2021-04-27

一休日记 一休日记 博客等级 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 1.9k累计阅读 1.9k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 码龄11年
关注
原创 最新推荐文章于 2026-04-17 11:52:47 发布 1.9k 阅读 AI 写同款· GEO 优化 ›
TikTok Money Calculator-crx插件 语言:English 我可以从TikTok赚多少钱？ 此扩展程序可以计算您的TikTok帐户的估算收入。 我如何在TikTok上赚钱？ TikTok的创造者可以通过多种方式来赚钱：有影响力的营销-许多创造者得到品牌的赞助，以传播有关其服务和产品的信息。 在有影响力的受众群体中投放广告的品牌，在其关注者人数至少达到几千后，就会与他们联系。 也有几个品牌和影响者直接联系的在线影响者市场网站。 直销-在TikTok上赚钱的第二种方法是直接在TikTok视频中出售或宣传自己的产品。 许多有影响力的人经营着自己的化妆业务，并通过自己的TikTok视频出售他们的产品。 资金-TikTok会给您在美国等特定国家/地区的资金。 欧元等。您获得多少资金取决于视频观看次数。 您可以在TikTok上赚多少钱？ 每个配置文件和行业的金额差异很大。 如果您拥有出色的知名度，则每个品牌合作伙伴可以为您带来5万到15万美元不等的收入。 当然，这很大程度上取决于您的个人资料定位，位置，品牌的目标受众，个人资料参与度等。 无论您是进行有影响力的营销还是推广自己的产品，您都需要拥有坚实的粉丝群和引人入胜的内容。 使用Ti 立即下载

记录用的，也不知道csdn你们让不让发，不让发就算了我也是从微信公众号过来的。

https://mp.weixin.qq.com/s/ev1RcQwAq2aH_PdQcYREQg

 

 

大家好，我是阿丑。这是一篇包含了近200个TikTok运营工具，2000字的工具介绍文章。没有软广硬广，只有干货。

并且，为了更加方便大家使用，我们把工具集合在了一个网站：tik128.com。

下面这张图是工具的大致分类。

 

图片

 

一、官方网站

1．Tiktok官网（pc端需要开全局模式）

www.tiktok.com/

打开以后如下图

图片

 

2．快速搜索某一个账号

可以在搜索框输入www.tiktok.com/@账号，❓去掉，例如下图

图片

 

3．快速搜索某一个标签下的内容

在搜索框输入www.tiktok.com/tag/标签，例如标签是dog

图片

 

4．https://creatormarketplace.tiktok.com/

Tiktok官方的寻找达人合作平台，建议用企业资质认证看到比较多的相关数据

 

图片

 

5．https://newsroom.tiktok.com/en-us/

Tiktok官方公布的新闻政策等，这对掌握Tiktok相关知识也有一定帮助

图片

 

6．www.tiktok.com/business/

Tiktok投放广告的地方，需要开通business账户，目前比较快的办法还是需要找代理开通

图片

 

7．https://developers.tiktok.com/

给开发者用的网站，一般使用者也比较少机会用到

图片

 

 

二、手机环境

具体上网工具可以去YouTube上寻找。

1．https://whoer.net/

检测伪装度，尽量在检测出来是100%的情况下使用

图片

 

2．http://en.ipip.net/

用于检测ip和时区，如果是美区，确保地址和时区都在美区

图片

 

3．https://browserleaks.com/ip

同样是用来检测ip和dns的网站，是为了更加保险

图片

 

4．https://www.google.com/

把这个网址加进去是为了防止ip出现问题。因为出现过伪装度100%，ip检测出来在美国，但是谷歌浏览器中ip出现在国内，同时会伴随出现google.com跳转到google.com.hk的情况。

图片

 

5．www.hoocs.com

购买苹果id，谷歌邮箱等，当然也可以在某宝购买

图片

 

6．https://sg.godaddy.com/

常见的购买域名网站，可以用支付宝支付

图片

 

 

 

三、素材下载

1．微信中的各类小程序，比如去水印，短视频一键下载，但更适用于抖音、快手、微博等时长较短，文件不大的视频

图片

 

2．www.y2mate.com/

YouTube上的视频下载平台

图片

 

3．https://bilibili.iiilab.com/

bilibili上的视频下载平台，据说目前已经支持YouTube、facebook、视频号等视频下载

图片

 

