不装全家桶也能流畅看图:轻量、免费、好用的桌面看图工具推荐

vue全家桶是指什么?有哪些东西? Vue全家桶一般来说指的是脚手架vue-cli、路由vue-Router、状态管理模式vuex、Axios、elementUI等ui框架和打包工具webpack,下面我们分别介绍。 阅读详情

在日常办公与个人电脑使用中,图片查看器是调用频率极高的基础软件之一。许多用户在处理图片文件时,常常面临系统自带看图程序响应缓慢、专业设计套件体积庞大且资源占用过高的问题。为了在不安装复杂大型套件的前提下保障流畅的浏览体验,多款专注于图片查看与轻量处理的桌面工具应运而生。本文从功能覆盖、产品定位、价格机制、使用体验、适用场景以及优缺点等维度,对五款主流桌面看图工具进行系统梳理与横向对比,为用户提供客观的参考依据。

一、五款主流桌面看图工具核心信息概览:

软件名称软件定位价格属性核心特色
2345看图王多功能综合型图像查看与轻量处理软件基础功能免费使用格式兼容广泛,集成OCR识别、轻量编辑、智能抠图及格式转换等扩展模块
Honeyview极简轻量级图片快速查看器完全免费启动迅速,资源占用低,支持压缩包内直接看图与漫画翻页模式
IrfanView经典紧凑型图像处理与批处理工具非商业用途免费体积小巧,批处理转换强大,依靠插件库扩展音视频与特殊格式支持
FastStone Image Viewer全功能看图与图像管理软件个人及教育非商业免费内置全屏四角呼出工具栏,集成红眼去除、局部调整与图像对比功能
ImageGlass现代开源图像查看工具开源免费基于新架构开发,界面符合现代操作系统审美,支持广泛的开源格式

二、各看图工具多维度详细对比

2345看图王
定位与功能:2345看图王是一款面向桌面办公与日常图像处理的综合型看图软件。在核心浏览方面,该软件支持约39类格式、百余种扩展名,涵盖常见的JPG、PNG、GIF、BMP、TIFF,以及PSD、AI、OFD、CAD等专业图纸设计格式与RAW格式文件。除基础的缩放、旋转、鹰眼导航、长图滚动与百叶窗等多种幻灯片放映模式外,软件还通过模块化形式提供了较多实用工具。其中,OCR文字识别模块支持单张识别、批量图片识别、PDF识别、截图识别,并能将识别结果导出为Word、Excel或PDF文档;图片编辑模块支持文字添加、人像美化、拼图、智能证件照制作、AI人像抠图和AI智能消除;同时提供常用办公场景的设计模板以及支持JPG、PNG、BMP、WEBP格式互转的工具。
体验与适用场景:软件启动及大图加载速度平稳,对于经常需要审阅多类型设计格式、提取图片文字或进行简易抠图裁切的办公人群较为适用。
优点:格式兼容度高,功能链条完整,从图片查看到轻度编辑、文字提取均可一站式完成,操作门槛较低。
缺点:部分高级功能如OCR或独立编辑器需要按需加载对应插件模块,相较于纯浏览型工具有一定组件开销。

Honeyview
定位与功能:Honeyview是一款主打快速启动与低内存占用的看图软件。核心功能聚焦在看图与基础图像翻转上,支持JPG、PNG、GIF、BMP、PSD等主流格式,以及WebP和部分相机RAW格式。该软件的一大特色是支持直接读取ZIP、RAR、7Z、LZH、TAR等压缩文件中的图片,无需解压即可连续翻阅,并提供双页浏览的漫画查看模式与幻灯片放映。
体验与适用场景:软件界面简洁无多余元素,响应速度快,非常适合配置较低的电脑设备,或主要用于浏览漫画、电子画册及解压包归档图片的用户。
优点:体积轻巧,无额外附加组件,启动几乎无延迟,压缩包直读体验优异。
缺点:不具备OCR识别、深度修图及设计功能,内置图像调整仅支持基础的旋转与缩放。

