使用 NAPI-RS 构建 Rust 前端工具链

Rust 是一种系统级编程语言,具有内存安全性和高性能的特点。它在后端开发中得到广泛应用,但在前端开发领域中,JavaScript 仍然是主流。然而,借助 NAPI-RS,我们可以结合 Rust 和 JavaScript,构建强大的前端工具链。本文将介绍如何使用 NAPI-RS 创建一个 Rust 前端工具链,并提供相应的源代码示例。

NAPI-RS 是一个用于构建 Node.js 扩展的 Rust 库。它提供了一组 Rust 宏和函数,用于与 JavaScript 运行时交互。通过 NAPI-RS,我们可以编写 Rust 模块,将其编译为 Node.js 扩展,并在 JavaScript 中使用。

以下是构建 Rust 前端工具链的步骤:

  1. 安装 Rust 和 Node.js
    首先,确保你已经安装了 Rust 和 Node.js。你可以访问官方网站(https://www.rust-lang.org 和 https://nodejs.org)获取安装说明。

  2. 创建 Rust 项目
    在命令行中,使用 cargo new 命令创建一个新的 Rust 项目。例如,执行以下命令创建一个名为 “my_toolchain” 的项目:

    cargo new my_toolchain
    ```
    
    这将在当前目录下创建一个名为 "my_toolchain" 的新目录,并初始化 Rust 项目。
    
    
  3. 添加 NAPI-RS 依赖
    打开 “my_toolchain” 目录中的 Cargo.toml 文件,并添加以下内容:

    <
NAPI-RS跨语言项目双轨测试策略:Rust与JavaScript协同质量保障 在软件开发中,单元测试是验证代码逻辑正确性的基础手段,其核心原理在于通过隔离的、可重复的验证来确保模块行为符合预期。对于涉及多种编程语言交互的项目,单一语言的测试策略往往难以覆盖跨语言接口的完整行为,这就需要引入协同测试架构来保障整体质量。NAPI-RS作为连接Rust与Node.js的桥梁框架,其技术价值在于高效安全地实现系统级性能与动态脚本灵活性的结合。在Node.js原生模块开发、跨语言绑定、以及需要高性能计算的后端服务等应用场景中,确保Rust逻辑与JavaScript接口的协同正确性至关重要。本文 阅读详情

相关推荐

Tauri v2的Rust应用 → HarmonyOS(鸿蒙 PC)移植30分钟速成指南

这篇教程提供了将Tauri应用移植到OpenHarmony平台的详细指南,主要特点如下: 提供一键脚本方案(30分钟完成)和手动步骤两种移植方式 使用修复后的tauri OHOS分支(已解决cargo-mobile2版本问题和Windows HAP装配报错) 详细环境配置说明(Rust工具链、DevEco Studio、ohpm等) 关键代码改造要点: Cargo.toml依赖调整 平台差异处理(对话框/资源管理器) 入口文件配置 包含完整的编译打包流程和真机部署方法 提供社区交流平台和开发者资源链接 教程

猫哥 的沉淀、积累、总结。天天学习,好好向上...c/c++,嵌入式 linux,Android,HarmonyOS,AIOT) 416

Agentic OS:Rust+Node.js构建的多智能体协作运行时框架

多智能体系统(Multi-Agent System)正从概念验证走向工程落地,其核心挑战在于任务编排、进程管理、跨Agent通信与容错机制。传统LLM Agent开发常陷入单点能力强、系统协同弱的困境——缺乏类似操作系统内核的统一运行时支撑。Agentic OS应运而生,它并非替代OS的操作系统,而是基于Rust实现高可靠Runtime内核,配合Node.js构建灵活业务层,通过JSON-RPC协议实现轻量级IPC,支持热更新、资源隔离与状态快照。该架构显著降低LangChain/AutoGen等框架的工程

aoe41606的博客 394

LiteParse v2.0:Rust重构的亚秒级文档解析内核

文档解析是AI应用(尤其是RAG系统)数据预处理的关键环节,其性能直接影响首屏响应、边缘部署可行性与端到端延迟。传统基于Python或JavaScript的解析方案受限于运行时开销、内存管理机制与并发模型,在处理PDF、DOCX等复杂格式时易成瓶颈。Rust凭借零成本抽象、内存安全与细粒度硬件控制能力,成为重构解析器的理想语言——它不改变解析逻辑,而是从字节流、零拷贝、SIMD加速与分层并行等底层维度实现性能跃迁。LiteParse v2.0正是这一范式的典型实践,已支持CLI、Python/Node绑定及

