还记得扫雷游戏吗,为什么微软当年要做这么一款游戏?

Dev-C++新手入门:8个经典C++小游戏源码实战解析 C++作为一门强大的编程语言,其学习路径往往从掌握基础语法和开发环境开始。对于初学者而言,理解集成开发环境(IDE)和编译器的原理是第一步,这有助于快速搭建编程工作站并验证代码逻辑。Dev-C++作为一款轻量级的C++ IDE,集成了MinGW GCC编译器,以其免安装、配置简单的特点,为新手提供了零门槛的实践入口。通过编写和运行具体的程序项目,学习者能将抽象的语法知识转化为解决实际问题的能力,这正是编程教育的核心价值。本文聚焦于游戏开发这一极具吸引力的应用场景,精选了贪吃蛇、扫雷、2048等8个经典小游戏 阅读详情

刻意练习,学习新技能的必经之路,重在”刻意“二字,必须是用心,深度体验,然后总结,调整,如此反复。

转自:http://36kr.com/p/5080448.html

只有运动、音乐才需要刻意练习吗?为什么刻意练习重要的是科学方法,而非意志力?

1、人际沟通也需要刻意练习吗?

一位教人沟通技巧的老师在课上展示了自己多年前的笔记: 

“周四到小赵师傅家,最近听说戒烟了,值得鼓励;他有了新女友,母亲好像住院了,都要关心一下……”

“昨天跟陈姐聊了她儿子的事,最近好像数学成绩不太好,家里有本讲如何做错题集的书,回家找找看……”

还有一些是沟通语言的草稿,都有反复修改的痕迹:

“张经理,您看,我好不容易有个这个机会。我知道您很忙,所以特意请小张查了一下,周三下午,您有两个小时的空档。这个活儿,要我一天都搞不来,可您来的话,一个小时就可以搞定了,您看,我到时候能不能用您两个小时的宝贵时间,拜托您了,我会给您打下手的……”

这其实就是近几年影响力很大的“刻意练习”的理念,在人际关系领域的运用案例:走出“你好、请、谢谢、不客气”的正常对话的“舒适区”,针对一些常用的沟通场景,设计话术,反复进行“学习区”的练习,最后达到浑然天成的自然效果。 

学生问他,这么做,累不累?他反问学生一个问题:

“你有没有遇到过这种情况:老板拍拍你的肩膀,说这笔单子做得不错嘛,而你竟然头脑一片空白,等想起来该说什么时,老板早不知道哪里去了。你觉得相比而言,哪一种更累呢?”

还记得扫雷游戏吗,为什么微软当年要做这么一款游戏?

2、只有运动、音乐才需要刻意练习?

自从“刻意练习”、尤其“从新手到大师只要一万小时"的理论出现后,很多以前的天才就被拉下神坛。比如莫扎特传记的作者就认为:莫扎特不是天才,他的神童名声,都是他父亲的营销包装;他20岁之前的作品,都是很平常的模仿之作。

他的“音乐天才”,其实源于父亲从3岁开始的长达十几年的科学而严格的训练。这段“刻意练习”的时间,远远超过了一万小时,也超过了史上任何一位音乐家。

有人说,莫扎特的例子我信,但你前面的这个沟通技巧的案例完全没有代表性,我认识的那些擅长交际的人,天生就是反应快,谈吐风趣,自带段子手气质,根本没有什么“刻意练习”。

这话好像一定道理。翻翻那些讲“刻意练习”的书,举的例子都是运动、音乐等竞技领域,100次练习才会有一次表演。你什么时候见过那些擅长交际的人,随身带着一个小本本,到处去找人去练习了?

所有很多人怀疑“刻意练习”只在部分领域有效。比如万维纲在一篇文章里说:“在有严格固定规则的领域,练习的作用最大,比如国际象棋;没有严格规则的领域,练习的作用则非常有限,如编程、航空飞行、广告创意。”

就连广告人自己也这么认为:创意靠天赋,靠灵感,多看看书、多喝喝咖啡,多聊聊天,想法自然来了,根本不需要“创意练习”。

但事实果真如此吗?广告不是艺术创作,那些跨国公司怎么放心把自己的品牌,交给一群没有规则、不受控制的人身上呢?