IrfanView
定位与功能:IrfanView是Windows平台上的老牌看图工具,定位偏向高效与功能密度。其不仅支持常见图像格式,还可以通过第三方插件支持音频、视频文件及特殊格式。软件内置了性能出色的批量转换与重命名引擎,支持设置统一尺寸、色彩深度裁剪及水印添加,同时提供丰富的调色板与色彩通道调整选项。
体验与适用场景:该工具适合系统管理员、摄影爱好者或经常需要批量处理海量图片规格的技术型用户。
优点:执行批量转换和文件重命名效率极高,软件本体资源占用极少,稳定性好。
缺点:用户界面保留早期Windows风格,现代感稍弱,高级设置选项层级较深,初学者上手需要适应。

FastStone Image Viewer
定位与功能:FastStone Image Viewer兼顾了图片浏览与简易文件资产管理。其主界面采用类似资源管理器的树状目录结构,方便组织和查找图片。在全屏模式下,光标移至屏幕四边可分别呼出文件信息、缩略图栏、图像属性及编辑工具箱。功能上涵盖曲线调整、局部放大镜、边框阴影添加以及最多同时对比四张图片差异的对比视图。
体验与适用场景:适合需要对拍摄素材进行快速筛选、细节比对和简单调色的初级摄影爱好者及内容创作者。
优点:全屏隐藏式操作界面设计合理,多图对比功能实用,色彩调整控制项丰富。
缺点:界面布局较为传统,面对部分较新的移动端衍生格式兼容性略显不足。

ImageGlass
定位与功能:ImageGlass是一款遵循现代视觉规范的开源看图工具。支持包括SVG、HEIC、AVIF在内的新型与网络格式,整体UI与Windows现代系统的视觉风格保持一致,支持更换主题与图标集。功能专注于高保真渲染显示、调色板颜色提取以及快捷的外部编辑器调用配置。
体验与适用场景:适合追求软件界面现代美观、重视开源透明度,且日常需要查看多种矢量图形和新式Web图像格式的数字设计师与开发者。
优点:界面美观现代化,格式生态紧跟开源标准,无商业捆绑。
缺点:大型RAW文件或超大分辨率图片初次载入时对系统硬件性能有一定要求,功能偏纯浏览,未内置复杂修图工具。

三、多维度对比总结与选用建议
综合对比各项维度:
在定位与功能深度上,2345看图王偏向于综合办公多面手,兼具OCR提取和轻量编辑能力;IrfanView与FastStone侧重批量处理与色彩初修;Honeyview与ImageGlass则更专注于图片展示与现代阅读体验。
在价格模式上,Honeyview与ImageGlass完全免费且开源或无门槛,IrfanView与FastStone对个人非商业免费,2345看图王基础功能免费。
在优缺点取舍上,追求功能一体化与格式宽泛,可优先考虑具备综合文档与图片处理能力的工具;若仅追求极限的开启速度与极低占用,轻量化浏览工具更为契合;若核心诉求在于自动化批处理与参数调校,老牌专业型看图工具表现更为稳健。用户可根据实际文件格式需求、办公场景与硬件环境,做出合理的搭配方案。

免费CAD看图工具评测:豹图CAD如何满足轻量级DWG图纸查看需求 CAD(计算机辅助设计)软件是工程设计和建筑领域的核心工具,其原理是通过数字化方式创建、修改和分析设计图纸。在众多应用场景中,用户往往仅需查看、测量或简单批注DWG格式图纸,而非进行复杂编辑。此时,轻量级CAD看图工具的技术价值凸显——它们以极小的安装成本和资源占用,解决了高频次的图纸查看需求,提升了工作效率。这类工具尤其适用于项目现场核对、跨部门图纸传阅、学生作业查看等场景。本文聚焦于豹图CAD这款免费工具,实测其在天正对象兼容性、智能测量与批注等核心功能上的表现,并与AutoCAD、在线查看器等方案进行 阅读详情