weixin_30566111的博客 347

Rust + Tauri调用鸿蒙系统原生API,打通桥接实战经验总结

真不容易啊,网上这方面资料很少,探索尝试了很久终于打通了调用鸿蒙原生API的方法。这有什么用?使用Tauri做跨端APP是个不错的技术方案,可以一次可以跨N端。但是呢肯定避免不了依赖和使用系统的原生API来扩展能力。当前Tauri在android和ios端,官方都有插件支持。但鸿蒙还不支持,有待探索。正在(或即将)把 Tauri 应用往鸿蒙(HarmonyOS)上搬、想调用系统原生能力(相册、分享、通知、剪贴板……)的开发者。本文是一篇实战记录,不是官方文档复述。

猫哥 的沉淀、积累、总结。天天学习,好好向上...c/c++,嵌入式 linux,Android,HarmonyOS,AIOT) 230

为什么 Vite 选择 Rolldown?一次关于性能、生态与未来的深度权衡

Rolldown 是一款基于 Rust 语言编写的 JavaScript/TypeScript 打包工具,由 Vue 团队主导开发。它被设计为 Rollup 的替代品,提供与 Rollup 兼容的应用程序接口和插件接口,但在功能范围上更类似于 esbuild。Rolldown 的核心定位是成为 Vite 未来的默认打包器,旨在解决现代前端构建中的性能与生态兼容问题。它并非 Rollup 的简单衍生版本,而是一个从零开始构建的全新高性能替代品。

2501_92798394的博客 1347

本地文档检索工具全解析:从多格式解析到全文索引的架构实践

在本地知识管理场景中,PDF、EPUB、Markdown等格式的文档散落各处,信息检索与批注往往割裂低效。全文检索技术通过倒排索引实现文档内容的秒级定位,是构建本地知识库的核心能力。Rust凭借高性能与安全内存管理,被广泛用于文档解析与索引计算;Electron则提供跨平台桌面界面能力,两者结合可打造数据自主的本地工具链。本文以rea项目为例,深入拆解Rust与Electron协同的架构设计,涵盖多格式解析、全文索引、统一批注与数据持久化,并分享原生模块兼容、中文分词、大文件内存围栏等工程踩坑经验,为文档处

weixin_28836875的博客 161

pnpm 12 Rust 重写实测:monorepo 安装提速25%与升级避坑指南

在大型前端工程中,包管理器承担着依赖解析、锁文件维护与产物校验等关键职责,其性能直接影响开发和 CI 效率。pnpm 12 引入了 Rust 重写的核心计算模块,针对 lockfile 解析、tarball 校验解压和文件哈希对比等 CPU 密集路径进行了原生优化,从底层改变了 Node 生态下包管理器的性能瓶颈。本文基于一个包含 34 个 workspace 包、近两万行 lockfile 的真实 monorepo 项目,对比了 pnpm 11 与 pnpm 12 在冷缓存、热缓存以及完整 CI 流水线中

weixin_28839699的博客 317

cc-switch 鸿蒙 PC移植:使用Tauri官方 feat/open-harmony 分支最新版本移植实录

2026年8月18日,开发者基于Tauri官方仓库的feat/open-harmony分支(版本2.11.5)成功将cc-switch应用移植至HarmonyOS PC平台。相比之前使用社区fork版本(锁定在tauri 2.8.5)的方案,本次移植全面升级了所有依赖至最新版本,解决了旧版本依赖锁定的问题。项目采用Rust+React技术栈,通过napi-ohos桥接和官方维护的OpenHarmony支持分支实现原生兼容,最终生成34.8MB的签名HAP包,在华为MateBook Pro上运行稳定。该移植充

