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
91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
JavaScript中的钝感力对程序员的重要性
在编程世界中，程序员经常需要处理各种各样的问题和挑战。为了成功地解决这些问题，程序员需要具备许多技能和特质，其中之一就是钝感力。钝感力是指在面对困难和挫折时保持冷静、坚韧和适应能力的能力。在JavaScript编程中，钝感力对于程序员来说至关重要。在本文中，我们将探讨JavaScript中钝感力的重要性，并提供一些相关的源代码示例。
在编写JavaScript代码时，难免会遇到各种错误和异常情况。钝感力使得程序员能够正确地处理这些错误，而不会因为出现问题而感到沮丧或放弃。一个钝感的程序员会善于使用try-catch语句块来捕获和处理异常，从而保证程序的稳定性。
try {
// 可能会抛出异常的代码
} catch (error) {
//前端开发必备：HTML、CSS、JavaScript 基础与 Vue.js、React.js、Angular.js 等热门框架，还有 Uniapp 小程序实战攻略
本文是一份全面的前端开发指南。涵盖了前端开发的重要性、知识体系架构，包括 HTML、CSS、JavaScript 基础，Vue.js、React.js、Angular.js 等热门框架，以及 jQuery、Bootstrap 等工具。还介绍了 Uniapp 小程序开发。通过详细的示例代码和学习建议，帮助读者快速掌握前端开发核心技能，在前端领域中脱颖而出。无论是初学者还是有经验的开发者，都能从中获得宝贵的知识和实用的指导。
JavaScript可视化：探索顶尖的图表库
在这里，你可能会问，为什么数据可视化如此重要？想象一下，你面对的是一堆枯燥的数据，无从下手。但如果我们通过图表来展示这些数据，情况会如何呢？各种形状、颜色和动画，像是为数据穿上了美丽的衣裳，让它们活了过来。数据可视化不仅帮助人们更好地理解复杂信息，还能有效传达故事。正如百度开发者中心所述，数据可视化已成为分析、理解和传达复杂信息的关键工具来源。D3.js，是短小精悍的图表库中的一颗明珠。它不同于一般的图表库，因为它允许你将数据与DOM（文档对象模型）绑定，这样你就能自定义各种图表。
以服务为中心的算力网络度量与建模研究
针对算力网络中的度量与建模问题,从算力网络度量体系的狭义和广义定义出发,阐述了当前算力网络度量与建模的研究进展,包括算力网络资源度量和算力网络需求度量两大部分。站在算力网络服务的角度,提出了以服务为中心的算力网络度量与建模方案的思考,并对该方案当前仍存在的问题和所面临的技术挑战进行了归纳和讨论。算力网络一体通过算力度量、算力标识、算力感知、算力路由和在网计算等技术实现算力和网络在协议和形态上的深度融合和一体共生。以服务为中心的算力网络度量与建模方案的一个重要中间环节是算力网络资源与算力网络需求的匹配映射。
Java与Javascript比较（js入门）
input type="button" value="确定" onclick="javascript:alert('你点了我')">")document.write("hello world");document.write("哈哈,还是不够");//a是字符串型string。//b是字符串型string。//i是数值型number。document.write("点了确定");document.write("点了取消");
1024程序员节：理解编码背后的艺术
"1024"在中国互联网文化中有两个主要的含义：1024是2的10次方，这在计算机科学中是一个重要的数字，因为计算机的基础是二进制。因此，程序员们常常把1024作为一个特殊的日子来庆祝，也就是10月24日，被称为程序员节。1024也是中国的国家公祭日，即"中国人民抗日战争胜利纪念日"。这个日子是为了纪念中国人民在第二次世界大战中的伟大胜利以及为了世界和平付出的巨大牺牲。在这里，我猜你可能是在提到第一个含义，也就是程序员节。如果你是一名程序员，祝你节日快乐！
JavaScript编程在大数据中的重要性及应用
JavaScript编程在大数据领域中具有重要的地位和广泛的应用。它可以帮助我们实现数据可视化、数据交互与动态更新以及数据处理与分析等功能。通过灵活运用JavaScript编程，我们可以更好地掌握和利用大数据带来的机遇，为各行各业的发展提供有力支持。大数据时代的到来给各行各业带来了巨大的机遇和挑战。在处理海量数据时，JavaScript编程语言的重要性越来越突出。本文将探讨JavaScript在大数据领域的应用，并提供相应的源代码示例。// 监听按钮点击事件。// 获取DOM元素。