相关推荐

告别弹窗和卡顿!我用这5款免费软件,完美替代了360全家桶

本文推荐了5款免费轻量化软件,完美替代360全家桶,解决弹窗和卡顿问题。包括Windows Defender和火绒安全的安全防护方案,Winget和Chocolatey的软件管理工具,Microsoft Edge和Firefox的浏览器选择,Bandizip和PeaZip的文件压缩方案,以及Startpage和DuckDuckGo的隐私搜索工具,全面提升系统性能和用户体验。

weixin_30681121的博客 475

告别全家桶!用免费小工具打造高效桌面与AI办公环境

在商业软件动辄订阅收费、体积臃肿、捆绑安装的当下,越来越多用户开始转向民间开发者打造的轻量级工具。这类软件遵循“小而美”理念,专注解决单一痛点,不写注册表、不留残留,从源头提升系统流畅度。桌面整理工具通过分区收纳和自动归类,解决图标混乱、查找低效的问题;仿鸿蒙Dock栏则利用毛玻璃与悬停动画,将系统底栏升级为高颜值启动器,兼顾视觉与操作效率。办公场景同样可以摆脱Office全家桶,LibreOffice、OnlyOffice等开源套件在格式兼容与协作能力上表现成熟,更可结合Ollama本地部署大模型,为文档

weixin_28559803的博客 265

轻量级图片工具IrfanView:看图、批量转换与格式处理实战

日常图片处理涉及查看、裁剪、格式转换等高频操作,专业软件往往过于厚重,而系统工具又常因格式兼容受限而捉襟见肘。轻量级图片查看器正是为解决这类效率问题而生,其核心价值在于以极低的资源占用实现快速响应,并通过插件机制扩展格式支持范围。在工程实践中,图片批量处理能力更是直接影响工作流效率,统一缩放、重命名与格式转换能在数秒内完成数百张文件的处理。IrfanView作为一款经典的轻量级看图软件,凭借毫秒级启动、丰富的格式解码和灵活的批处理功能,成为日常图片管理的实用选择。覆盖从安装配置、快捷键操作到批量转换与问题排

weixin_28520495的博客 292

告别订阅陷阱:2025年精选Adobe全家桶免费替代方案完全指南

你是否还在为Adobe的订阅费用烦恼?每月动辄数百元的Photoshop、Premiere订阅,是否让你的创意工作成本居高不下?本文将带你探索[Adobe-Alternatives](https://link.gitcode.com/i/0cd5f33a5cd495796026ef54d7555dbf)项目中精选的15+类Adobe软件替代方案,从图像编辑到视频制作,从平面设计到音频处理,一站式解...

gitblog_01084的博客 1219

免费PDF编辑与OCR自动化:从桌面工具到批量处理全指南

PDF文档处理是办公和科研中绕不开的环节,而免费工具的能力边界常常被低估。文字识别(OCR)作为连接扫描件与可编辑文本的桥梁,是文件格式转换和内容提取的关键技术。传统编辑器往往受限于收费弹窗和试用期限,但通过组合桌面免费工具、开源命令行动态库与Python脚本,能够实现从单文件修改到批量PDF编辑、OCR识别和格式转换的完整流程。本文将围绕核心概念展开,讲解环境配置、功能验证与性能调优方法,帮助读者理解如何在不依赖付费套件的情况下,搭建一套稳定、可复现的文档处理链路。无论是合同扫描归档、论文批注还是批量生成

weixin_29089057的博客 341

MacBookPro使用分享及软件推荐

MacBookPro使用分享及软件推荐 1.写在前面 ​ 背景:博主刚毕业一年,从事工作互联网金融相关开发工作,公司发了只能在内网使用的联想笔记本T系列,无法连接外网,手中一直有一台神船的笔记本,是大学刚入学买的,属于那种习武之人专用的类型。这台神船跟随我多年,加过内存条,换过固态也换过屏幕,耐不住我四五年的摧残,现在是随便开几个应用风扇就狂转,cpu直接拉满,已经优化到尽头了,最后忍无可忍便决定弃船买苹果。至于为什么买苹果,两个字,香啊!正经的说,博主大学期间用过四五个华为手机,因为三个室友一直都用的苹果

