IE8相比IE7 有24个不同

  CNET科技资讯网5月18日北京报道:今天,微软(中国)有限公司首席技术执行官李志霄博士,特意为CBSi网友发来了网友关心的微软IE8的一些问题解答,归纳起来,IE8相比IE7,有24个不同。

 

  在5月14日,李志霄做客CBSi中国媒体大联播时,对网友所关心的IE8比IE7快多少,IE8浏览器有没有加速器等问题没有给出答案,但今天,李志霄亲自致信,回答了这些问题。

  李志霄发来的IE8的介绍,可以分析出IE8和IE7有24个不同:

  1. 智能地址栏与内容匹配

  智能地址栏让用户不仅可以找到所需的网站,还可以把历史记录、收藏夹中的标题同用户输入地址栏的内容进行匹配,不会出现重复的情况。

  2. 选项卡分组关联性

  选项卡分组,让用户可以确认哪个选项卡有,当点击一个选项卡中的链接而导向另外一个时,新的选项卡会在旁边出现,而且两个选项卡都会用一个颜色进行标记。

  3. 右键可点击“新选项卡”页面

  IE8中的“新选项卡”页进行了重新设计,让用户可以右键点击页面执行常见任务。

  4. 重新打开上次浏览的页面

  在不小心关闭浏览器或浏览器崩溃的情况下,IE8让用户可以重新打开最近浏览的页面。

  5. 内查 “页面内查找”

  a) 改进了人们在网页中搜索文本的方式。

  b)页面内查找:按Ctrl+F或者在编辑菜单或即时搜索对话框中选择,即可开启页面内查找功能。工具条显示在用户的选项卡下面,因此不会阻碍页面上的任何文本。

  c) 结果数:强化的页面内查找功能,会显示搜索词在页面中出现的次数。

  d) 结果高亮显示:强化的页面内查找功能让用户可以一眼就找到搜索项目,因为搜索文本出现的所有地方都会高亮显示。

  6. Slipstream安装

  可以实现IE8执行的和WindowsVista操作系统映像一部分的定制,不再需要单独安装。当以这种方式使用IE8时,将成为WindowsVista的一部分,因此改善桌面一致性和可管理性。

  7. 设有ⅠE管理工具包

  收藏夹定制和导入加速器的能力

  8. 增加140多项设置:

  IE8控制和配置包括加速器和网页快讯在内的浏览器特性,支持InPrivate、兼容性查看、SmartScreen等区域对象,新增了140多种设置,使总数达到接近1500种,

  9. 增改七项子系统

  除了在标准支持方面的改进,IE8也包括面向开发人员的平台特性。还在很多子系统中改进了性能,例如HTML解析器、级联样式表(CSS)规则处理、标签树作、Jt解析器、清除对象时间和内存管理,针对开发人员的特性包括:

  a) CSS2.1:IE8全面支持CSS2.1规范,因此网络开发人员和设计人员可以立刻开发网页并在多种浏览器上准确地渲染。

  b)文档对象模型(DOM)与HTML4.01改进:IE8修复了很多跨浏览器不一致性问题;例如,获取/设置/删除属性等操作可以与其他浏览器互操作,而在异步Javat与XML(AJAX)

  c) 新兴标准:IE8融合了未来会成为行业标准的技术进步,例如W3C的HTML 5 Draft DOMStorage标准、WebApplications Working Group的Selectors API和ECMAt3.1语法。

  d)面向AJAX应用的全新浏览特性:开发人员现在可以在其AJAX应用中更新浏览器前后浏览堆栈以及地址栏,以便这些浏览器功能可以在AJAX应用中使用。

  e) Acid2:IE8能准确地渲染Acid2浏览器测试。

  f)兼容性:IE8附带更多符合标准的排版引撑让开发人员可以为多款浏览器开发采用单一标准的网站。为了让开发人员可以选择何时迁移到符合新标准的布局引擎,IE8网络开发人员可采用IE7布局引擎,只需在代码中插入简单的元标签或在服务器上添加简单的http标头。

  g)开发人员可视工具:让开发人员可以在可视环境中快速调试HTML、CSS和Jt。这些工具已经直接植入IE8并且包括扩展功能,包括用于在查看源代码时选择哪个应用程序的菜单选项。根据这个工具提供给DOM的分析。

