Centos 更新yum源出现 AppStream‘ 缓存失败,忽略这个 repo。同步仓库 ‘base‘ 缓存失败,忽略这个 repo 的问题,踩坑记录

CentOS 执行yum命令报错【错误:为仓库 ‘appstream‘ 下载元数据失败: ...】 CentOS 执行yum命令时报错【错误:为仓库 'appstream' 下载元数据失败 : Cannot prepare internal mirrorlist: No URLs in mirrorlist】;CentOS 切换 yum源,文章中提供了多种 yum源的更新方式,有 vault.centos.org 镜像、阿里镜像、清华镜像、网易镜像 等等,通不过本文你应该能够学会举一反三,使用文中未提到的其他镜像网站的yum源 阅读详情

今天在安装docker 镜像和容器,发现国外的yum源没办法更新,然后尝试更换aliyun 源,结果出现了几个大坑,在此记录,希望后续的兄弟们别掉坑里。

首先修改 CentOS-Base.repo , root 下执行 vim CentOS-Base.repo

需改内容如下:

# CentOS-Base.repo
#
# The mirror system uses the connecting IP address of the client and the
# update status of each mirror to pick mirrors that are updated to and
# geographically close to the client.  You should use this for CentOS updates
# unless you are manually picking other mirrors.
#
# If the mirrorlist= does not work for you, as a fall back you can try the 
# remarked out baseurl= line instead.
#
#

[base]
name=CentOS-8.5.2111 - Base - mirrors.aliyun.com
baseurl=http://mirrors.cloud.tencent.com/centos/$releasever/BaseOS/$basearch/os/
gpgcheck=0
gpgkey=http://mirrors.aliyun.com/centos/RPM-GPG-KEY-CentOS-Official

#additional packages that may be useful
[extras]
name=CentOS-8.5.2111 - Extras - mirrors.aliyun.com
baseurl=http://mirrors.cloud.tencent.com/centos/$releasever/extras/$basearch/os/
gpgcheck=0
gpgkey=http://mirrors.aliyun.com/centos/RPM-GPG-KEY-CentOS-Official

#additional packages that extend functionality of existing packages
[centosplus]
name=CentOS-8.5.2111 - Plus - mirrors.aliyun.com
baseurl=http://mirrors.cloud.tencent.com/centos/$releasever/centosplus/$basearch/os/
gpgcheck=0
enabled=0
gpgkey=http://mirrors.aliyun.com/centos/RPM-GPG-KEY-CentOS-Official

[PowerTools]
name=CentOS-8.5.2111 - PowerTools - mirrors.aliyun.com
baseurl=http://mirrors.cloud.tencent.com/centos/$releasever/PowerTools/$basearch/os/
gpgcheck=0
enabled=0
gpgkey=http://mirrors.aliyun.com/centos/RPM-GPG-KEY-CentOS-Official


[AppStream]
name=CentOS-8.5.2111 - AppStream - mirrors.aliyun.com
baseurl=http://mirrors.aliyun.com/centos/8-stream/AppStream/$basearch/os/
gpgcheck=0
gpgkey=http://mirrors.aliyun.com/centos/RPM-GPG-KEY-CentOS-Official

这里需要注意,网络流传版本的结果方法其他地方都没有问题,但是就这个节点:[AppStream]
路径要注意,不能用 releasever 来通配版本号,事实上我发现阿里云的源这里已经换成了 8-stream
正确的应该是 baseurl=http://mirrors.aliyun.com/centos/8-stream/AppStream/$basearch/os/
然后继续修改 CentOS-AppStream.repo root 下执行命令 vim CentOS-AppStream.repo

#CentOS-AppStream.repo
#
# The mirror system uses the connecting IP address of the client and the
# update status of each mirror to pick mirrors that are updated to and
# geographically close to the client.  You should use this for CentOS updates
# unless you are manually picking other mirrors.
#
# If the mirrorlist= does not work for you, as a fall back you can try the
# remarked out baseurl= line instead.
#
#