JavaScript学习的重要性及其编程应用
总结起来，JavaScript是一种功能强大的编程语言，它在网页开发中发挥着重要作用。虽然学习编程可能需要一些时间和精力，但通过不断练习和实践，你将能够掌握JavaScript并将其应用于各种项目中。祝你编程学习的愉快！JavaScript是一种广泛应用于网页开发的脚本语言，它为网页增加了动态交互性和丰富的功能。本文将探讨JavaScript学习的重要性，并提供一些简单的示例代码来帮助初学者入门。通过学习JavaScript，你可以了解并掌握这些前端框架和库，从而在开发过程中更加灵活和高效。
JavaScript在Web自动化测试中的重要性与应用
它使开发人员能够模拟用户交互、验证页面元素的状态和行为，并利用各种测试框架和库简化测试用例的编写和管理。通过合理利用JavaScript的强大功能，开发人员可以提高Web应用程序的质量和稳定性，减少人工测试的工作量。JavaScript还可以用于验证页面元素的状态和行为是否符合预期。通过JavaScript，开发人员可以编写自动化测试脚本，模拟用户与网页进行交互，检查页面元素的状态和行为，以及验证预期的功能和性能。JavaScript还有许多流行的测试框架和库，可以简化Web自动化测试的编写和管理。
关闭JavaScript编程：深入了解JavaScript的重要性和使用示例
本文介绍了关闭JavaScript编程的重要性，并提供了一些使用示例来展示在不依赖JavaScript的情况下实现相似功能的方法。在本文中，我们将深入探讨关闭JavaScript编程的重要性，并提供一些使用示例来说明如何在不依赖JavaScript的情况下实现相似的功能。例如，可以使用服务器端编程语言来处理表单数据，使用CSS动画代替JavaScript动画效果，或者使用HTML5的一些新特性来提供更好的用户体验。因此，在决定关闭JavaScript之前，应该仔细考虑其对网页功能和性能的影响，并权衡利弊。
JavaScript框架从入门到精通
静态网页和动态网页 动态网页 我们有了html超文本标记语言实现了网站页面展现，展现文字、表格、图片、超链接等，有了css样式表实现了页面的美化，这些技术实现了静态网页。 日常展现是已经足够了，但是如果我们要做个注册功能呢？如论坛，我们注册个论坛来发文章，聊天。这就带来一个问题，信息如何根据不同的使用者，展现不同的内容呢？再如我注册登录和你注册登录，我们在网站上显示的登录名称就不同。这html+css就无能为力了，它们无法实现，那谁能办到呢？这时javascript就派上用场了。它能实现浏览器用户和后台服务
打印分页示例 js】—— 实现JavaScript中的分页功能
通过合理的代码结构和灵活的设计思路，我们可以实现高效的分页功能，提升用户体验并减少页面加载时间。在实际开发中，可以根据具体需求进行进一步的优化和扩展，例如添加搜索功能、自定义样式等。在Web开发中，分页功能是非常常见且重要的需求。通过合理的代码结构和灵活的设计思路，我们能够优化用户体验，提高页面加载速度，并且使数据展示更加友好和易用。在大数据量的情况下，将所有数据一次性加载到页面中，会导致页面加载缓慢甚至崩溃。而分页功能则能够将数据分割成多个页面，每次只加载当前页面的数据，从而减少页面加载时间和资源消耗。
JavaScript模块化的深入分析及Node.js中的应用
在Node.js中，模块化采用了CommonJS规范，它定义了一套模块化的API和一种简单的模块导入/导出语法。模块化的核心目标是将代码分离成独立的、高内聚低耦合的部分，从而提高代码的可读性、可维护性和可扩展性。在JavaScript开发中，模块化是一种重要的编程范式，旨在将复杂的代码拆分为独立的模块，以提高代码的可维护性、重用性和可测试性。JavaScript模块化是一种重要的编程范式，可以将复杂的代码拆分为独立的模块，提高代码的可维护性、重用性和可测试性。在上面的代码中，我们使用。
JavaScript中的microtask与task
JS的任务执行机制 由于 JavaScript 是单线程的，所以它只有一个Call Stack，使得 JavaScript 在执行时有一个非常重要的特性：run to complete,只要运行就直到完成。 由于是单线程，所以只能通过异步解决性能问题(否则，如果前面一个任务阻塞了，那么后续的任务都要等待，这种效果是无法接受的)。 js在执行代码时存在着两个比较重要的东西：执行栈和任务队列，这两个东...
