Safe.Software.FME.Desktop/Server..v2017.0.17291+DNV Phast & Safeti v6.51 DNV Technical公司的安全计算软件

如何在国产统信桌面操作系统环境下安装FME Desktop 与经典的Linux系统安装软件不同,统信系统上直接双击安装包即可以进行软件的安装,但是由于FME2022有Python3的环境依存,在保证联网安装的前提下,安装FME软件依旧无法自动获取Python3环境包,所以需要单独安装,安装前要打开开发者模式。统信UOS桌面专业版AMD64(支持:Intel、AMD、兆芯、海光工作站),选择此系统版本的原因是测试机器的处理器是Intel的,具体的系统选择应该参照硬件设备情况进行选择,如果不清楚选择哪个版本需要与统信的技术支持沟通确认。 阅读详情

Safe.Software.FME.Desktop.v2017.0.17291

KAPPA产品:


Ecrin v4.02.04 1CD(试井解释软件)


Saphir v3.2 1CD(试井分析软件)


 


CPSL产品:


CPSL.TimeTrek.v4.2.5 1CD(大陆板块模拟运动软件)   最低1000元


 


生物软件:


AlleleID.v5.01 1CD(专业的生物检测软件)


Array.Designer.v4.24 1CD(一个独特的微阵列软件,能设计出CDNA的引物和寡核苷酸微阵列)


Array.Designer.v4.0.Linux 1CD


Axon.Laboratory.AcuityXpress.v1.0.0.26 1CD(企业级的生物信息学软件,主要用于微阵列的应用)


Axon.Laboratory.GenePix.Pro.v6.0.1.09 1CD(对DNA微阵列,组织微阵列和细胞微阵列进行图像分析的软件)


Beacon.Designer.v7.01 1CD(生物软体,实时萤光定量PCR分子信标(Molecularbeacon )及TaqMan探针设计软体)


BIO-RAD PDQuest v8.0.1 1CD


BIO-RAD Quantity ONE v22 1CD


Bitplane Imaris v4.0.6 for WinNT_2K_XP 1CD(三维细胞结构生物显微影像分析处理软件。可输出


                                           普通的TIFF格式、QuickTime和AVI格式)


Cell Illustrator v2.0 1CD(细胞图解器软件)


Cell Illustrator v2.0 Linux 1CD


Cell Illustrator v2.0 MacOSX 1CD


Genesis v1.7.2 1CD(基因学方面的一款极具价值的工具包)


Genesis v1.7.2 Linux 1CD


GPMAW.v8.0-ISO 1CD(蛋白质质谱与序列分析软件)


GraphPad Prism 5.0 1CD(数据处理软件)


Improvision Volocity v5.0.2 1CD


Szybki.v1.2 1CD(化学分子结构和蛋白质结构优化工具)


Tripos.Benchware.3D.Explorer.v2.5 1CD(分子结构检视)  


MolSoft ICM-Pro v3.4-3 1CD(观看和编辑生物分子3D微观立体结构的软件)


Ubi Visual Cloning v3.0 1CD(用于基因研究的可视化组织工具)


Vector NTI Advance 9.1 1CD(生物科学工程)


Visage.Imaging.Amira.v5.2 1CD(生物工程数据可视化工具) 


                                


-+光栅矢量+-:


~~~~~~~~~~~~~~


AlgoLab Raster to Vector Conversion Toolkit v2.77 1CD(制图格式转化软件,将建筑,机械和各种工程


                                                      制图从光栅格式转化成矢量格式)


Easy DWG DXF to Image Converter v2.1 1CD(提供CAD软件的DWG、DXF矢量文件到位图文件的转换能力)


R2V v5.5 Datecode.040716 1CD(是一款销量名列世界前三甲的高级光栅图矢量化软件系统,适合于GIS、地形图、CAD及科学计算等)


R2V 中文学习教程


Rastervect v5.8  1CD (扫描仪矢量化软件) 解密版


Rx AutoImage Pro v8.0.807 1CD


Rx Spotlight Pro v8.0.807 1CD


VPStudio 7.02 中文版 1CD


WinTOPO.Pro.v3.3.0.0.Working 1CD(光栅(raster image)转换成向量(vector)图象的工具)

■□■□■□■□■□■□■□■□■□■□■□■□■□■□■□■□■□■□


**  诚信合作,保证质量!!长期有效:         
                                                    
** 电话TEL:13963782271  客服 QQ:16264558  邮件(Email):jztsofts@qq.com 



■□■□■□■□■□■□■□■□■□■□■□■□■□■□■□■□■□■□
brLindo.WhatsBestn.vb v15.0.1.0 1CD
Materialise qmmmMagics 22.0.0.227 1CD
 


-+数据接口及转换软件+-


