彩色下拉框的实现(源码)

用Qt写了个WiFi网络质量检测工具:实时Ping、彩色表格、动态图表、CSV导出,信创系统也能用 本文介绍了一个基于Qt C++开发的图形化网络检测工具,解决了传统命令行ping操作繁琐、数据不直观的问题。该工具具有多网卡选择、实时彩色表格显示、延迟等级评价、动态趋势图表和CSV导出等功能,支持Windows、Linux和macOS系统。文章详细展示了工具的核心功能、实现原理(包括跨平台适配、正则匹配和界面设计)以及使用教程。开发者还分享了后续更新计划,包括多IP对比测试和HTML报告生成等。该工具特别适合需要频繁排查网络问题的技术人员使用,源码已完整打包供下载学习。 阅读详情

//前台代码
<%@ Page Language="C#" AutoEventWireup="true"  CodeFile="Default.aspx.cs" Inherits="_Default" %>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" >
<head runat="server">
    <title>彩色下拉框源码的实现</title>
</head>
<body>
    <form id="form1" runat="server">
    <div style="margin-left:50px; margin-top:50px;">
    <table>
    <tr>
    <td>
    <asp:DropDownList ID ="ddlMultiColor"    runat="server" AutoPostBack="true">
    </asp:DropDownList>
    </td>
    <td>
    <div  id="msgColor" runat="server" >
    </div>
    </td>
    </tr>
    </table>
    </div>
    </form>
</body>
</html>

//后台代码
using System;
using System.Web;
using System.Reflection;
using System.Drawing;
using System.Collections.Generic;

public partial class _Default : System.Web.UI.Page
{
    #region Protected method
    protected void Page_Load(object sender, EventArgs e)
    {
        if (Page.IsPostBack == false)
        {
            populateDdlMultiColor();
            colorManipulation();
        }
    }
    protected void ddlMultiColor_OnSelectedIndexChanged(object sender, EventArgs e)
    {       
        ddlMultiColor.BackColor = Color.FromName(ddlMultiColor.SelectedItem.Text);
        colorManipulation();  
        ddlMultiColor.Items.FindByValue(ddlMultiColor.SelectedValue).Selected = true;   
        msgColor.Attributes.Add("style", "background:" + ddlMultiColor.SelectedItem.Value + ";width:30px;height:25px;");
    }
#endregion
    #region private method
    private void colorManipulation()
    {
        int row;
        for (row = 0; row < ddlMultiColor.Items.Count - 1; row++)
        {
            ddlMultiColor.Items[row].Attributes.Add("style", "background-color:" + ddlMultiColor.Items[row].Value);
        }
        ddlMultiColor.BackColor = Color.FromName(ddlMultiColor.SelectedItem.Text);
    }
    private List<string> finalColorList()
    {
       
        string[] allColors = Enum.GetNames(typeof(System.Drawing.KnownColor));
        string[] systemEnvironmentColors = new string[(typeof(System.Drawing.SystemColors)).GetProperties().Length];
        int index = 0;
       
        foreach (MemberInfo member in (typeof(System.Drawing.SystemColors)).GetProperties())
        {
            systemEnvironmentColors[index ++] = member.Name;           
        }
        List<string> finalColorList =  new List<string>();
               
        foreach (string color in allColors)
        {
            if (Array.IndexOf(systemEnvironmentColors, color) < 0)
            {
                finalColorList.Add(color);
            }                          
        }
        return finalColorList;
       
    }
    private void populateDdlMultiColor()
    {       
        ddlMultiColor.DataSource = finalColorList();
        ddlMultiColor.DataBind();
    }
    #endregion
}

0
0
(请您对文章做出评价)
中小型印刷店可用的PHP快印官网源码,带会员注册、订单提交与状态查询功能 一套开箱即用的PHP+MySQL印刷行业网站源码,专为图文快印店、小型印刷公司设计。首页集成服务导航,支持黑白复印、彩色打印、大幅面输出等业务分类展示;内置完整会员系统,用户可注册登录、修改资料和密码、提交打印/复印订单,并实时查看订单进度;后台管理清晰,含会员信息、订单记录、案例与文件下载等模块。前端采用HTML静态结构+PHP动态逻辑,模块化程度高,foot.html、head.html等公共片段便于统一维护;printcopy.html、bwcopy.html、clcopy.html等页面分别对应不同 阅读详情