还记得扫雷游戏吗,为什么微软当年要做这么一款游戏?

3、“刻意练习”是为了形成思维习惯

有一次,刘谦做魔术表演前的彩排,做到某个环节时突然停下来,问坐在台下的经纪人:“昨天演到这里,观众为什么会笑?”经纪人被问住了,他前一天就在台下,根本没有感觉到啊。 

对于一个魔术师而言,要施展“障眼法”,他必须清楚地知道观众在哪里会屏住呼吸,在哪里会瞪大眼睛;在哪里爆发出掌声。这个过程经过无数次练习和表演,任何细微的意料外反应,都应该敏感地察觉到。

在踢球、弹琴一类活动中,练习和比赛的内容完全一样,刻意练习目的,是把原本需要时间去反应的动作,变成下意识的动作。但在大部分的规则不明显、结果不可控的工作中,“刻意练习”并不直接形成新技能,而是在某些环节,让你形成某种思维习惯。

比如初次见面,人家问你的职业,你的下意识反应一定是这句话:我是做XXX的。 

然后……,就没有然后了。

但沟通专家告诉我们,如果你希望自己更有社交魅力,你应该回答得更有故事化、情景化、细节化,比如:

“噢,我是软件工程师,现在正在研究一个项目,如何安排一个电影院内一天的观影计划。”这个回答,效果是不是好很多?

看上去好有道理的样子,可接下来会发生什么呢?

你觉得自己也许下一次可以试一试。结果呢?下一次别人再问你这个问题,等你想到一个有趣的答案时,对方早就跟旁边的姑娘聊上了。

然后你就觉得,快速反应的社交能力是天生的,最后你就发出了那个经典的感叹:

“听过很多道理,却依然过不好这一生。”

好道理、好办法之所以好,就是因为用的人特别少;为什么用的人少?就在于它违反常规、违背天性、不在你的“舒适区”内。

所以,接下来你应该开始“刻意练习”,不需要多,只要形成思维习惯,能够产生条件反射,之后你就可以在日常生活中“实战练习”,也就是从显性的刻意练习,进入隐性的刻意练习了—— 

以前你看段子时的反应是:“哈哈哈哈哈哈。”

现在你的反应是:“哈哈哈哈哈哈,这个说法有趣,我要记下来,想想怎么变成 我的东西。”

还记得扫雷游戏吗,为什么微软当年要做这么一款游戏?

你把“职业”这个话题变成故事后,得到了积极的反馈。紧接着,你把沟通专家列举的初次见面的常用问题,全部设计成3句以内的故事化、细节化的表达——并不需要专门练习,只要平时养成积累素材的习惯。

  • 你的兴趣、呆过的公司……

  • 最近的情况、周末打算……

  • 你的恋爱史、奇特经历、糗事……

  • 你的老家、幼儿园、小学、中学、大学……

  • 你现在的城市、小区……

  • 你最喜欢的电影、小说、音乐……

  • 你同事、朋友、亲戚、家人、宠物……

    ……

 所以千万不要再说“擅长交际的人天生反应快”这样的话了,人家不过是把你喝咖啡的时间,用来研究咖啡是怎么做出来的。

不过,人际沟通毕竟不是打球弹琴,不是所有的技能都通过训练获得。在音乐、运动等少数领域,“刻意练习”是最基本的练习方法;但在大部分工作中,“刻意练习”只是学习的一部分,分解出这一部分,才是第一步。

下面就进入干货环节,用一个微软的案例,看一看“刻意练习”的三个重要步骤。

4、为什么微软要做扫雷游戏?

