决问题，你才能更快地熟悉这门语言。

比如帮室友扒一次图，你的爬虫就精通了；帮老板做个项目，你的数据处理就精通了；给对象写一个大头贴2048，你的游戏就精通了。没有对象的就别做游戏了...

给一时兴起想要学Python的同学的15条建议

14、要有信念

编程就是一门手艺，和游泳做饭一样自然，都讲究个熟能生巧。虽然我不会游泳也不会做饭，但我坚信编程就是这个道理

学Python是这样，学什么东西都是如此。要么一辈子都是小白，要么去迈出第一步，慢慢尝试，万一就有了坚持下去的动力也说不定！

而且小编还会给大家分享一些python大礼包【加君羊：605018913】帮助大家一起学习哦！

最后祝大家天天进步！！

 

标签
#python #开发语言 #后端
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
AD22等长布线规则 本文介绍了PCB布线中实现信号线等长的详细操作步骤：1.创建网络类(NetClass)，将需要等长的信号线归入同一组；2.设置高速布线规则(High-SpeedRule)，定义等长容差等参数；3.进行交互式等长布线(InteractiveLengthTuning)，使用蛇形线调整线长；4.实时调整与最终检查，确保所有网络满足等长要求。文中还提供了实用技巧，如使用快捷键调整蛇形线参数、为关键信号设置更严格规则等。操作需在PCB设计软件中完成，通过统一管理、规则设置和精确调整来实现信号同步传输。 阅读详情

相关推荐

飞塔防火墙CVE-2022-40684漏洞复现：手把手教你搭建靶场环境（附调试技巧）

本文详细指导如何搭建Fortinet飞塔防火墙CVE-2022-40684认证绕过漏洞的靶场环境，涵盖虚拟机部署、网络配置、调试模式开启及漏洞原理分析。通过手把手教程，读者可掌握漏洞复现与深度调试技巧，深入理解该认证绕过漏洞的利用与防御。

h6i7j8的博客 695

python超实用插件REST Client、autoDocstring、Better Comments

可以看到header 是 zgpeace， body设置 value1，点击右上角还可以保存response数据。可以生成的语言列表Go, Java, Python, C, Swift…这里选择Python。点击代码头上的 Send Request 就可以发送网页请求，右侧就是response。Better Comments扩展将帮助您在代码中创建更加人性化的注释。选择需要生成的代码，右键 Generate Code Snippet。光标必须位于定义正下方的行上，以生成完全自动填充的文档字符串。

AI架构师易筋 1810

FineReport SQL查询分页

打开模板>模板web属性>分页预览设置，选择为该模板单独设置，将默认的工具栏按钮全部清除掉，然后依次添加两个自定义按钮，一个邮件按钮，两个自定义按钮，一个Word格式，一个PDF按钮。如下所示：注：使用具体格式按钮，如邮件、Word格式、PDF按钮是为了JS直接使用控件名称获取空间方便修改其内容；

lep的博客 2430

PyCharm 注释 (Comments) 样式设置

PyCharm 注释 (Comments) 样式设置

程永强 1868

ComfyUI节点流实战：用Wan2.1制作电商短视频全流程（附人物/商品模板）

本文提供了一份详尽的ComfyUI实战教程，指导用户如何利用通义万相Wan2.1图生视频模型，高效制作适用于抖音等平台的电商短视频。内容涵盖从环境部署、核心工作流搭建，到针对服装、3C数码等品类的高级提示词模板与参数调优，旨在帮助电商从业者快速生成高质量、高保真商品展示视频，显著提升内容生产效率。

potato的博客 1284

F280049C_HRPWM_死区时间高精度控制与MEP技术实战解析

本文深入解析了F280049C的HRPWM模块及其基于MEP技术的死区时间高精度控制。通过实测数据与TI官方代码对比，详细阐述了DBREDHR和DBFEDHR寄存器的配置技巧、精度优化方法及常见问题调试，为电源管理和电机控制应用提供了实用的实战指南。

yolo5detector的博客 217

程序猿开发软件插件推荐

程序猿开发软件插件推荐 编程软件 JetBrains全家桶 JetBarins的全家桶操作都很类似，所以习惯其中一个之后熟悉起来so easy，妈妈再也不用单心的学习了！ 之后是我比较常用的：PyCharm,IntelliJ IDEA,PhpStrom,WebStorm,Rider,Clion,GoLand. 我特别谢欢其中的代码重构的快捷键，还有就是自定义好的很多的常用前缀缩写，写代码不用太顺畅！ 还有超多的操作被压缩在Alt+Enter里面，免去记忆特别多快捷键的烦恼，同时她的Alt+Enter里面的目