  10. 突破页面限制

  IE8突破页面限制,涉及的特性包括:

  a) 加速器:加速器消除了之前访问内容和服务过程中的多数鼠标点击。

  b)网页快讯:借助网页快讯,人们通常不必离开正在浏览的网页即可看到他们最希望看到的信息,而开发人员可以把网页的某个部分标记为网页快讯, 让用户可以监测他们最常浏览的信息。在收藏夹一栏中,用户可以发现以粗体显示的包含更新内容的网页快讯,有可视化的内容并且包含到源网页的链接。

  c)即时搜索框:IE8中强化的即时搜索,便于用户寻找感兴趣的内容并提高搜索结果的相关度。当用户输入搜索词时,会实时看到来自所选搜索服务 提供商的搜索建议,包括图像和富文本。为了便于在网站和搜索服务提供商的搜索建议之间实时切换,搜索框的底端还提供了菜单。此外,即时搜索框还可以显示用 户的收藏夹和浏览历史的搜索结果。

  11. 3层安全防护

  a)InPrivate:InPrivate通过避免在PC上保留用户的数据和隐私信息来提供防护。这是一种针对第三方的防护,他们可能跟踪用户的网络活动。用户能够独立地使用两种功能(InPrivate浏览与InPrivate过滤)。

  b)InPrivate浏览:启用后,InPrivate浏览确保不会在PC上记录浏览历史、临时Internet文件和cookies。在InPrivate模式下,工具条和扩展工具会自动禁用,而浏览历史会在浏览器关闭时自动删除。

  c)InPrivate过滤:InPrivate过滤让用户可以阻止旨在跟踪和收集用户网络活动的第三方内容,从而帮助保护用户隐私。用户会被提醒,能够选择和控制允许或阻止那些第三方内容。

  12. 兼容性视图查看

  IE8提供了一种简单的方式来修复显示问题,例如菜单、图像和文本的错位,因为兼容性查看按钮可以按照页面最初的设计进行显示。某些网站针对旧版浏览器而设计,因此无法在IE8中正常显示。在默认情况下,IE8会以最符合标准的方式渲染内容。

  13. 兼容性查看列表

  使用IE8的用户可以选择接收在兼容性查看中效果最好的主要站点列表。当浏览这个列表中的网站时,IE8会自动在兼容性查看模式下自动显示这个网站,不要求用户按兼容性产看按钮。

  14. 崩溃恢复

  在IE8中,如果某个选项卡崩溃,则会自动恢复并重新载入,用户在这个页面上已经输入的任何信息(例如撰写电子邮件或填表)都有可能恢复。

  15. 删除浏览历史记录

  IE8强化了删除浏览历史记录的功能,支持删除某些cookies、历史记录和其他数据,同时保留针对喜欢站点的cookies、历史记录和其他数据。

  16. SmartScreen过滤器

  SmartScreen过滤器源于微软的钓鱼攻击过滤器,帮助防护钓鱼威胁以及阻止试图下载恶意软件的网站。SmartScreen过滤器提供用户界面和报警信息。

  17. 点击劫持预防

  IE8的这个新特性让网站内容负责人可以在页头处增加一个标签,帮助防止点击劫持——一种跨站点请求欺诈行为。点击劫持包括多种技术,用来欺骗 用户无意地点击隐藏或不明显的Web元素,通常会引起意料之外的活动。IE8检测插入标签的网站并显示错误屏幕来表明内容主机已经选择不允许显示内容,同 时让用户可以选择在新窗口中打开。

