Log4Net使用教程

C#-Winform之log4net使用详细记录 一、作用 提供一个记录日志的框架,可以将日志信息记录到文件、控制台、Windows事件日志和数据库(MSSQL、Acess、Oracle、DB2和SQLite等)。 二、操作步骤 1.在项目中添加对log4net.dll的引用(通过NuGet可以直接安装) 2.在工程目录下找到App.config文件,用记事本将其打开 将以下代码将其替换 <?xml version="1.0" encoding="utf-8" ?> <configuration> <configSe 阅读详情

  一. Log4Net 简介

  Log4net 是 Apache 下一个开放源码的项目,它是Log4j 的一个克隆版。我们可以控制日志信息的输出目的地。Log4net中定义了多种日志信息输出模式。 

  在做项目的时候令我最头疼的是在程序发布到正式环境之后出现了问题,我们不能调试而且问题很难重新,于是我们需要大量的日志数据来精确的跟踪程序的运行状况。 

  Log4net就可以帮我来解决这一个难题,对于日志的输出我们不需要人为的去干涉,它可以根据需要将日志输出到控制台,文本文件,windows 日志事件查看器中,包括数据库,邮件等等位置,以便我们快速跟踪程序bug。 

  二. Log4Net 简单使用

  使用Log4net必须引入log4net.dll 文件,因为log4net 是开源的,所以可以直接将源码添加到工程项目中去。然后生成新的dll文件。

  下面使用配置一个最简单的文件输出和控制台输出。 

  Log4Net 的配置文件,此段内容添加到App.config 或者 web.config 文件中:

  
< configSections > < section name ="log4net" type ="log4net.Config.Log4NetConfigurationSectionHandler,log4net" /> </ configSections > < log4net > < appender name ="FileAppender" type ="log4net.Appender.FileAppender" > < file value ="D:\a.log" ></ file > < appendToFile value ="true" ></ appendToFile > < layout type ="log4net.Layout.PatternLayout" > < conversionPattern value ="[%d]:%n%m%n" ></ conversionPattern > </ layout > </ appender > < appender name ="ConsoleAppender" type ="log4net.Appender.ConsoleAppender" > < layout type ="log4net.Layout.PatternLayout" > < conversionPattern value ="[%d]:%n%m%n" ></ conversionPattern > </ layout > </ appender > < root > < level value ="INFO" ></ level > < appender-ref ref ="FileAppender" ></ appender-ref > < appender-ref ref ="ConsoleAppender" ></ appender-ref > </ root > < logger name ="MyLogger" > < level value ="ERROR" ></ level > < appender-ref ref ="FileAppender" ></ appender-ref > < appender-ref ref ="ConsoleAppender" ></ appender-ref > </ logger > </ log4net >

  控制台程序测试例子:

  
ILog log = LogManager.GetLogger( " MyLogger " ); static void Main( string [] args) { log4net.Config.XmlConfigurator.Configure(); Program program = new Program(); program.log.Info( " >>>>>>>>>>>>>> " ); program.log.Info( " >>>>>>>>>>>>>>1 " ); program.log.Info( " >>>>>>>>>>>>>>2 " ); }

  对于已经熟练使用log4net的同学们来说,这段代码自然是小儿科。但对于新手来说这段配置理解还是有一定难度的,下面逐步解说配置以及程序的使用。在实际应用中log4net可能要比更加复杂,它要根据各种环境和要求来引用生成不同的日志。上面的程序代码只是将日志以文件格式和控制格式输出。如果有兴趣,可以将上述代码拷贝到自己的程序中去运行一次看看结果。上述例子是不会输出任何日志信息的,因为配置级别的限制。 

  三. Log4Net 结构

  Log4net 主要分为5个核心组件: Logger, Appender, Filter, Layout, Object Render。 

  Logger: 

  主要用于记录日志的分类和控制日志的级别。它可以以多种格式输出日志信息,同时它也可以控制日志的输出级别。上面的简单例子我们看似做了日志输出,但是没有输出任何日志结果,因为我们在日志级别上做了限制。 

  Appender: 

  这里我们简单称之为“附着器”。意思就是说日志的输出必须依赖于它,更确切的说以文本形式输出,还是控制台格式输出都必须要依靠它来控制。Log4net定义了多种附着器:

  (1) AdoNetAppender 将日志记录到数据库中。可以采用SQL和存储过程两种方式 。

  (2) AnsiColorTerminalAppender 在ANSI 窗口终端写下高亮度的日志事件。 

  (3) AspNetTraceAppender 能用asp.net中Trace的方式查看记录的日志。

  (4) BufferingForwardingAppender 在输出到子Appenders之前先缓存日志事件。

  (5) ConsoleAppender 将日志输出到控制台。

  (6) EventLogAppender 将日志写到Windows Event Log。

  (7) FileAppender 将日志写到文件中。 

  (8) MemoryAppender 将日志存到内存缓冲区。 

  (9) NetSendAppender 将日志输出到Windows Messenger service,这些日志信息将在用户终端的对话框中显示。

  (10) RemoteSyslogAppender 通过UDP网络协议将日志写到Remote syslog service。

  (11) RemotingAppender 通过.NET Remoting将日志写到远程接收端。

  (12) RollingFileAppender 将日志以回滚文件的形式写到文件中。 

  (13) SmtpAppender 将日志写到邮件中。

  (14) TraceAppender 将日志写到.NET trace 系统。

  (15) UdpAppender 将日志connectionless UDP datagrams的形式送到远程宿主或以UdpClient的形式广播。

  Filter:

  Appender 是将日志以缺省值的方式输出,意思就是按照默认值的方式输出。而Filter 意思就是过滤器,使用Filter 可以将日志以不同格式来输出。

  Layout:

  这个用于控制日志输出显示格式。

  Object Render:

  用于按照用户自定义标准来输出日志。

  Log4net 结构图 (从其他地方截图过来)

  Log4net 的日志对象管理器LogManager:LogManager是用于来管理所有的Logger对象的,GetLogger() 可以用来查找已经存在的Logger对象,如果对象不存在它会自动创建一个Logger对象,并且管理它。

  四. Log4Net 日志级别

  Log4net 分为如下几个级别:

  FATAL  毁灭级别

  ERROR 错误级别

  WARN 警告级别

  INFO 消息级别

  DEBUG 调试级别

  这几种日志级别高低:FATAL> ERROR> WARN > INFO > DEBUG。

  只有日志输出级别大于或等于配置的级别才能输出日志信息。

  比如我的日志配置级别为INFO,那么只有log.Info(), log.Warn(), log.Error(), log.Fatal()才能输出日志信息,Debug方式就不能输出。

  Log4net中还有两种特殊的配置级别: ALL - 允许所有的日志级别输出,OFF - 拒绝所有的日志级别输出。

  五. Log4Net 配置说明

  
< configSections > < section name ="log4net" type ="log4net.Config.Log4NetConfigurationSectionHandler,log4net" /> </ configSections > < log4net > <!-- 记录日志到数据库 --> < appender name ="AdoNetAppender" type ="log4net.Appender.AdoNetAppender" > < bufferSize value ="100" /> < connectionType value ="System.Data.SqlClient.SqlConnection, System.Data, Version=1.0.3300.0, Culture=neutral, PublicKeyToken=b77a5c561934e089" /> < connectionString value ="data source=GAS-HECHEN;initial catalog=dsc141051_db;integrated security=false;persist security info=True;User ID=sa;Password=000000" /> < commandText value ="INSERT INTO Log ([Date],[Thread],[Level],[Logger],[Message],[Exception]) VALUES (@log_date, @thread, @log_level, @logger, @message, @exception)" /> < parameter > < parameterName value ="@log_date" /> < dbType value ="DateTime" /> < layout type ="log4net.Layout.RawTimeStampLayout" /> </ parameter > < parameter > < parameterName value ="@thread" /> < dbType value ="String" /> < size value ="255" /> < layout type ="log4net.Layout.PatternLayout" > < conversionPattern value ="%thread" /> </ layout > </ parameter > < parameter > < parameterName value ="@log_level" /> < dbType value ="String" /> < size value ="50" /> < layout type ="log4net.Layout.PatternLayout" > < conversionPattern value ="%level" /> </ layout > </ parameter > < parameter > < parameterName value ="@logger" /> < dbType value ="String" /> < size value ="255" /> < layout type ="log4net.Layout.PatternLayout" > < conversionPattern value ="%logger" /> </ layout > </ parameter > < parameter > < parameterName value ="@message" /> < dbType value ="String" /> < size value ="4000" /> < layout type ="log4net.Layout.PatternLayout" > < conversionPattern value ="%message" /> </ layout > </ parameter > < parameter > < parameterName value ="@exception" /> < dbType value ="String" /> < size value ="2000" /> < layout type ="log4net.Layout.ExceptionLayout" /> </ parameter > </ appender > <!-- 输入日志到控制台 --> < appender name ="ConsoleAppender" type ="log4net.Appender.ConsoleAppender" > < layout type ="log4net.Layout.PatternLayout" > < conversionPattern value ="[时间]:%d%n[级别]:%p%n[内容]:%m%n%n" ></ conversionPattern > </ layout > </ appender > < appender name ="FileAppender" type ="log4net.Appender.FileAppender" > < param name ="file" value ="D:\a.log" ></ param > < param name ="appendToFile" value ="true" ></ param > < layout type ="log4net.Layout.PatternLayout" > < conversionPattern value ="[时间]:%d%n[级别]:%p%n[内容]:%m%n%n" ></ conversionPattern > </ layout > </ appender > < root > < level value ="INFO" ></ level > < appender-ref ref ="FileAppender" ></ appender-ref > < appender-ref ref ="ConsoleAppender" ></ appender-ref > </ root > < logger name ="MyLogger" > < level value ="INFO" ></ level > < appender-ref ref ="FileAppender" ></ appender-ref > < appender-ref ref ="ConsoleAppender" ></ appender-ref > </ logger > </ log4net >