 

4．https://fbdown.net/index.php

Facebook上的视频下载

图片

 

5．http://www.henghengmao.com/

哼哼猫，批量下载视频的网站，部分需要收费

图片

 

 

6．https://ins.popmars.com/

Instagram上的图片和视频下载

图片

 

7．www.pexels.com/

免费的高清图片下载，同理也有免费的高清视频可以下载

图片

 

 

四、背景音乐

1．https://sc.chinaz.com/yinxiao/

站长之家，各类音效、素材用于视频中，可按不同风格分类

图片

 

2．https://mixkit.co/

无版权音乐下载，里面的音乐根据适用的场景，音乐类型等进行了分类

图片

 

3．www.videvo.net

免费的视频素材，音乐轨道和声音音效

图片

 

4．https://soundcloud.com/

可下载使用里面的创作音乐

图片

 

5．www.naturalreaders.com/online/

比较专业的语音转换程序，部分需要收费。

图片

 

五、视频剪辑软件

1．https://lv.ulikecam.com/?_s=4

剪映，字节旗下的视频剪辑软件，基本所需功能齐全，手机端和pc端都有

图片

 

2．www.capcut.net

Capcut，海外版剪映

 

3．www.kinemaster.com

巧影，像电脑端的视频剪辑软件

图片

 

4．www.adobe.com/products/premiere.html

简称pr，适合专业剪辑选手

图片

 

 

六、翻译软件

1．https://translate.google.cn/

谷歌翻译

 

 

2．www.deepl.com/

deepl翻译

图片

 

 

 

3．https://fanyi.caiyunapp.com/

彩云小译

图片

 

 

4．https://deftpdf.com//translate

用来翻译pdf，word各类文档

图片

 

 

七、传输软件

传输软件，除了qq、微信、数据线，苹果隔空投放，还有以下

1．www.airdroid.com/

Airdroid，支持苹果和安卓之间传输，目前开始限制每日的传输容量

图片

 

2．www.feem.io

Feem，支持手机电脑跨平台局域网文件传输

图片

 

 

3．https://send-anywhere.com/

覆盖全平台的免费文件传输利器

图片

 

 

八、账号分析

1．www.tikstar.com

国内较早的分析Tiktok账号的网站，包括热门音乐、标签等实时更新，可进行多账号监测，红人合作，近期更多的服务需要收费

图片

 

2．https://tikbuddy.com/

类似于tikstar的网站，目前是免费的，但登录以后中文的用不了

图片

 

3．https://tikrank.com/

Tiktok上创作者的影响力排名分析网站，收录的基本是百万级粉丝以上的创作者，该工具目前是免费的

图片

 

 

 

4．https://analisa.io/

除了Instagram还有Tiktok上的达人和热门标签可以分析

图片

 

5．https://www.noxinfluencer.com/

Influencer，通过多维度和受众筛选，寻找合适的网红合作，含Instagram，YouTube和Tiktok。

图片

 

 

 

 

6．www.tiktokfox.com

深度利用Tiktok热门标签挖掘数据，圈子里阿庚大佬出品

图片

 

7．https://exolyt.com/en/guides/tiktok-money-calculator

Exolyt，分析账号，计算Tiktok账号的收入，另一方面也是估值。

图片

 

 

 

 

 

 

 

 

 

九、账号管理

1．www.loomly.com

Loomly，账号管理，关联多个社交平台，规划发布帖子（视频）

图片

 

2．http://www.myhbdy.com/

Double，做多账号的群控、云控软件平台

图片

 

 

 

 

十、投放工具

1．www.meetsocial.com

飞书，目前Tiktok国内的广告代理开户平台之一

图片

 

2．https://data.appgrowing.net/leaflet

广告分析平台，含app推广排行

图片

 

 

 

 

 

 

 

十一、资源买卖

1．https://famebolt.com/marketplace

账号买卖平台，可分类目，粉丝数量等

图片

 

 

2．https://24hourviews.com/

买粉、买赞、评论等，24小时内开始相应的服务

图片

 

 

 

3．https://tokupgrade.com/

据说是卖高质量的Tiktok真实粉丝平台

图片

 

 

 

 

十二、链接和联盟

1．https://bitly.com/

生成短链的网站

图片

 