  18. 跨站点脚本(XSS )过滤器

  IE8帮助保护用户和系统避免信息泄露、cookie被盗和帐户/身份被盗,或者在不经用户允许的情况下假冒用户。XSS攻击是利用网络服务器和网络应用进行攻击的一种攻击方式:IE8拥有XSS过滤器,能够动态地检测1类XSS(反射)攻击。

  19. 数据执行防护(DEP)

  DEP在Windows Vista ServicePack1中的IE8内默认启用,通过防止特定类型的代码写入可执行内存区,可以帮助防止病毒和其他安全威胁损害计算机。

  20. 跨文件消息通讯(XDM)

  XDM提供了一种高度安全的方法,让不同的文档可以在双方同意的情况下进行通信。XDM为双向跨文件通信提供了基于标准的同时,还提供StaticHtml方法和本地ttNotation支持,在不牺牲性能的情况下保护数据。

  21. 跨域请求(XDR)

  跨域通信是AJAX开发和网状应用中不可缺少的一部分,IE8支持XDomainRequest对象,后者可以从另外一个域的服务器上请求公共 资源。XDR检查特定网址和通配符的Access-Control-Allow-Origin,当只有服务器信号清楚地表明跨域共享数据时,跨域数据才可 用。

  22. 域名高亮显示

  IE8以粗体字高亮显示地址栏中的网址字符串的域名,辨别正在访问那个网站,识别钓鱼网站和其它欺骗性网站。域名以黑色字体显示,网址中其他的灰色字符相区别。

  23. 网站ActiveX

  网站ActiveX通过提供“隐含的”SiteLock(限制特定网域访问的工具)减少攻击面,这样,在默认情况下,控制只会在安装后开始运行。这使用户/管理员能管理哪些位置可以运行ActiveX。

  24. 单用户ActiveX

  单用户ActiveX使开发人员能编写他们的ActiveX控件,这样当用户进行安装时,只会安装供该用户使用,而非供系统上的所有用户使用,并且为其他用户提供防止恶意软件或坏写入控制的保护。

老电脑焕新机:实测Xubuntu 24.04 LTS在8年前笔记本上的流畅度(附对比Ubuntu 24.04) 本文实测了Xubuntu 24.04 LTS在8年前老旧笔记本上的性能表现,对比标准Ubuntu 24.04,Xubuntu在启动速度、内存占用等方面显著优化。通过详细的配置指南和轻量级应用推荐,帮助用户轻松实现老电脑焕新机,特别适合预算有限或希望延长设备寿命的用户。 阅读详情

相关推荐

MySQL8.4在openEuler24.03的性能优化实践:比CentOS快多少?

本文详细介绍了MySQL8.4在openEuler24.03上的性能优化实践,包括安装步骤、基准测试对比和关键参数调优。测试结果显示,openEuler24.03相比CentOS7.9在OLTP事务处理能力上提升14%,复杂查询响应时间减少14%。文章还提供了针对openEuler系统的特有优化建议,帮助用户充分发挥MySQL8.4的性能潜力。

weixin_30642561的博客 504

IE8兼容视图(IE7 mode)与独立IE7的区别

一.           IE8兼容视图概述 为了解决新版浏览器不兼容旧网站的问题,IE8浏览器增加了一种叫做“兼容性视图”的功能,可以让网页以IE7的代码规范来显示,这样,就能够很好的解决大部分(但不是全部)由于代码标准不一致引起的网页问题。   二.“浏览器模式”和“文档模式”之间的区别 兼容性视图涉及两个重要的功能便是“浏览器模式browser mode”和“文档模式

hzfu007的专栏 780

洛谷 P5736 【深基7.例2】质数筛

题目描述 输入 n(n\le100)n(n≤100) 个不大于 100000 的整数。要求全部储存在数组中,去除掉不是质数的数字,依次输出剩余的质数。 输入格式 无 输出格式 无 输入输出样例 输入 #1 复制 5 3 4 5 6 7 输出 #1 复制 3 5 7 板子题,使用一下线性筛 #include <iostream> #include <cstdio> #include <cstring> #include <algorithm> using n

qq_37978559的博客 1119

IE8与IE6和IE7的区别

最近再弄在研究浏览器的兼容与解析问题,看到一篇文章收藏下。  测试了一两天的IE8发现,其中有很多东西都是和IE6和IE7不同的地方,包括css和javascript两个方面,在此记录备忘1 IE8中的css中关于width或是height中如果使用像素形式作为参数时,参数必须是带“px”的,而且此参数必须是大于0的,而在IE6和IE7中是支持不带“px”参数的,而且参数是可以为一