  这个配置文件定义了三种不同的Appender,分别是ADO.NET 记录到数据,ConsoleAppender 从控制台输出, FileAppender 日志信息文件输出。

  然而Log4Net 的配置附着器远不止这些,这里上传一个比较全的附着器配置文件供大家参考 点击下载。

  根据上面的日志配置文件仍然使用如下代码测试:

  这里需要注意,log4net.Config.XmlConfigurator.Configure();   这个相当于初始化Log4net, 如果是在Web程序中,我们可以将这句话添加到 Global.asax 文件的Application_Start(object sender, EventArgs e) 方法中,在程序启动的时候就初始化配置信息。

  上面的程序运行结果图,控制台输出结果为:

 

  信息记录到指定的磁盘文件中,记录的结果如下图:

  这里说明两个配置:

  这里的 root 和 logger 配置节点,root 就相当于默认的日志对象配置,而logger是指定特定的日志配置。他们可以共存。

  对于这两个节点下面都有 level 和 appender-ref 节点,分别用于指定日志的输出级别和引用哪些附着器。每个日志对象都可以使用多个appender,这里的配置同时使用文件输出和控制台输出。得到的结果就是上面两个结果图。

  下面的logger对象添加了AdoNetAppender附着器,当使用MyLogger日志对象的时候就会使用这三种不同的方式记录日志。

  上面的程序声明了两个日志对象 log 和 log1,log 是在初始化的时候存在的,它得到的是<logger name="MyLogger"> 这个日志对象,而log1 是 LogManager 中不存在的日志对象,这里它会重新创建一个并且由LogManager 管理,后面再次使用则使用这个已经存在的对象。 这里两个日志对象同时使用结果如下:

  现在我修改配置文件的日志文件输出级别:

  
< logger name ="MyLogger" > < level value ="WARN" ></ level > < appender-ref ref ="FileAppender" ></ appender-ref > < appender-ref ref ="ConsoleAppender" ></ appender-ref > < appender-ref ref ="AdoNetAppender" ></ appender-ref > </ logger >

  运行得到的结果如图:

  显然MyLogger对象日志没有输出日志信息。

  六. Log4Net 参数说明 

  上面我们看到的配置文件中有类似 %m %n 等这样的符号,这些符号都是有特殊意义的。

  
%m [ %message ] : 输出的日志消息 %n : 换行 %d [ %datetime ] : 输出当前语句运行的时刻 %r : 输出程序从运行到执行到当前语句时消耗的毫秒数 %d : 当前语句所在的线程ID %p : 日志的当前优先级别 %c :当前日志对象的名称 %L : 输出语句所在的行号 %F :输出语句所在的文件名 %-数字 :表示该项的最小长度,如果不够,则用空格填充