老北京的热干面 3035

免费无广告轻量免安装腾讯出品 桌面整理:一键分类 智能格子乱桌面秒变极简

有个一键分类功能,你在右键菜单里选「一键桌面整理」,它就自动把桌面文件按类型,像文档、图片、快捷方式啥的,归类到一个个独立的格子里,咱都不用手动去拖动,简直懒人的福音啊!有个壁纸中心,内置「魔镜壁纸」功能,有好多无版权的高清壁纸库,还支持自动切换和个性化推荐,让你的桌面美美的。它内置了类似「Everything」的快速搜索功能,你输入关键词,就能精准定位全盘文件,这速度比Windows自带的搜索快得不是一星半点儿,就像火箭和蜗牛的区别。你还可以把经常访问的文件夹或者文件固定到桌面,提升效率杠杠的。

2503_92209746的博客 1476

给STM32F103的7寸屏找个新UI:LVGL 8.2裸机移植保姆级教程(附避坑清单)

本文详细介绍了如何将LVGL 8.2裸机移植到STM32F103开发板,特别针对7寸大屏(800×480分辨率)进行优化配置。从环境准备、工程搭建到显示驱动移植、内存优化与性能调优,提供完整的解决方案和避坑清单,帮助开发者快速实现美观的用户界面。

weixin_29181861的博客 413

超实用Sway生态指南:从安装到效率工具全家桶

Sway作为一款与i3兼容的Wayland合成器,不仅自身功能强大,更拥有丰富的配套工具生态。本文将带你系统了解Sway生态系统的核心组件、安装方法及实用工具集成,让你的Wayland桌面体验效率倍增。 ## Sway核心组件概览 Sway生态系统采用模块化设计,核心由主程序、状态栏、消息工具和通知系统构成。这种架构既保证了轻量性,又为扩展提供了无限可能。 [![Sway架构示意图](htt...

gitblog_01150的博客 1386

高通9008模式隐藏技巧:不拆机用ADB命令+Diag协议进入EDL

本文深入解析高通EDL模式(紧急下载模式)的技术原理与实战应用,详细介绍了通过ADB命令和Diag协议无需拆机进入EDL的方法。涵盖硬件/软件触发方案、跨平台工具配置、Firehose协议解析及设备救砖流程,为开发者提供从基础到进阶的完整指南。

weixin_29191761的博客 1126

THUCNews新闻文本分类-tfidf+sklearn

本文使用的是和鲸社区现有数据集,代码也在和鲸社区公开,fork之后可以直接运行。 本文中所用的数据集清华NLP组提供的THUCNews新闻文本分类数据集的一个子集(原始的数据集大约74万篇文档,训练起来需要花较长的时间)。 本次训练使用了其中的体育, 财经, 房产, 家居, 教育, 科技, 时尚, 时政, 游戏, 娱乐10个分类,每个分类6500条,总共65000条新闻数据。项目在和鲸社区的平台上跑的,数据集直接引用了和鲸的数据集,每个分类6500条,总共65000条新闻数据。 数据集划分如下: cnews

wmq104的博客 4591

告别全家桶!6款免费迷你神器,精准解决电脑使用痛点

电脑用久了,你是否也遇到过开机越来越慢、桌面莫名多出图标、右键菜单臃肿不堪、找个文件要等半天等典型问题?很多用户习惯安装功能大而全的“管家”套装,结果后台进程互相干扰,反而拖慢系统。在软件工程实践中,轻量级、单功能、便携化的工具往往比大而全的套件更可靠:它们不写注册表、无后台驻留,只专注解决一个具体问题,从而实现精准优化。这类工具常用于文件秒级检索、磁盘空间分析、高效截图贴图、剪贴板历史管理以及右键菜单与启动项清理等高频场景。无论你是普通用户还是开发者,合理组合几款免费小工具,就能显著提升操作效率,避开全家

weixin_33391446的博客 297

Linkage Mapper 输出文件夹结构解析——LCPs(栅格廊道)、LinkagePaths(矢量廊道)、Nodes(节点)