2．https://linktr.ee/

把多条链接合成一条链接的平台

图片

 

3．https://affiliate-program.amazon.com/

亚马逊联盟

图片

 

 

 

 

4．https://portals.aliexpress.com/

速卖通联盟

图片

 

5．https://partnernetwork.ebay.com/

ebay联盟

图片

 

 

 

 

十三、选品工具

1．https://trends.google.com/trends/

查看搜索词在谷歌趋势（按地区/时间分）

图片

 

2．https://www.amazon.com/gp/bestsellers

亚马逊美国站的热销榜单

图片

 

 

3．www.semrush.com

通过关键词寻找市场

图片

 

 

十四、独立站

对没有接触过独立站，也不会敲代码的同学，用shopify的比较多。

同时目前Tiktok和shopify有合作。

小北老师的博客里提到如何30天从0-1学习shopify

http://www.guxiaobei.com/shopify/shopify-store/

图片

 

以上这些工具都是在运营过程中可能会使用到的，接下来还将为大家带来全部工具的使用方法，以及其他黑科技。同时也希望大家在使用tik128.com这个网站的时候，能给我们多点建议图片

收录于
瞎扯淡

当前文章被收录于：

瞎扯淡
18 篇文章 1 人学习
订阅专栏 查看详情
工具

当前文章被收录于：

工具
13 篇文章 0 人学习
订阅专栏 查看详情
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
TikBuddy: TikTok Analytics Online Toolkit-crx插件 语言:English TikTok创作者和品牌的分析扩展。 TikBuddy是TikTok的综合和首要统计工具套件。 使用TikBuddy，您可以实时查看任何TikToker统计数据，TikTok视频数据，并跟踪和比较任何竞争对手，进行客观分析。 最后，TikBuddy将帮助您在TikTok上取得发展。 TikBuddy Toolkit提供：►全球创作者评分►全球与国家排名，最近30天排名趋势►创作者统计信息（包括粉丝，喜欢，视频…）►视频统计信息（包括观看，喜欢，评论…）►视频音乐统计信息（包括用户）在音乐上…）►标签分析网站：https://tikbuddy.com/在Facebook上关注我们：https://www.facebook.com/TikBuddy-102373248327008在Twitter上关注我们：https://twitter.com/TikBuddy在Instagram上关注我们：https://www.instagram.com/tikbuddy/在YouTube上订阅我们：https://www.youtube.com/channel/UCco_6dv 立即下载

相关推荐

ABP框架实战：从零搭建多租户应用（含完整代码示例）

本文详细介绍了如何使用ABP框架从零构建多租户SaaS应用，涵盖多租户架构设计、数据隔离实现、租户管理及性能优化等核心内容。通过完整的代码示例，帮助开发者快速掌握企业级数据隔离系统的开发技巧，提升SaaS应用开发效率。

weixin_29247219的博客 263

想要检测TikTok网络是否安全？这五个网站请收好

以上就是东哥想给大家介绍的五大可以检测TikTok网络的网站，毕竟如果账号没有设置好，对TikTok视频的流量和账号的风控程度都会有多大程度的影响，所以大家一定要重视这个问题！

dzqxwzoe的博客 1620

量化交易新手必看：如何用Python快速接入XTP极速交易系统（附避坑指南）

本文为量化交易新手提供了使用Python快速接入中泰证券XTP极速交易系统的完整指南。文章详细介绍了XTP系统的微秒级性能优势、与CTP系统的核心区别，并逐步讲解了环境配置、API连接、资金查询、下单撤单等关键步骤，同时分享了网络维护、订单处理等实战避坑技巧，帮助开发者高效对接专业交易柜台。

life6的博客 659

IP太“脏”！账号总是被封？保姆级教你自测 IP 纯净度

这篇教程教你通过4个工具检测IP质量：用Scamalytics查IP欺诈分数（0-30分最优），借IPinfo看IP类型（isp/家庭宽带最安全，hosting/机房易被拦截），靠Whoer测伪装度（需100%避免DNS、时区泄露），用Spamhaus查邮件黑名单。完美IP需同时满足低欺诈分、非机房类型、高伪装度、无黑名单，操作前测IP可规避账号被封、服务受限等问题。