苏州程序大白的博客 1378

当windows安装git时出现以下错误提示

Windows安装Git时出现多个系统配置设置失败错误（exit code 4294967295），提示包括无法设置textconv、LFS过滤器和SSL等配置项。关键问题在于scalar.exe版本不兼容，系统提示"该版本的scalar.exe与你运行的Windows版本不兼容"。解决方案是检查程序版本是否正确，下载与Windows系统兼容的正确版本重新安装即可。

沧澜的博客 1876

必备 PyCharm 插件

常用的一些有趣的插件

好想回到没有网络的年代 602

SAP-ABAP：字符与数值类型转换详细指南

SAP-ABAP：字符与数值类型转换详细指南

baidu_35680696的博客 1484

YOLO26涨点改进 | 检测头Head创新改进篇 | 利用DynamicConv高效动态卷积改进YOLO26检测头，DyHead通过增强检测头操作，轻量化改进、提高模型目标检测的精度

YOLO26作为新一代轻量化目标检测模型的代表，凭借精简的Backbone架构、高效的特征融合 Neck 设计，在实时检测场景（如嵌入式设备、边缘计算）中展现出优异的性能，成为工业落地与科研入门的优选模型。但在实际应用中，YOLO26原生检测头仍存在核心瓶颈：采用固定参数卷积核，无法根据输入特征的目标尺度、纹理差异动态调整卷积权重，导致多尺度目标适配不足、复杂背景下特征利用率低，且传统改进方案往往难以平衡“精度提升”与“轻量化”，要么精度提升有限，要么大幅增加参数量、拖累推理速度。

qq_36130719的博客 375

要不要入门学习Python培训课程，只需了解这几点！

python作为编程语言，在现在人工智能越来越普及的时候，普通人会想是否要开始学习这门编程语言呢？作为普通人的话，有没有必要学习python培训课程呢？相信你看完小筑这篇你会有所收获。 什么是python呢？ Python是一门计算机编程语言，由歪果仁开发的作为替代ABC语言的。它的优点是提供高效的数据结构和简单且有效地面向对象编程。正是由于它的以上优点，逐渐广泛的用于写脚本和快速开发运用。随着自身得不断更新迭代，目前也可以应用于独立的、一些大型项目的开发。 适合人群 主要为两大类：兴趣和职业需

qq_38453958的博客 270

如何使用 SAP ABAP Development Tool 连接 SAP BTP 上的免费 ABAP 编程环境

在云端环境编写 ABAP 代码会遇到一些限制，比如你无法在云端 ABAP 编程环境进行发生在传统 SAPGUI 里的 Dynpro 和 Screen 编程。部分在 SAPGUI 里使用的 List 处理相关的关键字比如 WRITE，还有 CALL TRANSACTION 等代码，也无法在云端使用。 当然如果大家觉得上面提到的这些限制不会影响自己的 ABAP 学习，就可以继续本文的阅读，使用 ABAP Development Tool 登录云端的 ABAP 编程环境。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 1521

给一时兴起想要学Python的同学的15条建议（附学习资料）

拿出你的电脑，就现在，马上，开始学！如果你是出于好奇，或者只是想拓展下技能，学个乐，比如做个2048小游戏把两个王冰冰合成一个王冰冰，把excel的数据画成好看的图，做个爬虫爬一下公司附近租房子哪里便宜，那你可以快乐入局！很多人看到英文页面就头大，但其实Python一共就33个保留字，无非是and/if/in啥的，所有程序都利用这33个词构建，比初中单词表还简单。Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

Trb401012的博客 1149

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")

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
上一篇： 8 个 Python 实用脚本，赶紧收藏备用
下一篇： 我用Python修改了前男友的开机密码，重新登录后居然发现了一个惊人的秘密.........
点赞 0
评论 0
书签 书签 1
python2021_
python2021_
博客等级 码龄6年 1730粉丝 157原创
+ 关注
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