相关推荐

漂亮的js下拉菜单

博文链接:https://qaybpljplj.iteye.com/blog/213390

下拉菜单源码30则 | 51flash.cn收藏分享设计资讯

导读:   下拉菜单源码30则28 Aug Posted by admin as 网页特效js/css   115 次阅读 收藏到QQ书签 来源:http://www.noupe.com 翻译:parandroid横向和纵向的下拉菜单1) Fancy Sliding Tab Menu using script.aculo.us2) Professional Drop

xu的blog 2438

下拉框实用源码大全

资源名称:下拉框实用源码大全资源目录:【】Ajax【】ajaxjsp二级联动下拉框【】ajax实现无刷新查询【】Ajax异步【】AJAX版省市区三级联动下拉框【】CSS jQuery个性化的下拉框效果【】jquery css多选项下拉框特效【】Jquery-省市区级-下拉框三联动【】jquery.flexse 资源太大,传百度网盘了,链接在附件中,有需要的同学自取。

html5中使用外链式为div标签设置属性

Document div{ width: 300px; height: 300px; /* 背景色 */ background-color: red; /* 边框 border */ /* 边框的粗细 实线 边框颜色 */ border-top: 10px solid green; bo

大数据-攻城狮 1662

HTML下拉框,下拉菜单源码

这是一个有趣的HTML下拉框,下拉菜单功能,得体大方,方块式呈现下拉功能

带选择框的下拉列表源码

最近开发了一个小插件---带选择框的下拉列表。在开发过程中,我们经常遇到这样的情况:界面较小,但是客户希望同时查询两个相同部门的信息,此时用Checkbox肯定不行,于是开发了一个能够多选的下拉列表。

html下拉选中状态,前端必备 八种select下拉选择特效源码

效果图各位朋友大家早上好!今天给大家带来的是 八种select下拉选择特效源码!在日常工作中会经常遇到!大家可以按照自己的意愿,做成喜欢的样子!需要文档版本源码,可以加我的HTML5前端交流群111645711废话不多说,上源码!;( function( window ) {'use strict';function hasParent( e, p ) {if (!e) return false;...

weixin_35796207的博客 698

一款非常好看下拉框样式(select)

一款非常好看下拉框样式(select)主要调用了已经封装好的样式文件selectBox.htc,才实现了下拉框的美化......

多选下拉框 源码【1】

close.gif    ico2.gif      my jsp 'index.jsp' starting page        function onCloseClick(e)  {   var obj = document.getElementById(e);   obj.value="";  }    functio

yangdayin的专栏 1275

HTML5多种好看的下拉框模板源码

资源描述: HTML5多种好看的下拉框模板源码,多种酷炫下拉框模板,代码上手简单,代码独立,可以直接使用。也可直接预览效果。别再犹豫了,一起加入这个源码的世界吧!博主提供各种支持,欢迎合作共赢。 效果演示地址: https://blog.youkuaiyun.com/weixin_43151418/article/details/134682321

激光雷达接收芯片选型指南:APD、SiPM、SPAD阵列的优缺点对比

本文深入对比了激光雷达接收芯片APD、SiPM和SPAD阵列的核心技术原理与性能差异。APD作为线性模式工作的稳健选择,动态范围大;SiPM具备单光子探测和高增益优势;而SPAD阵列凭借像素级数字读出和集成TDC,在时间分辨率与系统集成度上领先。文章从灵敏度、时间精度、动态范围及系统成本等多维度剖析,为不同应用场景(如车载雷达、Flash LiDAR、消费电子)的芯片选型提供实战指南。

ik6789012的博客 655

autojs之彩色下拉框

作者: 牙叔 使用情景: 做个彩色下拉框 原理: 重写下拉框的适配器, 在适配器的getView方法中, 添加随机颜色做背景 难点: 理解适配器的作用 autojs实现抽象类的继承 抽象类的继承 我自己是这么干的 在android studio中新建类, 继承BaseAdapter, 重写必要的方法 打包成jar文件, 给autojs使用, 就实现了autojs使用抽象类的目的 代码详解 加载jar中的类 let dexFilePath = files.join("./classes.de

snailuncle2的博客 1681

实验手册(灾难恢复)

