墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
87平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
在JavaScript编程中，纯函数是一种非常有用的概念。纯函数是指在相同的输入下，总是返回相同的输出，并且没有任何副作用的函数。副作用是指对函数外部环境造成可观察的改变，比如修改全局变量、发送网络请求、修改DOM等。然而，在实际的应用中，我们有时候需要在纯函数中处理一些副作用。本文将介绍一些处理纯函数中副作用的方法，并提供相应的源代码。
一种常见的方法是将副作用封装在函数内部，这样可以确保函数本身仍然是纯函数。例如，假设我们有一个纯函数add用于两个数字相加，但我们想要在每次调用add时打印一条日志。我们可以将打印日志的逻辑封装在另一个函数中，然后在add函数内部调用该函数。
function add(a, b) {
console.别光刷题了！从PTA这道AI核心代码题，聊聊字符串处理中的‘状态’与‘副作用’
本文通过PTA L1-064题目探讨了字符串处理中的状态管理与副作用控制问题。分析了链式替换、边界条件和状态污染等典型陷阱，并提出了标记数组法、中间语言法和纯函数式三种解决方案，帮助开发者提升工程思维和代码质量。
【Python】函数式编程
函数式编程（Functional Programming, FP）并非一种全新的编程语言，而是一种编程范式，一种思考和构造程序的方式。它根植于数学中的函数概念，强调程序的执行过程应如同数学函数的求值，避免状态的改变和可变数据。要真正掌握Python中的函数式编程，我们必须首先从其最底层的基石和核心哲学开始理解。在深入理解函数式编程之前，我们有必要先明确“编程范式”（Programming Paradigm）这一概念。编程范式是指一种编写代码和组织程序思想的“风格”或“方法论”。它提供了一套原则和结构，指导开
Part1-1-1 函数式编程
函数式编程 函数式编程的思维方式:把现实世界的事物和事物之间的联系抽象到程序世界(对运算过程进行抽象)。 程序的本质:根据输入通过某种运算获得相应的输出，程序开发过程中会涉及很多有输入和 输出的函数 x -> f(联系、映射) -> y，y=f(x) 函数式编程中的函数指的不是程序中的函数(方法)，而是数学中的函数即映射关系，例如:y = sin(x)，x和y的关系 相同的输入始终要得到相同的输出(纯函数) 函数式编程用来描述数据(函数)之间的映射 高阶函数 高阶函数 (Highe
跟着coderwhy学习JS高级语法 函数
跟着coderwhy学习JS高级语法 函数
MVI架构解析：Android状态管理的最佳实践
在Android开发中，状态管理是构建稳定应用的核心挑战。MVVM等传统架构在处理复杂状态时容易遇到同步问题和调试困难。MVI架构通过严格的单向数据流和不可变状态管理，提供了更可预测的状态变更机制。其核心原理是将用户操作封装为Intent，通过纯函数Reducer处理状态更新，最终生成不可变的State对象。这种模式特别适合需要严格状态追踪的复杂交互场景，如电商购物车、实时数据看板等。结合Kotlin的密封类和StateFlow等响应式组件，开发者可以构建出更健壮、更易维护的Android应用。
无Elm的Elm架构：在前端框架中实践TEA模式
函数式编程通过纯函数和不可变数据等概念，为前端开发提供了可预测的状态管理方案。其核心原理在于单向数据流和明确的职责分离，这种架构模式能够显著提升代码的可维护性和测试便利性。在工程实践中，The Elm Architecture（TEA）将应用拆分为Model、Update、View三个部分，通过消息驱动的方式实现状态更新。这种模式特别适合中等以上复杂度的前端应用场景，如需要严格状态追踪的表单系统或团队协作项目。React的useReducer和Vue的Composition API都为TEA架构提供了天然的
React useReducer实战：复杂状态管理与异步场景全解析
在React Hooks生态中，状态管理始终是前端工程的核心议题。useState作为最基础的Hook，适合简单独立的状态，但在多字段联动、异步流或撤销重做等复杂场景下，易导致逻辑碎片化。useReducer引入纯函数reducer与dispatch动作，将状态更新规则集中收敛，大幅提升可读性与可测试性。它既能管理表单联动、购物车等业务状态，也可结合Context构建轻量级全局状态方案，甚至通过TypeScript判别联合获得编译期保障。本文从概念原理讲到实战坑点，系统呈现useReducer在复杂状态管理
Compose系列 五 副作用 side-effect
本系列是我学习compose过程中，对官方文档的翻译和解读，以及实验性的Demo工程。主要参考官方文档和中文手册 全部的正文内容（Demo工程除外）源自Compose官方文档，个人解读以引用的形式插入。 Compose 官方文档 https://developer.android.google.cn/jetpack/compose Compose 中文手册 https://compose.net.cn/ 本文翻译内容 https://developer.android.google.cn/jetpack/.