简单i 7506

【探秘】二维异形件重叠移除算法:从度量到消除的实战解析

本文深入解析二维异形件重叠移除算法的核心技术与实战应用,涵盖重叠度量、零件扰动策略及消除方法。通过NFP(临界多边形)技术、空间分区加速等优化手段,有效解决异形件排版中的重叠问题,提升材料利用率和计算效率。适合制造业、CAD软件开发者及算法工程师参考。

weixin_28698059的博客 253

Ubuntu 24.04 搭建 Squid 代理服务器终极指南:从入门到 HTTPS 缓存AI模型

本文详细指导在Ubuntu 24.04系统部署Squid代理服务器,实现AI大模型文件的高效缓存。重点内容包括:1) 安装squid及必备的squid-openssl扩展包;2) 配置HTTPS拦截(SSL-Bumping)功能,创建CA证书和SSL数据库;3) 优化缓存策略,设置4TB存储空间并强制缓存常见大文件格式;4) 结合华为防火墙实现透明代理。文章特别强调实际部署中的关键注意事项和常见错误解决方案,如证书路径配置、权限设置等问题,帮助用户快速搭建企业级缓存代理服务。

zlt315的博客 1921

IE8与IE7 IE6的区别

<br />最近再弄在研究浏览器的兼容与解析问题,看到一篇文章收藏下。<br />测试了一两天的IE8发现,其中有很多东西都是和IE6和IE7不同的地方,包括css和javascript两个方面,在此记录备忘<br />1 IE8中的css中关于width或是height中如果使用像素形式作为参数时,参数必须是带“px”的,而且此参数必须是大于0的,而在IE6和IE7中是支持不带“px”参数的,而且参数是可以为一个负数。<br />2 IE8中的css中“border-style:outset ;”是没有效

sun_boyhappy的专栏 1277

Wiley:International Journal for Numerical Methods in Biomedical Engineering投稿流程

中间过程省略,这个出版社很人性化,投稿的web UI也很好看。上传word之后,一步步跟着走就行,不用填太多东西。不要最后在最后检查阶段,重新上传word文件,这样会导致,之前针对word的操作全部改变。

Everyday try to become better -Kobe Bryant 2547

IE8和IE7的24个区别

来自:http://www.iefans.net/ie8-ie7-24qubie/ 1. 智能地址栏与内容匹配智能地址栏让用户不仅可以找到所需的网站,还可以把历史记录、收藏夹中的标题同用户输入地址栏的内容进行匹配,不会出现重复的情况。 2. 选项卡分组关联性选项卡分组,让用户可以确认哪个选项卡有相关内容,当点击一个选项卡中的链接而导向另外一个时,新的选项卡会在旁边出现,而且两个选项

shellching的专栏 2085

从零上手HiAgent:构建能听懂指令的智能体框架实战指南

智能体(Agent)作为人工智能领域的重要范式,正从传统的预设流程自动化转向以目标驱动的自主规划与执行。其核心原理在于利用大语言模型(LLM)作为决策大脑,通过任务规划、工具调用与记忆机制,将模糊的自然语言指令转化为可执行的工作流。这一技术显著提升了人机协作的效率和自然度,其价值在自动化办公、数据分析与智能流程编排等场景中尤为突出。本文聚焦于HiAgent这一具体框架,深入解析其作为智能体开发平台的核心架构,涵盖规划器、执行器、工具集等关键组件,并提供从环境配置、自定义工具开发到复杂任务链构建的完整工程实践

weixin_29266007的博客 906

深入C++学习还必须掌握的一基础知识精讲

施磊C++语言基础提高课程笔记,包括了new/delete;malloc/free;引用和指针;const,指计和引用的结合;函数重载,inline的数,参数带默认值的函数;函数模板等知识点