“刻意练习”的第一步是“定义任务、分解技能”。

微软第一次推出windows系统后,习惯了DOS系统“命令行”操作的消费者,对windows系统的图形界面很不适应,尤其对鼠标这个新设备,表示“太多余了”,“不知道摆哪儿”。

微软的工作人员拆解了消费者的感受——“图形界面不适应”是一个认知习惯问题,“不会控制鼠标”是一个使用习惯问题。显然,后者需要一定程度的训练。

这就是“定义任务”——拆解出那些需要熟练操作的任务。

针对这个任务,工程师进一步定义了鼠标在使用中出现的5个常用动作:移动、左击、右击、双击、拖曳。

这就是“分解技能”。

可接下来干什么昵?难道要像以前的电脑培训那样手把手的教?这是完全不可想像的成本支出。所以,一个天才的想法出现了,这就是首次亮相于windows3.1版的两款经典游戏——扫雷和纸牌。

还记得扫雷游戏吗,为什么微软当年要做这么一款游戏?

由于这两款游戏需要大量地使用“移动、左击、右击、双击、拖曳”这五个基本鼠标动作,我记得当时身边很多上了年纪的人都是通过玩游戏来习惯鼠标操作的。

这就刻意练习的第二步是“设定目标、设计训练”。

还记得吗?扫雷游戏是从9*9、16*16、16*30逐步升级,通过得分,提供技能提升的反馈,确保游戏难度与使用者技能水平同步提升,让你对鼠标的便利性,越来越有信心。

这就是刻意练习的最后一步是“不断反馈、不断实践”。

利用游戏形式进行“刻意练习”的训练,可不仅仅是幼儿园的把戏,事实上,很多公司已经开始尝试“工作游戏化”,利用排行榜、分级和绩效指标开发游戏化策略,将枯燥的工作变成更有趣的竞争。

这就是刻意练习的三个步骤,如果大家感兴趣,我会写成一个新的系列,引入更多的案例,看看在工作中具体应该如何“定义任务、分解技能、设计目标、设计训练、不断反馈、不断实践”。

5、刻意练习是科学方法,而非意志力

昨天,为了写这篇文章,我找到一个案例,一位高尔夫爱好者立志通过“1万小时训练”进入职业选手的行列,而他的结果却是——水平停滞、背部受伤,中途放弃。

1万小时理论没错,但这得靠科学的方法,而不是比拼意志力。千万不要用1个小时学习了一个错误的东西,再999个小时养成不良习惯,最后用9000个小时去纠正它。


使用86Box模拟器在Windows XP SP3上实现复古计算环境搭建指南 还在为运行老旧的 Windows XP 程序而烦恼吗?无论是为了运行某个不再更新的专业软件,重温经典的怀旧游戏,还是进行操作系统教学与实验,在现代电脑上直接安装一个 Windows XP 系统早已变得困难重重。硬件驱动不兼容、安全风险高、与现代系统冲突等问题,让“怀旧”或“兼容”的需求变得棘手。 此时,虚拟机似乎是理所当然的答案。但当你打开主流的 VMware 或 VirtualBox,准备创建一个 Windows XP 虚拟机时,可能会立刻遇到第一个拦路虎: 这些现代虚拟机软件对 Windows XP 的 阅读详情

相关推荐

86Box硬件级PC模拟器:精准复刻老系统,从WinXP安装到驱动配置全指南

这次我们来看一个专门用于模拟老式计算机硬件和操作系统的开源项目:86Box。它是一个跨平台的、高度可配置的PC模拟器,核心目标是精确模拟上世纪80年代到21世纪初的经典PC硬件,比如386、486、奔腾处理器,以及ISA、PCI、AGP等老式总线,甚至包括3DFX Voodoo这样的经典显卡。对于想重温Windows XP、Windows 95/98、DOS甚至更古老系统的用户,或者需要特定老硬件环境进行软件测试、游戏兼容性研究的开发者来说,86Box提供了一个比VMware、VirtualBox更“原汁原

weixin_34245749的博客 635

制作扫雷(简易版)

这篇博客将为大家带来一个c语言写的小程序——扫雷。用到的知识——数组,函数。快来围观呀!