~~~~~~~~~~~~~~~~~~~~~~~
   CADCAM-E产品:


CADCAM-E.CAT5/Edge.v2.0.WinNT_2K 1CD(CATIA到Sold Edge的转换工具)


CADCAM-E.CAT5/Ug.v3.1.WinNT_2K 1CD(Unigraphics/CATIA V5之间的数据转换产品)


CADCAM-E Cat5/Works v3.1 1CD(双向的solidworks/CATIA V5数据转换器)


CADCAM-E.IGES/Cat.v9.0.WinNT_2K 1CD(转换CATIA文件到IGES文件,与所有支持IGES的CAD兼容)


CADCAM-E.IGES/Cat5.v4.0.WinNT_2K 1CD


CADCAM-E.IGES/Pro.v4.1.WinNT_2K 1CD(转换Pro/ENGINEER到Wildfire 2.0 IGES 5.2兼容格式文件)


CADCAM-E.IGES/Ug.v8.0.WinNT_2K 1CD(转换压缩和未压缩的Unigraphics files文件到IGES模块)


CADCAM-E.MC/Cat5.v4.0.WinNT_2K 1CD


CADCAM-E PS/Cat v3.0 1CD(把原始的CATIA V4数据文件转换到兼容的Parasolid 格式)


CADCAM-E.PS/Cat5.v4.0.WinNT_2K 1CD(原始的CATIA V4数据文件转换到兼容的Parasolid 格式)


CADCAM-E.PS/Pro.v4.1.WinNT_2K 1CD


CADCAM-E.STEP/Cat5.v3.0.WinNT_2K 1CD


CADCAM-E.UG/Works.v3.1.WinNT_2K 1CD


CADCAM-E Cat4Works v5.2 WinNT_2K 1CD(一款双向的solidworks/CATIA V4数据转换器)


 