GeniusAng的博客 1481

ie8与ie7区别

关键字: ie8   CNET科技资讯网5月18日北京报道:今天,微软(中国)有限公司首席技术执行官李志霄博士,特意为CBSi网友发来了网友关心的微软IE8的一些问题解答,归纳起来,IE8相比IE7,有24个不同。     在5月14日,李志霄做客CBSi中国媒体大联播时,对网友所关心的IE8比IE7快多少,IE8浏览器有没有加速器等问题没有给出答案,但今天,李志霄亲自致信,回答了这...

iteye_18492的博客 256

硬件电路RS485通信EMC 设计

RS485通讯硬件设计与STM32实现要点 本文详细介绍了RS485通讯系统的硬件设计和STM32实现方案。硬件设计重点包括:采用总线型拓扑结构、120Ω终端电阻匹配、屏蔽双绞线布线、TVS管和自恢复保险丝保护等核心要素。EMC设计强调共模电感抑制干扰、屏蔽层单端接地、光电隔离等技术。软件实现方面,提供了基于STM32F103的完整程序框架,包括UART初始化、收发控制逻辑和中断处理机制,特别强调了收发切换时机、波特率精度等关键注意事项。文中还给出了工业传感器节点的实际应用案例,展示了一个完整的EMC防护电

qq_37999850的博客 1384

IE8“开发人员工具”使用详解上(各级菜单详解)

文章来源:http://www.cnblogs.com/JustinYoung/archive/2009/03/24/kaifarenyuangongju.html IE8正式版已经发布了。本篇文章不会非常扯蛋地去进行什么评测,然后给出什么“Chrome运行JavaScript能力是IE8的15倍”、什么“IE8页面渲染速度是Safari的2.456倍”、什么“IE8的抗强暴能力比Fir

cassie.gaobin 1002

【表面缺陷检测】基于yolov5的钢轨表面缺陷检测(附代码和数据集,Windows系统)

【表面缺陷检测】基于yolov5的钢轨表面缺陷检测(附代码和数据集,Windows系统)

学无止境、积少成多、厚积薄发 3988

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

服务器e7系列cpu,Intel Xeon E7 v4正式发布:首个24核心

Intel在消费级领域不断挤牙膏,但是在顶级服务器市场上,Intel却是一直都在衔枚疾进,强大的技术始终令人炫目。今天,Intel正式发布了新一代数据中心处理器XeonE7v4系列(代号Broadwell-EX),核心数量最多达到了24个,同时也意味着Broadwell家族的全面普及,Intel完全进入了14nm时代。相比于上一代Haswell-EX,这代型号普遍增加了2-4个核心,旗舰型号X...

weixin_36108931的博客 3929

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

24核超级计算机,24核装备 Intel发布最强14nm至强处理器

随着14nmBroadwell-E架构的双路XeonE5v4、单路XeonE3v4部署完毕,Intel顶级的服务器XeonE7系列也迎来了更新,产品相比XeonE5v4核心数进一步提升至24个,另外还支持四路、八路并联,当然售价也是水涨船高,最顶级的XeonE7-8890v4售价高达7174美元。全新一代XeonE7v4处理器代号为Broadwell-EX,工艺自然是14n...

weixin_36307713的博客 1681

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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")

《Windows 8 权威指南》——1.2 Windows 8平板模式下IE浏览器网页

本节书摘来自异步社区《Windows 8 权威指南》一书中的第1章,第1.2节,作者:胡耀文 , 尹成 , 李贝贝 , 卢磊 , 曹珍著,更多章节内容可以访问云栖社区“异步社区”公众号查看 1.2 Windows 8平板模式下IE浏览器网页 Windows 8 权威指南Windows 8中IE10浏览器有Metro模式及客户端模式可供用户选择。进入本章之...