[AppStream]
name=CentOS-$releasever - AppStream
baseurl=http://mirrors.aliyun.com/centos/8-stream/AppStream/$basearch/os/
gpgcheck=0
enabled=1
gpgkey=file:///etc/pki/rpm-gpg/RPM-GPG-KEY-centosofficial

这里也一样,
正确的应该是 baseurl=http://mirrors.aliyun.com/centos/8-stream/AppStream/$basearch/os/
然后 yum clean all yum makecache 重建元数据缓存,此时就可以看到docker 的更新源文件了。

在这里插入图片描述

CentOS 8中 更新或下载时报错:Failed to download metadata for repo ‘appstream‘ 这些步骤的总体目的就是修改 CentOS 的 YUM 仓库配置,将镜像源切换为,这是 CentOS 的历史版本库。当系统无法从默认镜像源获取软件包时,使用是一种解决方案。 阅读详情

相关推荐

CentOS 7 AppStream仓库失效原因与Vault源配置指南

YUM元数据下载失败(如‘No URLs in mirrorlist’)本质是CentOS 7 EOL后AppStream仓库下线引发的生态断代问题。其原理在于mirrorlist.centos.org域名已重定向为空响应,导致yum无法获取镜像列表;而vault.centos.org作为归档仓库,采用按版本固化路径(如7.9.2009/appstream/x86_64/os/)的‘时间胶囊’机制,需精确匹配baseurl并同步启用Updates子源以保障安全更新。该方案兼顾基础可用性与长期维护性,广泛应用

weixin_28741413的博客 89

同步仓库 ‘AppStream‘ 缓存失败,忽略这个 repo。 元数据缓存已建立。

目录 问题 解决 问题 同步仓库 ‘AppStream’ 缓存失败,忽略这个 repo。 元数据缓存已建立。 我们在虚拟机里面,用yum安装东西的时候,比如我们执行 yum -y install gcc yum -y install gcc-c++ 这个时候报错 这个如何解决 解决 1 首先是排除 网络的问题 2 就是这个下载的数据源地址不对 我们首先 mv /etc/yum.repos.d/CentOS-Base.repo /etc/yum.repos.d/CentOS-Bas

Foggy_LT的博客 6328

RedHat 9.3配置国内yum源:阿里源与本地镜像源完整实战

在Linux系统运维中,软件包管理是基础技能,yum/dnf作为RHEL系核心工具,依赖正确的软件源配置。RHEL默认订阅机制限制未注册用户使用官方仓库,导致dnf makecache失败,更无法安装软件。国内镜像源如阿里云提供了Rocky/AlmaLinux兼容仓库,可作为替代方案,解决订阅限制与访问速度问题。同时,对于内网或离线环境,挂载本地ISO镜像源能实现完全离线的软件安装,与在线源互为补充。本文详细讲解在RedHat 9.3上配置阿里yum源与本地镜像源的完整步骤,包括repo文件编写、GPG校验

weixin_34109408的博客 360

centos执行yum命令报错,There are no enable repos

综合各种答案,归结原因有两大类 一:当前系统不支持yum工具 Linux系统分为两大类 RedHat系列:Redhat、Centos、Fedora.... 使用yum管理包,使用rpm命令安装rpm包 Debian系列:Debian、Ubuntu 使用apt-get管理包,使用d...