Linkage Mapper输出文件解析摘要 Linkage Mapper是生态连通性分析的重要工具,通过最小累积阻力模型(MCR)识别物种迁移廊道。其输出包含三类核心文件: LCPs(栅格廊道):存储累积阻力值的栅格数据,直观展示低阻力路径,适用于空间分析和廊道质量评估。 LinkagePaths(矢量廊道):以矢量线状要素精确记录廊道位置和走向,便于地图可视化及连通性分析。 Nodes(节点):标记廊道关键点(起点/终点/交汇点),为保护策略制定提供依据。 典型应用场景包括: 山地物种(如大熊猫)栖息地

走向CTO的路上... 1332

告别全家桶:用轻量清理工具让老电脑重新流畅

电脑用久了变卡,往往不是硬件老化,而是系统里堆积了大量缓存文件、无效自启项和捆绑广告组件。针对这一痛点,系统清理类工具应运而生,其核心原理是通过扫描并删除临时文件、管理开机启动项、拦截弹窗进程,来降低磁盘I/O压力和后台资源占用,从而恢复系统响应速度。在实际工程实践中,轻量化设计比大而全的功能合集更具长期价值——安装包更小、不常驻后台、无捆绑倾向,避免“清理软件本身成为新污染源”的二次困境。这类工具特别适合配置有限的老旧电脑、日常办公场景,以及厌倦了管家类全家桶的用户。以垃圾清理、弹窗拦截和启动项管理三项高

weixin_33462927的博客 236

用playwright封装一个处理web网页的爬虫,并隐藏自动化特征,自动处理反爬

本文介绍了一个使用Playwright封装的Python爬虫函数,具备反爬对抗能力。该脚本通过移除自动化标志、注入真实用户代理、禁用Chrome自动化属性等措施,有效绕过电商、新闻等中等反爬网站的检测。核心功能包括:隐藏navigator.webdriver标志、模拟人类浏览行为、设置合理的设备参数,并支持代理和延迟加载。使用时需注意避免高频访问并定期更新User-Agent。该方案适用于需要JavaScript渲染的动态网页,性能优于非无头模式。

数据知道的博客 3393

使用菱FX5U系列PLC实现以太网通信的具体方法示例

接下来,我们将创建一个简单的CPU通信功能,以实现与其他设备的以太网通信。在上述代码中,我们首先设置访问号,然后创建一个数据读取命令(M_READ)和一个数据写入命令(M_WRITE)。此外,在实际应用中,您还需要确保PLC和其他设备之间的网络连接正常,并且遵循相应的通信协议。在上述代码中,我们执行了数据读取命令,并将接收到的响应存储在M_RESPONSE变量中。通过简单CPU通信功能,菱FX5U系列PLC可以实现与其他设备的以太网通信。我们将提供相应的源代码和详细的说明,以帮助您轻松实现这一功能。

DevCyberX的博客 1527

华硕笔记本性能控制工具G-Helper快速上手:从卸载官方全家桶到玩转风扇曲线的完整指南

如果你的华硕笔记本每次开机都要和一堆后台服务抢内存,如果每次切换性能模式都要等 Armoury Crate 转半天圈,那么你可能正在寻找一个更轻的答案。G-Helper 就是这样一款面向华硕笔记本的轻量化性能控制工具,它用单个可执行文件替代了官方套件的大部分功能,被不少玩家称为"卸掉官方全家桶之后的第一选择"。 这篇文章不打算给你罗列一份功能清单,而是按真实使用路径走一遍:它是什么、怎么上手、背

gitblog_01167的博客 439

【软件系统架构】系列四:嵌入式技术

嵌入式系统是以应用为中心、以计算机技术为基础,并将可配置与可裁剪的软硬件集成于一体的专用计算机系统。它需要满足功能、可靠性、成本、体积、功耗等方面的严格要求。 嵌入式系统一般由以下组成部分构成:

moton2017的博客 1000

Coodesker免费桌面整理软件:图标自动分类,告别杂乱桌面

桌面图标杂乱是许多电脑用户的高频痛点,频繁寻找文件会消耗大量时间与注意力。桌面整理软件通过虚拟分区与规则引擎,将文件、快捷方式按扩展名或关键词自动归类,实现视觉整洁与高效检索的统一。其底层逻辑类似系统级图标坐标管理,不篡改系统文件,稳定性较好,且低资源占用适合长期运行。从日常办公到多显示器场景,这类工具都能显著提升操作效率,常被用作付费软件Fences的免费替代方案。Coodesker正是这样一款免费无广告的桌面整理工具,支持自定义分区、规则自动收纳与外观定制,适合追求高效桌面管理的用户直接上手实践。