猫哥 的沉淀、积累、总结。天天学习,好好向上...c/c++,嵌入式 linux,Android,HarmonyOS,AIOT) 614

桌面端Web框架选型实战:CEF、Electron与Tauri能力边界解析

桌面端Web技术本质是将浏览器引擎与原生系统能力深度集成的工程实践。其核心原理在于渲染进程与系统API的通信机制——CEF提供C++底层控制权,Electron封装Node.js桥接层,Tauri则以Rust构建安全IPC通道。技术价值体现在硬件直连、视频硬解、本地打印等关键能力的实现效率与稳定性上。典型应用场景包括工业HMI、医疗影像终端、政务自助设备等对串口通信、ARM64 H.264硬解、Lodop打印控件有强依赖的离线系统。本文基于真实产线约束,聚焦cef arm64 h.264和electron

weixin_34038293的博客 389

CEF、Electron、Tauri 桌面框架选型实战指南:从工控到信创的交付决策

桌面应用框架本质是前端UI与系统能力之间的契约桥梁。CEF作为Chromium嵌入式内核,提供深度系统控制权但要求C++/原生开发能力;Electron以Node.js+Chromium双运行时换取Web生态复用,牺牲体积与内存换取开发效率;Tauri则通过Rust核心+系统WebView重构信任边界,在ARM64、低配设备和信创环境展现出显著轻量与安全优势。三者差异不在语法或文档,而在于进程模型、资源耦合度与硬件接口暴露方式——这直接决定H.264视频渲染是否卡顿、serialport串口通信能否稳定、W

cuankuangzhong6373的博客 322

CEF、Electron、Tauri选型指南:从网页转EXE到工业终端的底层逻辑

桌面Web框架本质是将Web技术与原生能力融合的运行时载体,其核心差异在于进程模型、硬件访问深度和体积性能权衡。CEF作为Chromium嵌入式C++库,提供对GPU硬解、串口直连和ActiveX控件的底层控制能力,适用于ARM64视频低延迟、Windows服务集成等强约束场景;Electron以Node.js+Chromium双运行时封装为前端友好型全栈环境,生态丰富但体积大、升级风险高;Tauri则用Rust精简运行时复用系统WebView,实现超小体积与高安全性,适合轻量级跨平台应用。三者并非替代关系

weixin_34417200的博客 263

【信息科学与工程学】【产品体系】计算机科学与自动化——第一百八十九篇 操作系统内核(微内核/宏内核)函数与算法02

宏内核(Linux)更多典型内核函数/算法,从编号271开始,覆盖中断管理、热插拔、PCI、ACPI、固件、崩溃转储、kexec、休眠、watchdog、RTC、hwmon、LED、backlight、input子系统、remoteproc等更多领域。编号类型领域内核类型内核中的函数/算法/模块/模组模块的调用关系模块/函数/算法逐步推理思考的数学表达式及参数列表及参数数值设计模块的C/C++/其他代码关联知识271中断管理中断描述符宏内核 / (中断子系统核心)驱动申请中断 → → → 分配irq_

weixin_49199313的博客 116

napi-rs:用于在Rust中构建编译的NodeJS附加组件的最小库

幼虫 该项目是从初始化的 在Rust构建编译的NodeJS附加组件的最小库。 平台支援 操作系统 Linux 苹果系统 Windows MSVC FreeBSD ✓ ✓ ✓ ✓ 节点JS 节点10 节点12 节点14 节点15 ✓ ✓ ✓ ✓ 该库取决于N-API,并且需要Node@10.0.0或更高版本。 我们已经有一些由napi-rs编写的软件包: 一个不错的功能是,此板条箱允许您仅使用Rust/JavaScript工具链即可构建附加组件,而无需涉及node-gyp 。 味道 您可以从开始使用napi-rs 定义JavaScript函数 #[js_fun

通过 napi-rs 通知 Node.js 绑定。

@napi-rs/notify通过napi-rs通知Node.js 绑定。安装这个包yarn add @napi-rs/notify支持矩阵操作系统 节点12 节点14 节点16 视窗 x64 ✓ ✓ ✓ 视窗 x32 ✓ ✓ ✓ 视窗 arm64 ✓ ✓ ✓ macOS x64 ✓ ✓ ✓ macOS arm64 ✓ ✓ ✓ Linux x64 GNU ✓ ✓ ✓ Linux x64 musl ✓ ✓ ✓ Linux arm gnu ✓ ✓ ✓ Linux arm64 GNU ✓ ✓ ✓ Linux arm64 musl ✓ ✓ ✓ 安卓 arm64 ✓ ✓ ✓ FreeBSD x64 ✓ ✓ ✓ 应用程序接口constunwatch=watch('/some/path/to/watch',(err :Error|null,event :NotifyEvent)=>{// some logic})unwatch()// unwatch later