David_bdqn的博客 2242

Ubuntu安装yum与本地yum源搭建:apt换源到RPM仓库实践

Linux 软件包管理通常分为 deb 与 rpm 两大体系,apt 与 yum/dnf 分别承担依赖解析、仓库元数据拉取和安装查询。理解源配置文件、元数据缓存与 RPM 仓库结构后,就能在跨发行版运维、内网离线交付和脚本兼容中复用同一套思路。典型场景是只有 Ubuntu 机器,却要为 CentOS 7、Rocky 9 维护本地 yum 源,或临时安装 yum 做 RPM 查询与下载。围绕 Ubuntu 安装 yum、Ubuntu 软件源更新、createrepo_c 生成 repodata 以及客户端 r

weixin_33843947的博客 380

CentOS Stream 9 配置阿里云镜像源:提升软件包管理效率与稳定性

在 Linux 系统管理中,软件包管理器是核心组件,负责软件的安装、更新与依赖解析。其原理是通过访问远程仓库获取元数据和软件包。对于国内用户,访问官方源常因网络延迟导致速度缓慢,影响运维与开发效率。配置国内镜像源能显著提升下载速度,确保系统更新与软件安装的稳定性,是服务器初始化与日常维护的基础操作。本文以 CentOS Stream 9 为例,详解如何将默认 yum/dnf 源切换为阿里云镜像,涵盖仓库架构解析、配置步骤、常见问题排查及自动化部署实践,帮助用户高效管理软件源,为后续安装 MySQL、Git

weixin_30561425的博客 362

同步仓库 ‘AppStream‘ 缓存失败,忽略这个 repo。 同步仓库 ‘BaseOS‘ 缓存失败,忽略这个 repo。 同步仓库 ‘extras‘ 缓存失败,忽略这个 repo。

使用Linux下载lrzsz工具时出现错误 同步仓库 ‘AppStream’ 缓存失败,忽略这个 repo。 同步仓库 ‘BaseOS’ 缓存失败,忽略这个 repo。 同步仓库 ‘extras’ 缓存失败,忽略这个 repo。 具体解决方法: 1、对 /etc/yum.repos.d/CentOS-Base.repo 进行编辑 nano /etc/yum.repos.d/CentOS-Base.repo 2、将下面内容覆盖掉 /etc/yum.repos.d/CentOS-Base.repo 文件(C

weixin_45192073的博客 8357

详解CentOS8更换yum源后出现同步仓库缓存失败的问题

问题起因:一开始CentOS 8默认的yum源是能够正常使用的,但使用如下命令安装了Development Tools之后: yum groupinstall -y Development Tools 不知道为啥就开始出现同步仓库缓存失败的问题,无法正常安装一些工具包。错误提示如下: [root@localhost /etc/yum.repos.d]# yum makecache CentOS-8.0 - AppStream 19 B/s | 38 B 00:02 CentOS-8.0 - Base 24 B

CentOS8 yum -y install wget提示同步仓库 ‘AppStream‘ 缓存失败,忽略这个 repo。同步仓库 ‘BaseOS‘ 缓存失败,忽略这个 repo。

使用centos8安装jenkins并使用,没想到第一步就被拍死在沙滩上,想使用wget命令来下载jenkins,提示wget命令不存在,那当然就想着要下载wget,没想到下载wget也失败了。

DrakHP的博客 4061

深入解析π型滤波电路:RC与LC滤波器的实战选型指南

本文深入解析了π型滤波电路的工作原理与实战选型。重点对比了RC型与LC型滤波器的核心差异:RC型成本低、体积小,但存在压降与能耗,适用于小电流场景;LC型效率高、滤波性能好,但成本与体积较大,适合中到大电流及高纹波抑制需求。文章提供了基于不同应用场景的选型指南与设计要点,帮助工程师做出精准决策。

weixin_29291069的博客 657

【UE5】UE5 Dedicated Server专用服务器与网络同步

这篇文章是个人在学习UE4的网络同步方面的内容的一些记录,因为UE5出来了,顺带也一起熟悉熟悉UE5,所以也就直接使用UE5来实践了。说句实在话,UE4网络同步这块确实挺难的,我自己在网上搜索的博客的内容要么停留在很浅层面只搭建一个ds服务器,要么就直接深入源码去剖析UE4的网络机制,处在中间层面的内容少之又少,不得不自己好一阵研究,强烈推荐这几位博主的博文,我在学习的过程中也从中受益匪浅。 Ken_An、风蚀之月、 刘东无敌还有我师傅推荐给我的一本关于UE4网络的PDF。 一、什么是Dedicated