30、迈向函数式编程思维：Java 中的实践与应用
本文深入探讨了函数式编程在Java中的实践与应用，涵盖了函数式编程的核心特点、避免副作用的方法、表达式与语句的区别、不可变性的优势以及函数式数据处理等内容。通过实际案例展示了如何将函数式编程思维应用于Java开发，提高代码的可维护性与可读性，并分析了其面临的挑战与未来发展趋势。
Python函数式编程与lambda表达式【python基础篇】
JSON是一种轻量级的数据格式，易于阅读和编写，同时也易于机器解析和生成。它基于键值对的方式组织数据，支持嵌套结构，包括对象和数组。Python的json模块提供了处理JSON数据的工具，包括序列化（将Python对象转换为JSON字符串）和反序列化（将JSON字符串转换为Python对象）功能。JSON模块不仅仅局限于基本的数据类型序列化，还支持用户自定义类的序列化与反序列化。通过default和参数，我们可以实现更高级的应用。考虑以下场景，有一个自定义的Person# 创建一个Person实例。
C#函数式编程在并发中的应用——99%的开发者都不知道的秘密，它比传统方法快多少？
🔥关注墨瑾轩，带你探索编程的奥秘！🚀🔥超萌技术攻略，轻松晋级编程高手🚀🔥技术宝库已备好，就等你来挖掘🚀🔥订阅墨瑾轩，智趣学习不孤单🚀🔥即刻启航，编程之旅更有趣🚀想象一下，你正在一个繁忙的城市中驾驶着你的小车，周围是成千上万的其他车辆。每辆车都试图到达自己的目的地，但它们必须遵守交通规则，以避免碰撞和混乱。这就像我们的程序，在处理并发时，需要确保每个任务都能安全地执行而不会互相干扰。那么，C#中的函数式编程（FP）是如何帮助我们在这个“交通”中导航的呢？让我们一探究竟。
Python学习笔记 - 探索函数式编程常用方法
函数式编程是Python编程中一种高度抽象的编程范式，以函数为中心，通过不变的数据结构和纯函数来构建程序。函数式编程的核心思想在于“无副作用”和“数据不可变性”，这样的编程方式能提高代码的可读性和可维护性，减少错误的发生，特别适合用于处理复杂的数据操作、并行计算和数据流处理等场景。掌握Python中的函数式编程思维，不仅有助于拓展编程视野，更能提升编写高效、优雅代码的能力。函数式编程在Python中主要通过一些关键特性来实现，包括高阶函数、匿名函数、闭包、柯里化等。此外，Python中还提供了、等模块，使得
使用纯函数处理副作用的 JavaScript 编程学习
首先，让我们来看一下纯函数的定义。相同的输入总是返回相同的输出。没有对外部环境产生可观察的副作用。这个add函数是一个纯函数，因为它接受两个参数并返回它们的和。无论何时调用add(2, 3)，都会得到结果5，并且没有对外部环境产生任何副作用。在 JavaScript 中，通过使用纯函数处理副作用，我们可以减少代码的复杂性，并使代码更易于测试和维护。本文介绍了处理副作用的几种常见技术，包括返回值、参数传递和高阶函数。
12.1 纯函数、不可变性与副作用：构建可靠JavaScript应用的基石
本文探讨了构建可靠JavaScript应用的三大基石：纯函数、不可变性和副作用管理。纯函数具有确定性输出且无副作用，提高了代码的可预测性和可测试性。不可变性原则确保数据修改产生新对象而非改变原对象，便于状态追踪和变更检测。副作用管理策略包括隔离副作用和使用React的Effect Hook。这些概念在React、Redux等现代前端框架中广泛应用，通过不可变更新和纯函数处理实现高效状态管理。文章通过具体代码示例展示了如何在数组/对象操作、数据处理管道和UI更新中实践这些原则。
函数式编程中的纯函数——编程学习
然后，我们将这两个纯函数组合在一起，通过函数链条的方式对输入列表进行处理。在函数式编程中，纯函数是一种特殊的函数，它具有以下两个主要特点：它的输出仅由输入决定，且没有副作用。纯函数的使用带来了可测试性、可组合性和可缓存性等好处，使得函数式编程成为一种强大的编程范式。纯函数的输出仅由输入决定，这意味着对于相同的输入，纯函数总是返回相同的输出。由于纯函数仅依赖于输入，我们可以将一个纯函数的输出直接作为另一个纯函数的输入，形成函数链条。通过遵循纯函数的原则，我们可以编写高质量、可靠且易于推理的函数式代码。
JS 纯函数：提升代码可测试性、可维护性与可预测性
纯函数是 JavaScript 中一种非常有用的编程技巧，它可以提高代码的可测试性、可维护性和可预测性。想象一下，你辛辛苦苦写了一段代码，结果每次运行出来的结果都不一样，就像抽奖一样，全凭运气。这酸爽，谁用谁知道！函数式编程强调使用纯函数来构建应用程序，通过组合纯函数来实现复杂的功能。例如，可以将 UI 渲染操作放在一个单独的函数中，这个函数可能不是纯函数，但它可以将副作用限制在 UI 层面，而不会影响到其他模块的逻辑。而“纯函数”就不一样了，它们就像老实人，只干自己分内的事，不搞小动作，给你稳定的预期。
20、Haskell 中的纯函数、I/O 操作与文件处理
本文详细介绍了 Haskell 中纯函数与非纯函数的区别，并深入探讨了 I/O 操作和文件处理的相关知识。内容涵盖文件句柄的打开与关闭、读写操作、定位与查询文件位置、标准输入输出的使用、临时文件的处理、文件删除与重命名等常见操作。同时，文章分析了 Haskell 文件操作的优点、注意事项以及常见问题的解决方法，帮助开发者编写安全、可靠的文件处理程序。
工业互联网工控安全与工业质检AI大模型建设方案.pptx
工业互联网工控安全与工业质检AI大模型建设方案.pptx
001:InVEST学习——产水/水源涵养
InVEST产水模块介绍 前言 （一些碎碎念着急的可以忽略）最开始做inVEST模型是2020年中，应该说对这个软件有很特殊的感情，之前一直想出一个教程，但是因为事情多加上拖延加上懒就耽搁了，事实证明东西不用就确实荒废了，现在面对当初自己做的东西顶多也就能想起一些思路，很多细节都忘了，所以这个教程也相当于是一个备忘录吧。 ...