  七. 自定义轻量级日志系统

  具体参照文章:  ORM映射框架总结--日志处理。

  这里不再过多的说明,示例下载。

Log4net详细说明使用 1、概述 log4net是.Net下一个非常优秀的开源日志记录组件。log4net记录日志的功能非常强大。它可以将日志分不同的等级,以不同的格式,输出到不同的媒介。本文主要是介绍如何在Visual Studio2008中使用log4net快速创建系统日志,如何扩展以输出自定义字段。 2、一个简单的使用实例 第一步:在项目中添加对log4net.dll的引用,这里引用版本是1.2.10.0。 第二步:程序启动时读取log4net的配置文件。 如果是CS程序,在根目录的Program.cs中的Main方法中添加: log4net.Config.XmlConfigurator.Configure(); 如果是BS程序,在根目录的Global.asax.cs(没有新建一个)中的Application_Start方法中添加: log4net.Config.XmlConfigurator.Configure(); 无论BS还是CS程序都可直接在项目的AssemblyInfo.cs文件里添加以下的语句: [assembly: log4net.Config .XmlConfigurator()] 也可以使用自定义的配置文件,具体请参见4.4 关联配置文件。 第三步:修改配置文件。如果是CS程序,则在默认的App.config文件(没有新建一个)中添加内容;如果是BS程序,则添加到Web.config文件中,添加内容一样,这里不再列出。 App.config文件添加内容如下: <?xml version="1.0" encoding="utf-8" ?> <configuration> <configSections> <section name="log4net" type="log4net.Config.Log4NetConfigurationSectionHandler, log4net" /> </configSections> <log4net> <root> <level value="WARN" /> <appender-ref ref="LogFileAppender" /> <appender-ref ref="ConsoleAppender" /> </root> <logger name="testApp.Logging"> <level value="DEBUG"/> </logger> <appender name="LogFileAppender" type="log4net.Appender.FileAppender" > <param name="File" value="log-file.txt" /> <param name="AppendToFile" value="true" /> <layout type="log4net.Layout.PatternLayout"> <param name="Header" value="[Header] "/> <param name="Footer" value="[Footer] "/> <param name="ConversionPattern" value="%d [%t] %-5p %c [%x] - %m%n" /> </layout> <filter type="log4net.Filter.LevelRangeFilter"> <param name="LevelMin" value="DEBUG" /> <param name="LevelMax" value="WARN" /> </filter> </appender> <appender name="ConsoleAppender" type="log4net.Appender.ConsoleAppender" > <layout type="log4net.Layout.PatternLayout"> <param name="ConversionPattern" value="%d [%t] %-5p %c [%x] - %m%n" /> </layout> </appender> </log4net> </configuration> 第四步:在程序使用。 log4net.ILog log = log4net.LogManager.GetLogger("testApp.Logging");//获取一个日志记录器 log.Info(DateTime.Now.ToString() + ": login success");//写入一条新log 这样就将信息同时输出到控制台和写入到文件名为“log-file.txt”的文件中,其中“log-file.txt”文件的路径是当前程序运行所在目录;也可以定义为绝对路径,配置如: <param name="File" value="C:/log-file.txt" />就写入C盘根目录下log-file.txt文件中 立即下载

相关推荐

Log4NET详细配置教程

Log4net 是基于.net开发的一款非常著名的记录日志开源组件。它最早是2001年7月由NeoWorks Limited启动的项目,基本的框架源于另外的一个 非常著名的姐妹组件-log4j。Log4net记录日志的功能非常强大。它可以将日志分不同的等级,比不同的样式,将日志输出到不同的媒介。

Log4net详细教程

log4net 的详解,从配置文件到帮助类的编写

weixin_44900027的博客 6999

已过tiktok校招客户端,面经分享

面试的话, 一天面完3面, 效率很高, 三天之后就发了offer 字节邮件里面也说了不能泄露面试题, 那我就把我秋招参与美团,字节,腾讯,阿里面试被问到的全部问题总结着写出来了, 这其实是我每一轮面试完之后我都会总结哪里答对了, 哪里没有答对, 总结了一大堆问题出来. 答案未必正确, 我只是给自己写了个简单的一句话概括, 可能不够完善, 建议看官自行回答一下这些问题 二本非科班, 暑假在字节实习过, 不过不是tiktok部门, 因此秋招就没啥时间准备面试了, 只投了几个大厂, 顺便也在字节跨部门转正,

a1472750149的博客 1307

Log4net 教程

log4net教程

ccf19881030的专栏 2355

【LaTeX PPT模板集】Beamer主题与配色使用教程

【LaTeX PPT模板集】Beamer主题与配色使用教程

Xminyang的博客 1万+

Python小白也能搞定!用you-get一键下载B站视频合集的保姆级教程

本文为Python新手提供了使用you-get工具一键下载B站视频合集的完整教程。从环境配置、基础下载操作到高级批量下载技巧,详细介绍了如何利用这个开源工具高效获取视频资源,包括解决常见问题和实用优化建议,帮助用户轻松实现离线学习。

weixin_42544663的博客 458

C#下log4net日志记录使用实例完整教程

C#下log4net日志记录使用实例完整教程1 log4net1.1 log4net简介1.2 log4net源码下载1.3 log4net源码编译1.3.1 编译工具1.3.2 编译步骤1.3.2.1 解压log4net源码apache-log4net-source-2.0.10.zip1.3.2.2 找到文件“……\log4net解压目录\src\log4net.sln”1.3.2.3 Visual Studio运行“log4net.sln”1.3.2.4 Visual Studio中设置工程等细节2