-+科学应用+-


~~~~~~~~~~~~~


Analog.Devices.Visual.DSP.Plus.Plus.v4.5-ISO 1CD(开发软件平台)


Dark.Basic.Professional.v1.062 1CD


Impulse.CoDeveloper.Universal.v3.30.a.2 1CD(FPGAs或者给予FPGA 的高性能计算平台的C语言开发系统)


LeadTools .Application.Developer.Toolkits.v14.0 1CD


VMware.ESX.Server.V2.5-ISO 1CD(具有高扩展性的虚机平台)


MATFOR.v4.10.070608.in.Absoft.Fortran 1CD


MATFOR.v4.10.070608.in.Absoft.Fortran.LINUX 1CD


MATFOR.v4.10.070608.in.C.Plus.Plus 1CD(计算和绘图函数库)


MATFOR.v4.10.070608.in.C.Plus.Plus.LINUX 1CD


MATFOR.v4.00.060619.in.Intel.Fortran.LINUX 1CD


MATFOR.v4.10.070608.in.Lahey.Fortran 1CD 


MATFOR.v4.00.060619.in.Lahey.Fortran.LINUX 1CD


MATFOR.v4.10.070608.in.Visual.Fortran 1CD


NCSS.with.GESS.2007.v7.1.13 1CD


Molegro.Data.Modeller.2009.v2.0 1CD


Molegro.Virtual.Docker.2008.v3.0 1CD


NCSS PASS GESS Statistical And Data Analysis v2007.08.26 1CD(统计分析软件)


NCSS.PASS.2008.v8.0.8 1CD


 


Safe Software Inc.产品:


Safe.Software.FME.Desktop.v2009.5658 1CD(用于对空间数据进行处理(提取、变换和载入)的工具软件,包含三个组件:变换器、变换编辑器和查看器,另外还包括开发工具和坐标转换工具)


Safe.Software.FME.2007.4392.Linux 1CD


Safe.Software.FME.2007.4397.SOLARIS 1CD


Safe.Software.FME.2007.4392.AIX 1CD

Safe.Software.FME.Server.v2017.0.17291
ECRIN4.02.04 石油专业试井软件,阿什卡公司代理,saphir 立即下载

相关推荐

化工+爆炸分析+DNV Phast+软件指导手册

化工+爆炸分析+DNV Phast+软件指导手册

DNV GL AS Phast | 工艺危险源分析软件

墙体的建筑结构模型,在内置的结构节点的帮助下,用户很快就可以创建出完整的钢架结构模型,其中大部分的数据参数都可以通过其有限元分析功能中提取,并运用到模型设计当中,并且这样更加容易发现整体模型上的数据差异,为此,用户也能够在这个过程当中对于建筑结构进行有效的分析,以满足建筑国标。另外,通过该软件提供的简述结构设计功能,用户可经过结构横截面快速反应建筑标准,并于标准库一一对比,从而来指定结构形状,

m0_55286843的博客 1237

KAPPA_Ercin_4.02.04.rar

解压密码:123 安装说明:https://blog.csdn.net/hongfu951/article/details/118517942 KAPPA Ecrin是一个动态数据分析的综合应用程序,用户可以通过它来解决与先进的石油勘探和开采相关的所有需求。 它是一个集成的工程套件,具有油藏动态数据分析应用程序和建模工具。 该软件包在用户项目中具有独特的功能和目的,如主要用于分析油轮压力行为的蓝宝石程序

石化事故后果模拟软件

DNV PHAST6.51石化事故后果模拟软件SAFETI 6.51石化安全风险计算软件1)石化事故后果模拟软件DNV PHAST6.512)石化安全风险计算软件SAFETI 6.51DNV Phast & Safeti v6.51联系QQ:508925688E_mail: ywcwsoft@sohu.com  ywcwsoft@sina.com  ywcwsoft@126.com

九九资源馆行业软件大全 4506

【船级社】 DNV-RU-YACHT-Pt5.pdf

【船级社】 DNV-RU-YACHT-Pt5.pdf

(推荐)DNV-Phast-软件讲解.ppt

(推荐)DNV-Phast-软件讲解.ppt

【免费下载】 化工爆炸分析 - DNV Phast 软件指导手册

化工爆炸分析 - DNV Phast 软件指导手册 【下载地址】化工爆炸分析-DNVPhast软件指导手册 化工爆炸分析 - DNV Phast 软件指导手册欢迎使用《化工爆炸分析 + DNV Phast + 软件指导手册》 项目...

gitblog_06637的博客 2429

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

【免费下载】 化工爆炸分析利器:DNV Phast 软件指导手册推荐

化工爆炸分析利器:DNV Phast 软件指导手册推荐 【下载地址】化工爆炸分析-DNVPhast软件指导手册 化工爆炸分析 - DNV Phast 软件指导手册欢迎使用《化工爆炸分析 + DNV Phast + 软件指导手册》 ...

gitblog_06696的博客 1531

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

解决nfs挂载根文件系统报错:VFS: Unable to mount root fs via NFS, trying floppy.

解决nfs挂载根文件系统报错的问题:VFS: Unable to mount root fs via NFS, trying floppy.

汉尼拔勇闯天涯 4579

DNV GL safeti Phast v9.0

单机版,加密狗。

weixin_51594690的博客 658

深度学习—各种卷积

深度学习之各种卷积了解知识

m0_47005029的博客 3116

Lansys PV 1.2 1CD(化工容器强度计算软件)

ChemStat.v6.1.Ansi 1CD(地下水监控分析系统) ChemStat.v6.1.Unicode 1CD ChemWindow6 完全版 1CD Chemistry 4D v7.60 1CD(整合最先进化学结构绘制技术的下一代化学应用工具) CMG Suite v2008.12.20 1CD(油气储存建模) DNV Phast & Safeti v6.51 1CD(...

weixin_30797027的博客 991