一只枷锁的博客 8247

招行收款通SM2加密解密全流程解析：PHP开发者必看

本文详细解析了招商银行收款通服务中SM2加密解密的完整流程，特别针对PHP开发者提供了从密钥管理到签名验签的实战指南。涵盖国密算法基础、PHP环境配置、密钥安全存储及生产环境优化方案，帮助开发者快速实现高安全性的支付系统集成。

weixin_30632089的博客 651

UE5热更新（通过Pak包加载关卡资源，并添加到流关卡）

请先阅读我上一篇文章）**

xialuhui的博客 6456

Burpsuite 指纹特征绕过

需要高版本 17 + 的 burp 运行插件，可 bypass 网站流量设备的检测，正常抓包。未使用插件前，burp 指纹特征被识别，抓包被拦截。

Javachichi的博客 6642

从2-RSS-1U并联踝关节到双足机器人动态行走：雅可比矩阵与力矩控制实践

本文深入探讨了2-RSS-1U并联踝关节在双足机器人动态行走中的关键作用，详细解析了其设计原理、雅可比矩阵的应用及力矩控制实践。通过优化几何参数和控制算法，实现了低转动惯量、高刚度和紧凑设计，显著提升了机器人的行走稳定性和能量效率。文章还分享了从仿真到实物的跨越经验及未来优化方向。

weixin_42641998的博客 594

[SQL Server] sp_who, sp_who2和sp_who3

[SQL Server] sp_who, sp_who2和sp_who3

小旭的技术博客 1万+

保姆级教程：用Vue3+Element Plus快速搭建Flowable流程定义管理后台界面

本文提供了一份详细的Vue3+Element Plus教程，指导开发者快速搭建Flowable流程定义管理后台界面。从项目初始化、核心页面设计到响应式数据处理，全面覆盖前端开发关键步骤，帮助提升企业级应用开发效率。

weixin_42662293的博客 478

学习QT之应用程序打包发布

一、编译QT程序（release编译） 二、将release文件夹中的可执行文件复制到一个空的文件夹中 三、使用windeployqt打包工程 切换到可执行文件路径，执行windeployqt xxx.exe： 然后就会将程序所需要用到的资源以及库文件生成到可执行文件路径下： 此时应用程序就可以点击运行了。 四、使用Enigma Virtual Box封包（将文件夹内的文件集成为单可执...

贝勒里恩的博客 762

关于TikTok环境伪装度检测，whoer和上网大师app的对比

本文敏感，请先看文末! 对于TikTok来说，网络环境的重要性可以说就是运营TikTok的先决条件。所以很多小伙伴都会用一些工具来检测上网环境，ip出去没有，DNS的问题，系统语音等等问题。 当在浏览器输入网址whoer来检测的时候，很多人都会遇到这样的问题： 1、网速限制，打开速度比较慢； 2、站点打开了，检测数据反应慢，出不来； 这个主要是网络原因，和机型也就是安卓或者苹果并没有多大关系，甚至有时候显示90%是因为语言扣掉了10%，但是再一刷新，又是100%了。所以很大一部分原因就是网络造成的，所以没有

xiao_love_juan的博客 3万+

提示libfakeroot.so或libfakeroot-sysv.so出错处理方法

嵌入式Linux、Buildroot交叉编译出现fakeroot问题处理方法。

阿xin*的嵌入式AI 1443

excel中2015/1/27 怎么转成20150127 20210404 怎么转回2021/04/04

IFERROR(TEXT(DATE(...), "yyyy/mm/dd"), "日期无效")：确认单元格中的日期是Excel可识别的日期格式（而非文本）。结果为文本格式，确保单元格格式未自动转换为数值。，公式将直接返回文本“20150127”。：将日期格式化为“年/月/日”的文本格式。：将年、月、日组合为Excel日期值。公式需根据数据类型调整（数值或文本）。转为文本，确保月份和日期为两位数。：从第5位开始提取2位（月份）。：提取最后2位（日期）。），但需进一步设置格式。为包含原日期的单元格。

u013928175的专栏 493

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")

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。
上一篇： 项目经理如何正确与程序员沟通注意事项！！！
下一篇： Shelve Silently 静默搁置 Android Studio Git 功能
点赞 0
评论 0
书签 书签 5
一休日记
一休日记
博客等级 码龄11年 43粉丝 91原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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

打赏作者

一休日记

csdn打赏扣费20点，这

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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