Vue.js的依赖包：重要性与使用
这些依赖包扩展了Vue.js的功能，使得开发者能够更高效地构建复杂的Web应用程序。根据具体的应用需求，还可以使用其他的Vue.js依赖包来实现不同的功能，如Vuetify用于构建美观的UI界面、Vue-i18n用于国际化等。Vue.js是一种流行的JavaScript框架，被广泛用于构建现代化的Web应用程序。这些依赖包为Vue.js提供了额外的功能和特性，使开发者能够更轻松地构建复杂的应用程序。依赖包的重要性在于它们扩展了Vue.js的基本功能，提供了更多的选项和工具，以满足不同应用程序的需求。
JavaScript高级模块化——Require.js
而Require.js作为一种JavaScript模块加载器，为我们提供了一种简洁、灵活的模块化解决方案，帮助我们构建可维护的大型应用程序。它提供了简洁的API和灵活的配置，使得我们能够高效地管理模块之间的依赖关系，提高代码的可维护性和可扩展性。它提供了一个简洁的API，让我们能够轻松地定义模块和模块之间的依赖关系。让我们来看一个简单的例子，以更好地理解Require.js的用法。除了上述基本的用法和配置之外，Require.js还提供了许多其他功能，如插件机制、按需加载和异步模块定义（AMD）规范等。
前端开发必备！Babel在领域中的重要性
本文旨在全面介绍Babel在前端开发中的重要性，包括其核心概念、工作原理、配置方法和实际应用场景。我们将覆盖从基础概念到高级用法的内容，帮助读者深入理解并有效使用Babel。文章将从JavaScript语言发展背景开始，引出Babel的必要性，然后详细解释Babel的核心概念和工作原理。接着我们会通过实际配置示例展示Babel的使用方法，最后讨论Babel在现代前端开发中的实际应用和最佳实践。Babel: 一个JavaScript转译器，主要用于将ES6+代码转换为向后兼容的JavaScript版本。
js基本语法第三讲：JavaScript注释与初识
- js和html一样，也有注释，注释中的内容不会被执行，但是可以在源代码中查看。js注释分为单行注释和多行注释： - 单行注释：`// 注释内容`，单行注释仅作用于一行，下一行就属于js代码，而非注释了 - 多行注释： - `/* 注释内容 */`。多行注释作用于多行，只要内容在`/*`与`*/`之间就属于注释内容，无论里面的内容有多少行。 - 多行注释为了美观，通常在每一行都会加上`*`号
STM32H7 Flash擦除后数据读取异常的缓存问题解析
本文深入分析了STM32H7系列芯片在Flash擦除后数据读取异常的缓存问题，揭示了由于数据缓存(D-Cache)和指令缓存(I-Cache)导致的数据一致性问题。通过详细的解决方案，包括手动维护缓存一致性和操作期间禁用缓存，帮助开发者有效解决这一常见但棘手的嵌入式开发难题。
【重磅更新】CT/MRI LI-RADS 2024：肝细胞癌局部区域治疗后反应评估的核心突破与临床实践指南
减少过度治疗：辐射 LRT 的 Nonprogressing 类别避免了 “持续强化 = 存活” 的误判，降低不必要的再治疗风险；提高检出效率：非辐射 LRT 的辅助特征升级减少了 Equivocal 比例，更早识别存活肿瘤；统一评估语言：标准化的分类标准为放射科、肝病科、肿瘤科、肝移植科的多学科协作（MDT）提供了统一 “沟通工具”，助力治疗方案的精准制定。