yyy_3yu的博客 6757

网页版扫雷游戏js(axun)

js版的扫雷小游戏,只是一个半成品,目前还有两个小问题。

简易版扫雷游戏的实现

通过玩扫雷游戏,我们大致了解了扫雷游戏:有棋盘,根据棋盘大小来布置雷的个数,玩游戏者可以通过鼠标的点取来判断该坐标处是否有雷,有雷就被炸死了,游戏失败,想要游戏成功,依据棋盘雷的部署提示来排查除雷以外非雷的位置。依次点击,直到最后一个位置。我们拿最简单9*9的棋盘来讲解1、首先在棋盘中我们需要存储信息:雷,非雷位置周围雷的个数,存储信息我们可以用二维数组来表示。二维数组的类型的选择,这可有讲究了!

xiaowangzaistudy的博客 5417

网页版扫雷游戏(html)

空闲时看了几本网页制作的书,觉得会了一些东东,于是就做了一个网页版的扫雷游戏,现共享给大家。登录时用户名为xiaohua,密码123.想连结数据库,实现注册的功能,但不知如何操作,希望大家指点一二。

中国30米分辨率城市建成区数据集 (1972-2023年)

全国城市建成区空间分布数据(1972-2023年),利用Google Earth Engine平台,基于Landsat系列遥感影像提取了1972–2023年城市不透水面,后经过不透水面聚集密度计算方法计算了不透水面聚集密度,通过阈值划分提取了城市建成区,并设置了建成区面积阈值,去除了噪点,获取了全国城市建成区空间分布数据集。该提取能准确刻画城市形态,提取精度高,保持了建成区的完整性。数据集包括41期数据,1972年,1978年,1985-2023年逐年,分辨率为30米,有栅格和矢量两种格式。

地球资源数据云的官方博客 5826

扫雷游戏网页版_经典 Windows 扫雷游戏使用浏览器就可以玩啦

什么样的游戏好玩在每个人心里的标准是不一样的,作为 90 后的我童年中记忆的游戏无非就是 FC 上的《魂斗罗》、《双截龙》或者《超级玛丽》等等。虽然都是满满的像素风,但却也是我的最爱。时间总是很快的就过去,长大的人想回到小时候的单纯,而还小的人却总想装着变得成熟。我们在得到的同时也在不断的失去,问问现在的你过的是你想要的生活吗?不好意思,话题跑偏了...扫雷游戏我想很多人都不陌生,尤其是...

weixin_39517797的博客 13万+

R语言实战:三因素方差分析(ANOVA)从入门到精通(附完整代码解析)

本文详细介绍了如何使用R语言进行三因素方差分析(ANOVA),从数据准备、模型构建到结果解读与可视化,提供完整代码解析。通过实战案例,帮助读者掌握复杂交互效应的分析方法,适用于科研、教育等多个领域的数据分析需求。

weixin_29081101的博客 246

扫雷(详解+码源)

同学们大家好啊,今天我们来玩个游戏,这游戏想必大家或多或少都玩过,那就是扫雷。那么什么是扫雷呢?顾名思义,就是要在指定范围内,点开所有没有地雷的网格,避开藏有地雷的格子就能获得胜利。是不是看起来很简单呢,这游戏玩起来容易,那假如我们想自己设计一个扫雷程序,我们又应该怎么去实现呢?

qq_57146327的博客 1309

RM机器人麦轮底盘实战:从零搭建到PID调参全记录(附避坑指南)

本文详细记录了RM机器人麦轮底盘从零搭建到PID调参的全过程,涵盖硬件组装、开发环境搭建、底盘解算和PID调参等关键步骤,并附有实用的避坑指南。特别针对麦轮控制、底盘解算和电机调试等核心问题提供了专业解决方案,帮助开发者快速提升机器人性能。

bush的博客 382

交通银行金融科技后端开发实习生面试经验

笔试之路的第一个脚印。不足的地方:基本功不扎实,得补。先补sql(先整理出一篇sql语句做题的文章,争取下次笔试拿下这一块),编程题中的SQL写不出来感觉很丢人。然后补八股文,结合一些网上项目教程,来理解常用的一些八股文(比如各种锁)。

T__TSZ的博客 1749

【C语言】百玩不腻的扫雷小游戏(初阶到进阶)

两万字详解手把手教你实现扫雷小游戏!