我们发现DC1与DC2的复制出现问题,此时我们检查了在DC2中,DC1是否被正确注册。这里选择还原系统状态,因为我们原DC1上只备份了AD的数据,所以我们在新的这台服务器上还原的也是AD数据库。因为我们是单域下的测试,只测试了一个域,所以它会出现这样的报错。我们选择远程共享文件夹,我们备份的时候,是在备份这台服务器上的。同时删除SRV记录,A记录,NS记录,SOA记录,框框里面的所有有关dc1的记录全部删除。如果在企业中AD数据的备份是每周或者每月都会有一次备份,选择恢复AD数据库的时间。

weixin_52364868的博客 1309

⭐️Python实用小工具之制作酷炫二维码(有界面、附源码)⭐️

写在前面 对于下面这种普通的二维码,相信大家已经都司空见惯了,今天就带大家使用 Python 的 myqr 库,来制作些不一样的二维码。 安装myqr库 pip install -i https://pypi.douban.com/simple myqr 安装之后可以使用 'show myqr’命令来检查是否安装成功,成功的提示应该类似于下面这样。 制作普通二维码 制作一个简单的二维码 在命令行中输入 myqr url,下面举个栗子 words:二维码内容,链接或者句子 version:二维码大小,范围

向日葵的专属太阳 3198

STM32F103模拟SSI时序解析:实现高精度绝对式编码器位置读取

本文详细解析了如何在STM32F103微控制器上通过软件模拟SSI协议时序,实现高精度绝对式编码器的位置读取。文章从项目驱动出发,深入剖析了SSI通信原理、硬件电平转换连接、核心软件模拟代码实现及关键时序参数调试方法,并提供了使用示波器进行波形对齐与优化的实战指南,为成本敏感型工业控制与机器人项目提供了高性价比的解决方案。

weixin_29196315的博客 141

从零开始解析N-CMAPSS数据集:航空发动机健康管理的入门指南

本文详细解析了N-CMAPSS数据集在航空发动机健康管理中的应用,从数据集的构成、关键变量到实际数据分析方法,为初学者提供了全面的入门指南。通过Python代码示例,展示了如何加载、探索和建模这一复杂数据集,帮助读者掌握航空发动机性能预测的核心技术。

weixin_29063979的博客 319

Asp.net源码本周更新(7.2-7.6)

- 大学课程管理系统程序源码(印度)  Hits:367 2007-7-6使用CSS+SiteMap+UserControl+MasterPage实现简易的Tab 我们在做网站后台管理的时候,往往需要用到Tab形式的导航菜单,博客园如此,BlogEngine也如此,前段时间研究修改BlogEngine的时候看到其Tab实现如此容易,思路..- 邮政影视娱乐网(含注册机源码) Hi

Asp.net源码下载中心 3061

从零开始:使用VMOS Pro和Xposed绕过APP环境检测的完整指南

本文详细解析了使用VMOS Pro和Xposed框架绕过APP环境检测的完整技术方案,包括模拟器检测、Root环境检测和Hook框架检测的对抗方法。通过实战案例和代码示例,展示了如何利用Xposed Hook技术拦截检测逻辑,特别针对360加固等保护技术提供了解决方案。

ee345的博客 733

elementUI 源码-打造自己的组件库,系列一:经典永不过时(先上车)

基于elementUI源码 打造自己的组件库 vue2虽然已逐步被替代 但Element作为非常经典的UI框架 每每阅读总有源源不断的知识可以学习,经典永不过时

m13837120071的博客 3906

双向可控硅控制后续篇:过零检测电路、丢波、斩波、定时

双向可控硅功率控制技巧,掌握AC负载的控温控速等。

qq_42289734的博客 3万+

立项书8分钟定生死?手把手教你用ChatGPT辅助打造高水平申报书,让评审专家一看就想打高分!