ZYF的博客 3777

CGAL-5.6的安装与编译(Win10+vs2022+CGAL-5.6+Boost1.82.0)

CGAL是Computational Geometry Algorithms Library(计算几何算法库)的缩写,C++的高效算法库。CGAL只是一个头文件库(从5.0版本开始),这意味着CGAL无需编译,只需安装好CGAL的依赖项即可。CGAL5.6。

baidu_34931359的博客 3902

log4net使用教程

1、引入log4net组件 在Visual Studio中选中所需添加log4net的项目,点击鼠标右键,选择【管理NuGet程序包】 输入关键字log4,查找对应程序包,并点击安装 完成完成之后,你可以在引用中看到已经成功引用log4net 2:App.config中添加section节点 3:添加log

jmp esp 967

“快速掌握Vivado FPGA开发流程“——详解Vivado开发流程及实例

快速掌握Vivado FPGA开发流程”——详解Vivado开发流程及实例FPGA技术在现代电子领域中应用越来越广泛,而Vivado作为业界最流行的FPGA设计工具之一,也受到越来越多人的关注和使用。那么如何快速掌握Vivado FPGA开发流程呢?本文将详细介绍Vivado开发流程,并通过实例来加深您的理解。首先,我们需要了解Vivado开发流程的主要步骤:创建工程、设计电路、约束电路、生成比特流。接下来,让我们一步步了解这些步骤。

2301_78484069的博客 731

从养虾到退坑:OpenClaw 卸载不留残留,一步到位

文章摘要: 本文提供OpenClaw软件的完整卸载指南,适用于Windows、macOS和Linux系统。内容包含卸载前的数据备份步骤(配置文件、日志、插件列表),以及详细的卸载脚本。Windows版通过批处理文件删除程序文件、注册表项和环境变量;macOS/Linux版则提供shell脚本,涵盖服务停止、软件包卸载、配置清理等步骤。特别强调要删除所有用户数据(包括多用户环境),确保系统无残留。文末建议重启计算机以使更改生效,实现"一步到位"的彻底卸载。

一键难忘的博客 298

使用 log4net 将异常日志保存到数据库的完整教程

在软件开发中,记录日志是非常重要的,尤其是在应用程序发生异常时,能够快速追踪问题的根源至关重要。log4net 是一个流行的日志框架,它允许将日志信息记录到多个目标(如文件、数据库、控制台等)。本教程将介绍如何通过 log4net 将异常日志保存到数据库中,并包含详细的代码和注释。

hy_4377的博客 1526

基于ZYNQ PL的AD7606数据采集与FFT实时频谱分析:从硬件到创新实现

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kKnmpgJm-1750295287594)(https://example.com/fft_plot.png)]本文涉及代码已在Xilinx ZCU102开发板与AD7606评估板上验证通过,采样率支持200KSPS@8通道,FFT计算延迟<1ms。传统MCU+DSP方案难以兼顾速度与功耗,而ZYNQ的PL+PS架构为这一问题提供了完美解决方案。本文实现的ZYNQ PL方案突破了传统处理器的性能瓶颈,通过。

QQ_778132974的博客 338

关于log4net的详细使用教程

关于log4net的使用教程:下载log4net并添加引用,在配置文件web.config或App.config中的Configuration节点下增加配置内容。

yinshengchen的博客 4548

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")

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

log4net的简单使用教程--可直接用

1、添加log4net的引用,注意版本的对应关系,有网的话直接用nuget安装最好 2、在app.config里添加如下配置: &lt;configSections&gt;     &lt;section name="log4net" type="log4net.Config.Log4NetConfigurationSectionHandler, log4net"/&gt;   &lt;/...