weixin_34023982的博客 200

体积小性能强悍能吃鸡的电脑主机 NUC8I7HVK

在X86处理器市场上,AMD跟Intel竞争了四十年了,当然大部分时间都是弱小的AMD吃亏,但是在2006年AMD收购了ATI,从单纯的CPU厂商变成了一手CPU一手GPU,同时跟Intel、NIVDIA形成了竞争关系,CPU比NVIDIA强、GPU比Intel强,但在两个市场上都输给对手,反正三方就这么混战了,本来三家应该势同水火,争个你死我活,但是天下大势就是这样分分合合,谁也没想到...

dianhuizhan3102的博客 3603

Ubuntu 24 搭建aosp源码环境详细笔记

因为很多新同学的机器等可能比较新,所以机器上的一些硬件驱动不一定老版本的ubuntu系统上有,所以很多同学也不得使用比较新的ubuntu 24版本,但是24版本ubuntu搭建aosp源码环境,相比ubuntu 20.04还是有一些差别。(优先考虑直接电脑安装Ubuntu > windows和Ubuntu双系统 > windows上安装VMware方式,不要不建议安装virtualbox)1、openjdk 8 的安装 (aosp8.1版本需要,其他高版本aosp不需要,都是源码自带)

learnframework的博客 916

评测:24英寸iMac与27英寸iMac详细对比

2021苹果春季发布会带来了全新的24英寸iMac,配备Apple M1芯片和新外观的新型24英寸iMac轻松超越了旧的21.5英寸型号。但是,与27英寸iMac相比,它又如何呢? 苹果至今仍在销售21.5英寸和27英寸的iMac,它们于2020年8月进行了更新,为它们提供了固态驱动器和新的英特尔芯片。27英寸具有最大的计算能力和更好的显示效果。 那么,新的24英寸iMac与曾经是顶级产品的27英寸iMac有何不同? 计算能力 27英寸iMac具有10核Intel Core i9处理器,并且可以安装8G

macwbear的博客 4021

24.8.7学习笔记

高斯核是一个二维的权重矩阵,其值由高斯分布函数生成。该函数的数学表达式为:

m0_64006292的博客 840

酷睿i7 13700hx和i7 12700h选哪个 i713700hx和12700h对比

i7 13700hx采用10nm工艺 16个核和24个线程,基本的频率为2.1GHZ,甚至可以提升到4.96ghz。三级缓存 55MB 热设计功耗(TDP) 55W支持最大内存 128GB。i7-12700H采用6大核8小核设计,拥有14核心20线程,主频为2.7GHz,睿频为4.6GHz,三级缓存高达24MB。内存类型 DDR4 3200MHz DDR5 4800MHz 集成显卡 Intel UHD Graphics。选i7 13700hx还是i7 12700h这些点很重要。

m0_52331396的博客 7083

【24届秋招补录&amp;春招】1月8日更新招聘信息汇总

在海尔工作,给我最大的感受是,与之前的工作相比,自由时间少了很多,需要上下班打卡,假期也相对较少,这让我感觉有些受限。在公司里,每次节日都充满了欢乐的气氛,有各种活动、美食和礼品。目前手里有企业和高校的offer,不知道怎么选,求各位大佬指点1. 企业,在一线城市,算法,总包80左右2. 教职,211非升即走,留的可能性较大,不过研究方向。大佬们,我目前大二,大一下开始卷 Java,跟着 B 站视频一直学到了微服务和各种中间件,做了几个项目,也看了几本书,基础还算挺扎实的,想着今年暑假能不能找一个。

han_xue_feng的博客 1735
上一篇: Linux之父"捧场"Windows 7竖起大拇指(图)
下一篇: 过滤器中向所有JSP页面插入html代码
webdev2008
博客等级 码龄19年 1粉丝 60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