weixin_30047059的博客 358

基于STM32、HAL库、I2C接口的姿态传感器/陀螺仪之ICM-42670-P驱动 C语言程序设计

/ 设置加速度计和陀螺仪的工作模式。// 读取加速度计和陀螺仪数据。

corlin6688的博客 1180

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

Adobe全家桶替代方案:合法免费创意软件全攻略

在数字内容创作领域,软件工具的选择直接影响工作效率与作品质量。面对专业软件高昂的订阅费用,许多创作者会寻求替代方案。从技术原理看,开源软件和免费工具通过社区协作与开放授权模式,提供了合法且功能强大的解决方案。这些工具在图像处理、视频剪辑、矢量设计等核心功能上已具备工业级水准,能够满足专业创作需求。例如,DaVinci Resolve的免费版集成了剪辑、调色、特效与音频处理模块,GIMP则提供了媲美Photoshop的图层与滤镜系统。对于视频创作者和设计师而言,合理搭配这些工具可以构建完整的创意工作流,既能规

weixin_34115824的博客 373

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

双端布局,Skills领先 百度“龙虾” 全家桶亮相

百度的使命是“用科技让复杂的世界更简单”,而OpenClaw毫无疑问是“让复杂的世界更简单的”一个重要方向。

TMT_XQ的博客 240

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")

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

【亲测免费】 推荐开源项目:Miku Tools - 轻量级全能工具箱

![Miku Tools Logo](./static/icon.png) **Miku Tools** 是一款精心设计的轻量级在线工具集合,旨在为用户提供便捷、实用的各种小工具,覆盖日常学习、工作和娱乐等多个场景。这个项目不仅拥有清爽简洁的界面,还配备了丰富的功能,让你在任何地方都能轻松调用所需工具。 ## 项目技术分析 该项目基于 **Vue 全家桶** 和强大的 **Nuxt.js**

gitblog_00056的博客 1224

电脑装完系统装什么?从管住软件开始,拒绝全家桶

电脑安装软件看似简单,实则暗藏陷阱。很多用户系统变慢、弹窗不断,往往源于不良软件捆绑与默认勾选。理解软件管理的基础概念,掌握安全下载与安装原理,是保持系统流畅的关键。文章从电脑管家、卸载工具、浏览器、压缩软件、截图工具、播放器、输入法等维度展开,推荐火绒、Geek Uninstaller、Chrome、Bandizip、Snipaste、PotPlayer、微信输入法等实用软件,并强调官网下载、自定义安装等习惯。掌握这些技术价值,可有效规避流氓软件,让电脑长期保持开机即用、不卡不弹的清爽状态。

weixin_30129025的博客 310

2025最强Java开发工具全家桶:官网+直链下载+配置指南(持续更新)

fill:#333;color:#333;color:#333;fill:none;JDK 17IDE构建工具框架数据库测试部署AI辅助配置口诀1️⃣JDK环境变量必须配2️⃣Maven镜像换阿里3️⃣IDEA插件按需装(推荐:Lombok、MyBX)4️⃣Docker+Git团队刚需⚠️免责声明:直链下载可能随版本更新失效,请优先访问官网!商用软件请购买正版!🔥下期预告:《2025版Spring Boot 3 + Cloud Alibaba微服务实战脚手架搭建》

RoseJunjun666的博客 1584

百度“龙虾” 全家桶亮相,多款龙虾产品上新,家用小度虾也来了

目前,百度搜索已成为当前“小龙虾”用户的必装Skill。

优快云资讯 362
上一篇: 设计师彻底解脱!强推超好用的支持PSD缩略图预览看图软件
下一篇: 火绒、360、2345安全卫士、腾讯电脑管家谁更胜一筹?免费杀毒软件深度横评
xyo123
博客等级 码龄9年 1粉丝 52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