【2026-Spark实验一-Windows中安装Spark环境】
本文详细介绍了在Windows系统中配置Spark 3.5.8开发环境的完整流程。主要内容包括：安装JDK 8并配置环境变量，下载并解压Spark 3.5.8预编译版，设置SPARK_HOME系统变量，配置Hadoop的winutils工具解决Windows兼容性问题。通过spark-shell和SparkPi示例程序验证环境配置成功，确保Spark能够正常运行分布式计算任务。文中特别强调了路径命名规范、环境变量设置顺序等关键细节，提供了完整的配置截图和验证方法，帮助开发者快速搭建稳定的Spark学习环境。
SRAM Bank数量配置：性能、面积与功耗的权衡指南
SRAM（静态随机存取存储器）是芯片设计中的关键存储单元，其Bank数量配置直接影响访问延迟、吞吐率、功耗和面积。Bank切分通过将存储阵列分区，缩短位线和字线延迟，从而提升性能，但会增加外围电路开销。合理配置Bank数量可优化PPA（性能、功耗、面积），在28nm和16nm工艺下，2个Bank通常是性价比最高的选择。本文基于实测数据，探讨不同场景下的Bank配置策略，帮助工程师避免常见误区，提升设计效率。
全局特征描述子 CVFH (Clustered Viewpoint Feature Histogram) 原理
特性VFHCVFH处理对象整个物体点云物体点云被分割后的稳定表面块（簇）对遮挡的鲁棒性弱。遮挡会破坏全局形状，导致描述子失效。极强。只依赖于稳定存在的部分。描述子维度263 维308 维 (263 + 45 SC)输出数量一个物体产生1 个描述子一个物体可能产生多个签名计算复杂度相对较低较高（需先聚类）主要应用场景完整、分割良好的物体存在遮挡、背景杂波的不完整物体。
基于IMX429-IMX430-IMX432-IMX437系列传感器的SLVS-MIPI桥接方案设计与实现
本文详细介绍了针对索尼IMX429、IMX430、IMX432及IMX437系列传感器的SLVS-MIPI桥接方案设计与实现。针对工业视觉、车载摄像头等应用中主流SoC仅支持MIPI接口的痛点，提出基于FPGA（如Lattice Crosslink-NX）的透传桥接方案，将传感器输出的SLVS信号无损转换为MIPI CSI-2信号，确保数据完整性与低延迟，并探讨了硬件选型、逻辑设计及多传感器兼容性等关键问题。
一种基于OpenPose和DNN的跌倒检测软件系统(中文&英文)
学习并实现一种跌倒检测模型，此模型基于OpenPose实现逐帧人体姿态检测，使用DNN识别人体动作。检测方式有在线与离线两种，本文主要测试了离线模式，测试效果较好。
S7-1200 PN与G120变频器控制起停及调速PROFINET实现详解
S7-1200 PLC与G120变频器通过PROFINET通信可实现高效、实时的电机控制。2. 《S7-1200与G120 CU250S-2PN的PROFINET通讯指南》- 控制器：S7-1200 PLC (如1214C DC/DC/DC)- 变频器：G120 CU250S-2PN (带PROFINET接口)- 输出区(PZD1-2)：控制字(16位)、速度设定值(16位)- 输入区(PZD1-2)：状态字(16位)、实际速度值(16位)- P922=1：选择报文类型为"标准报文1 (PZD2/2)"
RT-DETR改进策略【RT-DETR和Mamba】| CVPR 2025：EfficientViM 压缩隐藏状态空间进行通道混合、单头设计减少内存操作，提升目标检测效率与精度
本文记录的是利用模块优化的目标检测网络模型。EfficientViM Block（基于隐藏状态混合器的状态空间对偶性模块） 的设计旨在，提升特征提取效率，同时兼顾全局依赖捕捉与局部细节保留。本文将深入研究的原理，并将其应用到中，通过重构特征提取流程、减少内存绑定操作、融合多阶段特征，增强模型在资源受限环境下的检测性能与速度。Depth Information Assisted Collaborative Mutual Promotion Network for Single Image DehazingLE
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
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');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
233
扫一扫