Pursue quality, not quantity. 1056

新手必看!手把手教你在群晖 NAS 上玩转 Docker 容器(Container Manager)!(群晖 NAS 如何创建 Docker 容器以及 Compose 部署项目)

新手必看!手把手教你在群晖 NAS 上玩转 Docker 容器(Container Manager)!(群晖 NAS 如何创建 Docker 容器以及 Compose 部署项目)

XiaoqiangClub的博客 5169

windows手机游戏_再见红心大战,微软关闭Windows内置小游戏

说起扫雷、空当接龙、红心大战、纸牌,相信大部分的80后与90后都会非常熟悉,这些小游戏甚至可以说陪伴很多人度过了大量的闲暇时光,而根据微软方面曾经透露的数据显示,纸牌游戏每年都会被玩350亿局。不过就像终究逝去的青春一样,这些小游戏也马上就要与我们说再见了。日前微软方面宣布,将关闭Windows XP、Windows ME、Windows 7三个系统中的“微软游戏联网”服务。届时这三种系...

weixin_39787826的博客 453

组基轨迹建模 GBTM的介绍与实现(Stata 或 R)

组基轨迹建模(Group-Based Trajectory Modeling,GBTM)(旧名称:Semiparametric mixture model)历史:由DANIELS.NAGIN提出,发表文献《Analyzing Developmental Trajectories:A Semiparametric,Group-Based Approach》GBTM能够将一群人的轨迹分类并生成数个具有代表性的运动轨迹模型,然后对每个轨迹模型进行分析,以了解人们的运动特征、生理水平和风险等级等。

三分钟热度 1万+

手把手教你学simulink(16.2)--基于Simulink的高通滤波器(High-Pass Filter)项目

基于Simulink的高通滤波器(High-Pass Filter)项目的详细实例介绍。这个项目将重点放在高通滤波器的设计、实现和仿真上,帮助你理解和应用高通滤波器在信号处理中的作用。

MHD0815的博客 927

牛!有人在 GitHub 上把 Windows 95 做成了一款软件,可玩扫雷和纸牌!

微软的操作系统,首次出现GUI(图形用户界面)是在Windows1.0中,然后2.0、3.0、3.1、3.2进行了升级换代,直到1995年微软发布了一款名为Windows95的操作系统,在当时那个年代来说,用户界面非常漂亮,设计的“开始”菜单也一直保留至今。它和微软没有关系,仅仅是用JavaScript语言编写的一套程序,可以运行在Windows、MacOS以及Linux系统上,说白了就是一个软件,也可以理解为一个Windows95的虚拟机。接下来,点击中间的按钮,稍等片刻就进入了系统中。

m0_46163918的博客 820

YOLOv11涨点改进| CVPR 2026 |独家创新首发、特征融合改进篇| 引入FAAFusion傅里叶角对准融合模块,促进高低频特征融合,增强模型在小目标、密集目标检测和旋转目标检测任务高效涨点

🔥本文提出FAAFusion傅里叶角对准融合模块,用于改进YOLOv11网络模型。该模块通过在特征金字塔融合阶段对齐高低层特征的方向信息,缓解传统FPN直接融合带来的方向冲突问题。FAAFusion利用傅里叶旋转等变性原理,在频域估计主方向并进行特征对齐,显著提升了多尺度特征表达的一致性与有效性。实验表明,该方法在DOTA等遥感数据集上取得了新的最先进水平,特别适用于旋转目标检测任务。文章详细介绍了模块原理、结构优势,并提供了三种不同的YOLOv11改进配置方案和完整的核心代码实现。

Ai缝合怪、助力小伙伴高效发论文 154

Windows 95被做成了一款软件,可玩扫雷和纸牌

导读:《仙剑奇侠传》《红色警戒》《魔兽争霸》《三国英烈传》……在 Windows 95 时代,这些经典的游戏让许多玩家废寝忘食,也同样成就了如今众多计算机领域的工作者。“...