wangkailin9325的博客 1431

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

YALV(又一个Log4Net查看器)使用教程

YALV(又一个Log4Net查看器)使用教程 项目介绍 YALV,全称为Yet Another Log4Net Viewer,是一款专为Log4Net设计的日志文件查看工具。它具备诸如日志合并、动态过滤、最近打开文件管理、列排序和重排以及日志事件数据复制到剪贴板等便捷功能。该应用无需复杂配置,即可轻松使用,拥有直观的用户界面,并支持包括英语、法语、德语、意大利语、俄语、日语、中文和希腊语在内的...

gitblog_00137的博客 887

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

Winform之log4net使用教程

/上面的assemble配置使使用配置文件 “TestApp.exe.config”,并且不监视。//下面的配置覆盖assemble配置,使用配置文件 log4net.config, 并且监视该文件。//如果修改了TestApp.exe.config文件, log4net自动重新加载。// 文件 TestApp.exe.log4net 被log4net监视是否被修改,//如果修改了TestApp.exe.config文件, log4net自动重新加载。

Pei_hua100的专栏 2069

c#如何使用log4net组件(超级详细教程)

c#如何使用log4net组件(超级详细教程) log4net简介 log4net是.Net下一个非常好用的开源日志记录组件。log4net记录日志的功能非常强大。它可以将日志分不同的等级,以不同的格式,输出到不同的媒介。 全新的界面设计 ,将会带来全新的写作体验; 在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示; 增加了 图片拖拽 功能,你可以将本地...

优快云Mantou的博客 1万+

Microsoft.Extensions.Logging.Log4Net.AspNetCore 使用教程

Microsoft.Extensions.Logging.Log4Net.AspNetCore 使用教程 一、项目目录结构及介绍 本教程基于 huorswords/Microsoft.Extensions.Logging.Log4Net.AspNetCore 开源项目,它允许在任何ASP.NET Core应用程序中配置Log4net作为微软扩展日志处理程序。以下是该仓库的基本目录结构及其简要说明:...

gitblog_00974的博客 1294

log4Net 教程

学习log4Net需要多长时间,1天吗?如果只是使用它,我希望是十分钟。希望这篇关于log4Net的介绍能让你在十分钟里实现你的目的。 工程中的代码我扩展了log4net的字段,又添加了两个,然后将日志写入数据库和文本文件。用一个rollingFileappender将log4Net的字段和我扩展的地段同时写入文件是要点,请留意layout节点的设置。 演示工程链接:http://down

neo2616的专栏 775

log4net简明教程

Normal 0 7.8 磅 0 2 false false false EN-US ZH-CN X-NONE

zwywilliam的专栏 1483

在C#代码中应用Log4Net系列教程(附源代码)

Log4Net应该可以说是DotNet中最流行的开源日志组件了。以前需要苦逼写的日志类,在Log4Net中简单地配置一下就搞定了。没用过Log4Net,真心不知道原来日志组件也可以做得这么灵活,当然这系列的教程讲的是Log4Net的应用。学习完这系列的教程,你可以实现如下图一样整洁、醒目的日志文件。教程中的每一篇文章都有可以运行的例子,并且教程里面的例...

weixin_33904756的博客 139

Log4net使用教程

log4net使用教程

weixin_40020850的博客 672

Log4Net详细使用教程

 简介 1.1          Log4net的优点: 几乎所有的大型应用都会有自己的用于跟踪调试的API。因为一旦程序被部署以后,就不太可能再利用专门的调试工具了。然而一个管理员可能需要有一套强大的日志系统来诊断和修复配置上的问题。 经验表明,日志记录往往是软件开发周期中的重要组成部分。它具有以下几个优点:它可以提供应用程序运行时的精确环境,可供开发人员尽快找到应用程序中的Bug;一旦在程序中

纹£祥 的.Net空间 1730

log4net详细教程

<br /> 简介 <br />1.1 Log4net的优点: <br />几乎所有的大型应用都会有自己的用于跟踪调试的API。因为一旦程序被部署以后,就不太可能再利用专门的调试工具了。然而一个管理员可能需要有一套强大的日志系统来诊断和修复配置上的问题。 <br />经验表明,日志记录往往是软件开发周期中的重要组成部分。它具有以下几个优点:它可以提供应用程序运行时的精确环境,可供开发人员尽快找到应用程序中的Bug;一旦在程序中加入了Log 输出代码,程序运行过程中就能生成并输出日志信息而无需人工干预。另外,

技术就是个纸老虎---为之,则难者亦易矣;不为,则易者亦难矣。 2208
上一篇: LINQ联接函数
下一篇: Jquery常用方法总结
wangbin1986
博客等级 码龄18年 21粉丝 47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