Goulandis 3万+

Centos8出现同步仓库 ‘AppStream‘ 缓存失败,忽略这个 repo。同步仓库 ‘base‘ 缓存失败,忽略这个 repo。

准备安装docker执行指令的时候出现了报错 搜了很多文档 发现执行以下指令即可 (只适用于centos8) #先备份 $ sudo mv /etc/yum.repos.d/CentOS-Base.repo /etc/yum.repos.d/CentOS-Base.repo.backup $ sudo wget -O /etc/yum.repos.d/CentOS-Base.repo https://mirrors.aliyun.com/repo/Centos-vault-8.5.2111.

weixin_45020617的博客 7097

科研智能体平台搭建与实战:大模型如何驱动科研自动化

大模型技术的快速发展,正推动AI智能体从单纯对话工具向主动执行任务的科研伙伴演进。智能体的核心原理在于整合模型调用、工具使用、知识库检索与工作流编排,使其能够自主拆解目标、执行操作并迭代优化。在科研场景中,这一技术价值尤为突出:文献初筛、实验数据清洗、代码调试、结果汇总等高频重复劳动均可实现自动化,大幅释放研究者精力。从基础组件配置到多智能体协同,从平台选型到提示词调优,实际落地需要关注模型匹配、工具稳定性、记忆管理与人机校验机制。本文基于真实工程经验,系统梳理科研智能体平台的搭建路径、应用案例与高频问题排

weixin_32597009的博客 292

CentOS 8 同步仓库缓存失败解决方案

CentOS 8 同步仓库缓存失败解决方案 出现同步仓库 ‘AppStream’ 缓存失败,忽略这个 repo。 同步仓库 ‘BaseOS’ 缓存失败,忽略这个 repo。 同步仓库 ‘Extras’ 缓存失败,忽略这个 repo。

qq_58144672的博客 2285

避坑指南:RK3576+Android14适配移远5G模组(RG200U)时,我遇到的3个‘巨坑’及解决方案

本文详细记录了RK3576芯片适配Android14系统与移远RG200U 5G模组过程中遇到的三大技术难题:RIL服务启动失败、HIDL兼容性矩阵配置错误及ttyUSB权限冲突。通过实战案例提供了动态库拷贝、HIDL版本链声明和SELinux策略调整等解决方案,帮助开发者高效完成5G模组集成,特别适用于基于kernel6.1的嵌入式开发场景。

weixin_30664051的博客 392

C++怎么学?零基础也可以,一份完整学习路线图助你搞定!

提供一条清晰、系统且实践导向的C++学习路径。从基础语法、面向对象、泛型编程、异常处理,逐步深入STL、智能指针、并发编程等现代C++高级特性。无论是新手还是希望提升,通过系统学习与项目实践,助您将理论知识转化为实际解决问题的能力。

Lion_Long的博客 4034

CentOS 7 内网离线本地 yum 源配置与 createrepo 实战

在 Linux 运维中,RPM 包管理依赖 YUM 仓库中的 repodata 元数据完成依赖解析。当服务器处于内网隔离、专线环境或外网镜像不可达时,默认外网源会触发 Cannot find a valid baseurl 等报错,导致 yum install 无法执行。本地 yum 源的核心思路是把 ISO 镜像或自定义 RPM 目录变成可达仓库,通过 file://、http:// 暴露给 YUM,恢复软件安装与批量部署能力。它适用于内网服务器初始化、离线实验环境、老旧系统维护和 Docker 镜像构建