大数据 779

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

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")

u盘无媒体容量0无卷还能修吗_老网民的回忆杀!这些暴露年龄的图你都记得吗...

[PConline杂谈]平时在网上闲逛时,总能见到“暴露年龄”这个词,的确!从互联网兴起到如今已经整整二十多个年头,曾经的懵懂少年也都变成大爷大妈了。那个时候虽然青涩,却总能带来我们很多回忆。很多老图片如果你能看懂,说明你已经一把年纪了。1. 呼噜呼噜呼噜……这只爱跳舞、爱打呼噜的小狮子,相信很多人都记得它。这是曾经的国产杀毒软件一哥,瑞星自带的一款桌面小宠物。那时的电脑很容易感染病毒,瑞星由于资...

weixin_39542043的博客 1239

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

牛逼!有人在 GitHub 上把 Windows 95 做成了一款软件,可玩扫雷和纸牌!

公众号关注“GitHubDaily”设为 “星标”,每天带你逛 GitHub!6 秒重温 Windows95 开机画面“看到 Win95,再看到仙剑 DOS 的画面,突然有种想哭的感觉,小时候帮李逍遥实现了仗剑江湖的愿望,但自己却没有实现自己的愿望,青春已过,安心生活。”一位网友 chzi826 这样写道。《仙剑奇侠传》、《红色警戒》、《魔兽争霸》、《三国英烈传》……在 Windows 95 时...

GitHubDaily 828

细数40年操作系统自带游戏发展

<br /> <br />现在的单机、网游等各种形式的电脑游戏已经让玩家们几乎忘却了系统自带游戏,但是在10年前,《扫雷》、《纸牌接龙》等等系统内置游戏曾让许多初级 电脑用户玩到不亦乐乎。游戏已经成为了电脑最重要的一项娱乐功能,你可能不会花费太多的时间去玩电脑游戏,但是在过去40年中,仅系统内置电脑游戏就已经 占用了数十亿小时的生产力。<br />早在上世纪60年代,美国EDC数字设备公司就已经开始在其出售的计算机中内置了免费的游戏,之后这种销售方式一度成为强大的销售工具,游戏本身很 简单但是很容易上

Dark Night 1347

windows ce游戏下载_这才是全球最热门的游戏:推出三十年,每月仍有千万玩家...

若说世界上最热门的游戏是什么,可能不同人会有不同的答案。喜欢玩网游的可能会说是《魔兽世界》,喜欢玩主机的可能说是《超级马里奥》,而大多数人可能会认为是《俄罗斯方块》。嗯,说《俄罗斯方块》的人相对靠谱一些,毕竟这个游戏手持九项吉尼斯纪录,除了它是最多平台上运行的视频游戏之外,同时它还是通过手提电话下载次数最多的游戏以及被移植次数最多的游戏。更离谱的是,它居然还是连累玩家坐牢时间最长的游戏……真不知道...

weixin_39637614的博客 558

Windows 95被做成了App,可玩扫雷和纸牌

6 秒重温 Windows95 开机画面 作者 | 琥珀 出品 | AI科技大本营(ID:rgznai100) “看到 Win95,再看到仙剑 DOS 的画面,突然有种想哭的感觉,小时候帮李逍遥实现了仗剑江湖的愿望,但自己却没有实现自己的愿望,青春已过,安心生活。”一位网友 chzi826 这样写道。 《仙剑奇侠传》、《红色警戒》、《魔兽争霸》、《三国英烈传》…...

AI科技大本营 5712
上一篇: 自控力差不是病,你只是不知怎么与自己相处罢
下一篇: LINQ 标准查询操作概述
UU_Yang
博客等级 码龄23年 926粉丝 213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