宏大叙事、空话堆砌只会让评审绕晕,不如聚焦一个具体问题,拿出清晰的研究路径、扎实的设计方案,把“我想做什么、为什么做、打算怎么做”讲明白。对评审来说,关键不在你读了多少,而在你能否看清领域的共识、争议和空白,GPT的作用就在于帮你理清研究脉络,发现问题结构,聚焦那些还没被充分讨论的变量或方法,去提升综述的深度。之前要用到ProcessOn、Draw.io等工具画流程图,现在有了ai虽然方便了,但也需要多次调教,如果嫌麻烦,七哥给大家准备了课题申报常用的流程图,技术路线图,方便大家直接拿来编辑填空使用。

智能AI让学术科研更容易 290

web前端常用的10个jQuery特效总结

1、鼠标经过和鼠标离开事件 很多网站都有这样的小的特效,需要自己会写简单js代码 鼠标经过onmouseover 鼠标离开onmouseout 2、jQuery鼠标悬停文字渐隐渐现动画效果 鼠标悬停后图片渐渐有一层透明遮罩层,同时说明文字从左侧滑入,鼠标离开后文字从右侧滑出,整体效果美观自然 3、jquery基于small2big实现的图片突出显示特效 4、jquery+...

weixin_30315435的博客 218

【花雕学编程】嵌入式破局:MimiClaw入局后,“小龙虾”AI智能体生态的竞争与未来

摘要: 2026年初,开源项目OpenClaw的爆发式增长带动AI智能体赛道迅速崛起,国内外厂商竞相布局,形成多元化的“小龙虾”生态。国外开源社区推出的嵌入式智能体MimiClaw填补了边缘设备场景空白,重塑行业竞争格局。本文系统梳理生态构成,分析云厂商(如腾讯、阿里云)、大模型厂商(如智谱、MiniMax)、硬件/OS厂商(华为)及开源独立派(有道龙虾、MimiClaw)的差异化策略,并预判未来趋势:消费级渗透加速、云边协同、IM整合及模型与Agent深度绑定。同时提醒生态存在数据泄露等高危风险,需警惕安

雕爷学编程 884

html插件显示效果,web前端设计师们常用的jQuery特效插件汇总

1.jQuery鼠标悬停文字渐隐渐现动画效果这是一款基于JQuery实现的鼠标悬停文字渐隐渐现动画效果源码,是一款鼠标悬停后图片渐渐有一层透明遮罩层,同时说明文字从左侧滑入,鼠标离开后文字从右侧滑出,整体效果美观自然,用户体验较好。是一款比较优秀的特效源码。该源码兼容目前最新的各类主流浏览器。2.jquery基于small2big实现的图片突出显示特效这是一款基于Jquery的small2big插...

weixin_34489829的博客 355

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。

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

matlab:基于gui的图像处理(附带源码)

matlab:基于gui的图像处理(附带源码)

欢迎来到我的博客!这里是一个专注于计算机技术的分享平台,涵盖编程开发、算法研究、系统架构、软件工程等多个领域。无论你是初学者还是资深开发者,都能在这里找到有价值的内容。 1315

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

分享996个实用的JavaScript特效你要的全在这里

链接:https://pan.baidu.com/s/1eL8ASFY7BGiIrVXCtgPzgQ 密码:rbqo 分我就不信没有你想要的。996个好看且实用的JavaScript特效,总有一款适合你,小弟在某付费网站上收集的,虽然不是我的原创但是小弟这996个Js也是花了很多时日!下面是JS的名字,我放了一些图片,所有图片全都放进去是不行的996个图太多,大家下载后可以看到。 css3聚光灯射线旋转动画特效 js圆形虚线指针时钟特效 HTML5 Canvas透明气泡动画特效 jedate选择一年范.

zy0412326的专栏 1万+

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: Asp.net常用正则表达式
下一篇: ASP.NET图形编程部分示例
sqlmlm
博客等级 码龄19年 12粉丝 22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