weixin_34367257的博客 432

ChatGPT启蒙之旅:弟弟妹妹的关键概念入门

本文主要介绍了ChatGPT启蒙之旅:弟弟妹妹的关键概念探险,希望能对初学大模型的同学们有所帮助。 文章目录 1. 背景 2. GPT是个什么样的人? 3. GPT使用的核心思维 4. GPT使用的场景介绍

herosunly的博客 16万+

CentOS Stream10 baseos下载元数据失败

旧的 vault.centos.org 路径不再适用,而国内华为云等镜像已同步最新结构,稳定性更高。按上述步骤操作后,仓库可正常访问。sudo rm -rf /var/cache/dnf # 彻底删除缓存目录。CentOS Stream 10 的仓库结构在 2024 年后进行了调整。1. 彻底替换仓库配置(使用官方推荐的 Stream 10 源)最终解决方案:使用 CentOS Stream 官方最新仓库。3. 若仍失败:改用国内同步源(如华为云,已验证有效)2. 强制清理缓存并重建(忽略旧仓库残留)

weixin_46614660的博客 835

大数据架构中的数据治理:元数据管理与数据血缘追踪实践

本文将聚焦大数据架构中数据治理的两大核心支柱——元数据管理与数据血缘追踪元数据管理的目标、类型与实施步骤(从需求分析到工具落地);数据血缘追踪的技术实现(静态解析、动态捕获、混合方案)与应用场景;如何将两者结合,构建完整的数据治理体系,并通过真实案例展示落地效果。元数据管理:定义了业务/技术/操作元数据,讲解了工具选型(如Apache Atlas)、采集(Hook/API)、存储(关系库+图数据库)、应用(数据发现、质量监控);数据血缘追踪。

欢迎来到我的优快云空间!这里聚焦AI大模型应用实战,分享前沿技术、实战案例与开发经验。 870

手把手教你在ARM64架构下编译和部署Milvus:从环境搭建到Docker镜像制作全攻略

本文详细介绍了如何在ARM64架构下编译和部署Milvus,包括环境搭建、源码下载与编译、Docker镜像制作等关键步骤。通过本文的方法,您可以快速构建适用于ARM64设备的Milvus编译环境,并解决常见的编译错误。同时,还提供了基于Docker Compose的测试方法,帮助用户高效地完成向量数据库的部署与应用。这是一次深入探索开源AI工具的实用指南,为开发者在多种硬件架构上的创新应用提供了强有力的支持。

小盒子的博客 1268

yum源配置实战:从在线镜像到离线本地仓库的完整指南

在Linux系统运维中,软件包管理器是基础设施的核心,而yum/dnf作为RHEL系(Rocky、AlmaLinux、CentOS等)的依赖解析引擎,其仓库配置直接关系到软件安装效率与版本管控。理解仓库的工作原理,包括baseurl、gpgcheck、优先级等关键参数,是构建可维护环境的基础。企业场景下,通过内网镜像统一软件源,不仅能解决外网受限问题,还能保障安全补丁的及时下发。针对离线环境,利用createrepo生成本地仓库元数据,配合HTTP服务或file协议,即可搭建可复用的离线源。本文从概念到原理

weixin_34342207的博客 385

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

CentOS离线安装yum全指南:从rpm包到本地仓库配置

包管理器是Linux服务器软件安装的基础设施,yum作为CentOS默认的包管理工具,在标准安装中通常开箱即用。但在精简镜像、容器环境或离线内网中,yum可能缺失或无法访问外部源,掌握yum的离线安装与配置成为运维必备技能。其核心原理是基于rpm包格式与仓库元数据(repodata)进行依赖解析,通过合理配置yum源,实现软件自动化安装和版本管理。技术价值在于打破离线环境下的依赖死循环,提升批量部署效率。应用场景涵盖被裁剪的CentOS机器、无外网的机房服务器,以及需要固定版本的本地仓库搭建。从rpm包收集

weixin_33816946的博客 374

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

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: Android 11 高版本 出现外部存储无法访问的问题
下一篇: Docker 常见命令
评论 1
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