短视频团队架构&工作流程---2025.3.30

1、负责短视频日常内容分发上线,包括视频头图、标题、简介、推荐位及部分内容元数据的日常导入、审核、上线、下线,并提供各品类短视频的内容上线计划表。(20)运营:视频推送后,实时跟进视频数据,定期统计分析数据报表,根据数据表现 找到问题,并发送给各个小组的负责人,对下一期视频内容进行调整。(4)运营:收到成片,设计视频头图、标题、简介、推荐位等,分发到各个平台,统计分析视频的数据,对各个平台的视频进行管理、用户互动等。1、负责影视、戏剧、广告、专题片等的策划、组稿选题、材料收集、内容策划。

超越神明 2156

匈牙利算法解决指派问题清晰流程

匈牙利算法解决指派问题清晰流程 百度词条上,指派问题(Assignment problem)是这么定义的:在满足特定指派要求条件下,使指派方案总体效果最佳。如:有若干项工作需要分配给若干人(或部门)来完成;有若干项合同需要选择若干个投标者来承包:有若干班级需要安排在若干教室里上课等。   一、做减法(归约): 行归约:每行元素减去该行最小元素。 列归约:每行元素减去该行最小元素。

siss0siss的博客 6万+

PyTorch 深度学习实战(28):对比学习(Contrastive Learning)与自监督表示学习

本文实现了基于对比学习的自监督表征学习框架,通过 InfoNCE 损失在 CIFAR-10 数据集上学习到具有判别性的特征表示。实验表明,仅使用线性分类器即可达到 82% 以上的验证准确率,证明了对比学习的有效性。在下一篇文章中,我们将深入计算机视觉的核心任务之一——《目标检测与 YOLO 实战》,探讨如何利用深度学习实现高效的目标检测系统。

m0_60414444的博客 2385

【乐企文件生成工程】添加数据库、SpringEvent事件支持

更新!1、乐企版式文件生成工程添加数据库支持2、乐企版式文件生成工程添加事件机制,异步处理文件生成,提高系统并发能力。

九七的博客 339

改进的U-Net在视网膜血管分割上的应用

为了提高算法在血管边界的分割能力,在编码部分采用全局卷积网络(GCN)和边界细化(BR)替换传统的卷积层;在跳跃连接部分引入改进的位置注意模块(PA)和通道注意模块(CA),目的是增加血管与背景之间的对比度,使网络更好地将血管与背景分割开;此外,为了提高网络的性能,在编码部分的最后一层使用密集卷积网络解决网络过拟合问题,同时为了在一定程度上解决梯度爆炸、梯度消失的问题,在解码部分的每一层使用卷积长短记忆网络提升网络获取特征信息的能力。替换传统的卷积操作来解决血管边界非血管像素误分为血管的问题。

weixin_70923796的博客 785

SAP_MM模块通过CC11 创建物料版本

通过本文,我们了解了 SAP 的[SAP_MM模块通过CC11 创建物料版本]的基本概念和应用方法。当物料主数据、BOM(物料清单)、工艺路线等对象需要进行变更控制时,通过创建“版本”或“更改单”来记录、控制和追溯变更。创建完变更主记录(Change Number)后,可在物料主数据维护时引用它,从而创建物料版本化信息。,在其中可以定义物料、BOM、工艺路线等对象的变更版本信息,从而在系统中实现版本化的物料管理。

我小时候很黑的博客 817

【WorkBuddy专栏15】灵感被折叠到「更多」里,真的不重要了吗?——一个「被低估」功能的当下价值与未来演变

【WorkBuddy专栏15】灵感被折叠到「更多」里,真的不重要了吗?——一个「被低估」功能的当下价值与未来演变

AI人人懂 965

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

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。

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: 前端性能优化:JavaScript项目瘦身
下一篇: 学习 Nest 的理由:探索强大的 JavaScript 后端框架
普通网友
博客等级 码龄3年 17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  | 博主筛选后可见
 
 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