Windows系统下Mamba环境配置实战:从零到编译成功

本文详细记录了在Windows系统下从零开始配置Mamba深度学习环境的完整实战过程。针对官方不直接支持Windows的难点,文章提供了关键解决方案,包括安装特定版本的Python、PyTorch与第三方Triton,以及修改源码以解决Windows编译器的兼容性问题,最终成功编译并运行Mamba-SSM。

weixin_28842269的博客 501

国科大学习资料--VLSI测试与可测试设计--2020期末考试试题

国科大学习资料–VLSI测试与可测试设计–2020期末考试试题 国科大学习资料–VLSI测试与可测试设计–2020期末考试试题 国科大学习资料–VLSI测试与可测试设计–2020期末考试试题 一、概念题 1简述可测试性测度与两个主要的测度指标的含义; 2以March C-算法为例,说明March算法的构成,以及March C-算法的故障覆盖率; 3“效果-原因”诊断法和“原因效果诊断法”的不同; 4列举四条扫描设计时出现的问 题及解决办法; 5最少写出1149.1与1500的五点不同; = = = = =

无名何许人的博客 1150

PhalApi云原生部署:AWS、Azure与GCP实践对比

PhalApi作为一款轻量级PHP开源接口框架,专注于接口服务开发,让接口从简单开始。本文将详细对比在AWS、Azure和GCP三大云平台上部署PhalApi的实践方案,帮助开发者选择最适合的云原生部署方式。 ## 一、云原生部署准备工作 在进行云平台部署前,首先需要准备好PhalApi项目。通过以下命令克隆仓库: ```bash git clone https://gitcode.com/

gitblog_00611的博客 889

WorkBuddy 技能指南:基础办公与文档处理

WorkBuddy 不仅仅是一个对话工具——它通过技能(Skills)系统,将通用 AI 助手转变为具备专业领域能力的智能助手。每个技能都是一套经过精心设计的"能力包",包含专业知识、工作流程和专用工具。本文聚焦于文档处理类技能——这是日常工作中使用频率最高、最实用的能力集合。

u011186532的专栏 705

最新全功能DNV sesam suite 2013 Full 1CD包含新的 DeepC 、GeniE和HydroD模块.

最新全功能DNV sesam suite 2013 Full 1CD包含新的 DeepC 、GeniE和HydroD模块. DNV Software Wadam v9.0.04 Win32 1CD DNV.Leak.v3.2 1CD 石油化工装置事故发生的频率计算 Dnv.Phast.V7.01事故后果模拟、安全风险计算软件 DNV Phast & Safeti v6.7 事故后果模拟、安

cadworx2016的博客 2852

形状记忆合金热机械本构模型的ABAQUS子程序实现与Fortran\_ABAQUS编程实践

本文详细介绍了如何使用ABAQUS子程序实现形状记忆合金的热机械本构模型,并通过Fortran_ABAQUS进行编程实践。我们首先介绍了问题的背景和目标,然后讲解了如何在Fortran_ABAQUS子程序中实现热变形模型、应力应变关系和相变模型,最后进行了ABAQUS模拟,并分析了模拟结果。希望通过本文的讲解,能让大家更深入理解ABAQUS子程序以及Fortran的使用,也希望能对大家在进行相关学习或研究工作时提供一些帮助。

qq_38334677的博客 1330

[NoC]Outstanding和Credit的概念详解

摘要:本文详细解析了计算机体系结构中outstanding和credit两个核心概念。outstanding指已发出但未完成的请求数量,通过跟踪未决事务实现并发和乱序执行,常见于AXI总线等场景;credit则是基于信用令牌的流控机制,通过控制发送速率防止接收端缓冲溢出,多用于NoC网络。二者在目的、机制上存在差异:outstanding侧重提升并发度,credit关注流控保护。文章通过AXI协议实例和SystemC代码示例展示了二者的应用与结合方式,并探讨了在SoC设计中参数优化的方法,包括性能/资源权衡

元直的博客 2287

SafeNet加密软件详细步骤

SafeNet超级狗使用教程 1.插入光盘,或者拷贝光盘的文件到u盘,点windows那里,安装 2.安装的时候关闭所有杀毒软件,以管理员身份安装 3.安装完毕后,插入主锁(比较大的那个u盘),点击“软件保护”->“超级狗开发商向导”,选择推荐方式安装api,只需选择windows那一栏 4.第3步骤完成后,点击“软件保护”->“授权管理工具”,打开界面后,选择工具,点击“使用正式开发...

weixin_43126839的博客 1万+

智能车图像处理12-进阶篇4--环岛辅助判断条件

主函数: 第6行: 含义是当前需要不在坡道和车库状态 第11-12行 : 寻找一下环岛的双断点(在辅助函数中) 第16-66行: 当左右线的方差满足一边很大,一边很小时,truepianfangflag /truepianfangflagforleft 置1,在环岛的判断中使用。 辅助函数: 双断点函数(左与右相似,以做为例): 第13-28行: 第一处断点 第29-40行: 第一处断点后 连续边线 第41-52行: 第一处连续后,第二处断点 第53-64行: 第二处断点后,第二处

taiyuezyh的博客 1万+

2024年9月openstack9.0安装指南

http://mirror.fuel-infra.org/mos-repos/ubuntu/9.0/的镜像站。

lwprain的专栏 1991

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

FME与ESRI的版本与兼容性的注意事项

原文发布时间:2012-07-24翻译整理:怕冷的企鹅有效格式FME支持SDE和Geodatabase多类型的读写操作,其应用需要依赖于您当前机器上已安装运行的Esri软件架构。详细的类型对照名称可参考ESRI Readers and Writers·         Esri Geodatabase (Personal Geodatabase)·         Esri Geodatabase...

fmechina的博客 3368

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: Chempute Instrument Engineering Calculations (InstruCalc) v9.0.0 1CD仪表计算软件
下一篇: 全新Intelligent.Manufacturing.Software.IMSPost.v8.2f.Suite.Win64后处理 在大多数情况下,用户只需在IMSPOST软件的对话窗口和菜单项中
software2017
博客等级 码龄9年 70粉丝 199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