英飞凌功率MOSFET SPICE 瞬态仿真不收敛问题解决（基于TINA）
英飞凌功率MOSFET SPICE仿真容易出现不收敛问题，这个对于IGBT和SIC的管子应该是一样的，在瞬态仿真分析中，出现如下图所示的报错，Convergence problem。spice是为线性电路设计的，例如运算放大器、线性电源等，不是专门仿真开关电路的。在瞬态仿真时，仿真器是要不断迭代求解的，开关快速的跳变，容易在迭代式出现不收敛的问题。，由于时间步长减少，会消耗更多的计算机内存，如果运行多次内存消耗过大，会报“Out of memory”.解决方法是：报错工程，重启软件，内存重新计算。
在cadence中进行sdf文件的反标及并进行数模混仿
3.在Main-Include Option Settings-Libraries Files/Directories下面加载上面说到的两个.v文件（综合文件和工艺库器件文件），其他默认点击OK；最近在做一个数模混合电路的流片工作，数字部分综合后会生成一个.sdf（标准延时格式）文件，正常来说应该是要在vcs软件上进行电路延时的反标，但由于我的电路需要信号在数字模块和模拟模块中来回循环多次，因此，打算在cadence中完成sdf文件反标，进行数模混合仿真。1.综合生成的电路网表的.v文件；
【腾讯小龙虾WorkBuddy专栏02】保姆级安装教程！彻底分清WorkBuddy/CodeBuddy，最新积分活动&会员体系全攻略
【腾讯小龙虾WorkBuddy专栏02】保姆级安装教程！彻底分清WorkBuddy/CodeBuddy，最新积分活动&会员体系全攻略
1000Base-T1协议解读（基于802.3bq-2016 和Test Suite）
1000Base-T1是由一对双绞线实现全双工传输的以太网标准，采用PAM3编码方式（-1,0,1），编码后的实际传输符号速率为750Mbps。该标准的车载最大传输距离可达15米，主要应用于汽车产品开发过程。测试过程示波器要求带宽≥2G，采样率≥7.5Gbps，网分带宽≥1G。
74、光谱成像在电子内窥镜及色彩理论中的应用
本文探讨了光谱成像在电子内窥镜中的应用及其与色彩理论的深度融合。通过分析FICE技术、色彩再现模型及胃黏膜光谱测量，展示了光谱信息在提升医学诊断准确性方面的潜力。同时，系统阐述了颜色的物理属性、标准表示方法、同色异谱现象、颜色测量技术（密度法与比色法）以及CIELAB等均匀颜色空间的构建原理。结合流程图与对比表格，梳理了从光信号获取到颜色处理的完整路径，并展望了人工智能与新型视觉模型在未来医疗成像与色彩科学中的发展方向。
【python科研数据处理】将Endnote自动搜索的所有pdf文件，全都移动指定文件夹中
将Endnote自动搜索到的全部pdf文件，全都移动指定文件夹中1 背景2 问题解决 手动反爬虫，禁止转载：原博地址 https://blog.youkuaiyun.com/lys_828/article/details/122370892（优快云博主：Be_melting） 知识梳理不易，请尊重劳动成果，文章仅发布在优快云网站上，在其他网站看到该博文均属于未经作者授权的恶意爬取信息 1 背景 在进行期末考试周后，面对最后一门功课，需要提交至少80篇SCI参考文献，因此最快下载文献的方式就是通过Web of S
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1617
扫一扫
