精华内容
下载资源
问答
  • 这些工具让你的Android 开发高效

    万次阅读 多人点赞 2016-04-07 21:04:52
    在做Android 开发过程中,会遇到一些小的问题,虽然自己动手也能解决,但是有了一些小工具,解决这些问题就得心应手了,今天就为大家推荐一下Android 开发遇到的小工具,来让你的开发高效。

    Android

    在做Android 开发过程中,会遇到一些小的问题,虽然自己动手也能解决,但是有了一些小工具,解决这些问题就得心应手了,今天就为大家推荐一下Android 开发遇到的小工具,来让你的开发更高效。

    Vysor

    Vysor 是一个可以将手机的屏幕投影到电脑上,当然也可以操作,当我们做分享或者演示的时候,这个工具起到了作用。

    Vysor

    Vector Asset

    Android Studio 在1.4 支持了VectorAsset,所谓VectorAsset;它可以帮助你在Android 项目中添加Material Icon 和SVG 图片来作为一个Drawable 资源来使用。不过唯一一点的缺陷就是没有搜索功能,如果你想精心挑选Material Icon ,可以打来网页版https://design.google.com/icons/ 来选择,也可以下载SVG 和Png 格式。对于VectorAsset 的好处,它的文件更小,更容易适配不同的屏幕。

    Paste_Image.png

    Stetho

    Stetho 是一个Android 开发调试小工具,它可以让你使用Chrome Develop Tools 来可以来查看Sqlite 数据库和SharePreferences,而且可以查看网络连接的数据。在Chrome 输入框输入chrome://inspect,点击inspect 就可以开始了。如果使用OkHttp 需要添加拦截器StethoInterceptor。

    Stetho

    OctoTree

    OctoTree 是一个浏览器插件,它可以让你在Github 看代码时,左边栏会出现一个树状结构,就像我们在IDE 一样。当我们看一个项目的结构,或者想看具体的某个文件,这样就会很方便。

    OctoTree

    Chrome ADB

    Chrome ADB 是一个使用Chrome 来调试Android 的小工具,它除了提供了安装,卸载,清理数据的基本功能,而且还提供了主页,返回,锁屏的虚拟键功能,也可以看各个应用占用的内存(不得不点名批评一下微信,关闭都还占用100M 内存,不知道你要干嘛)。它还有Android 的App,两者交互一定更有意思。

    Chrome ADB

    TinyPng

    TinyPng 是一个图片压缩工具,可能有些人感觉这个工具应该给设计师使用,我觉得也是。不过有些时候,设计师给你出了个1920* 1080 的启动页,一张图片,1M 左右,我也是泪奔了,感觉设计师说话的时间,估计我们都压缩完了,自己动手,丰衣足食。而且它还提供了API,对不同语言都还有提供了插件,比如Java 就提供了Maven 的支持。

    TinyPng

    PostMan

    PostMan 是一个API 调试工具,它提供Chrome App 和Mac App,除了提供基本的API 测试功能, 它还可以添加各种的Auth 认证,响应结果可以选择不同类型,比如HTML、JSON 等,可以设置通用的Header,还可以将之前测试的添加到一个集合,而且也可以同步到服务器,而且最近还添加了团队服务,想想服务器端写完测试你就能看到结果,而不是给你API 文档(当然API 文档还是要有的),这画面太美,我不敢想象。当然它的功能也远远不止这些,它还有专业版,想尝试更多的东西可以体验一下。

    PostMan

    Genymotion 虚拟机

    刚开始做开发的时候,每次使用官方的虚拟机,都想吐槽一下,但是发现了Genymotion 之后,这一切都变化了,它的速度几乎可以和真机媲美了,当然如果有真机,当然还是推荐使用真机测试。据说官方模拟器2.0 很快,不知道是不是又吹牛逼。

    Genymotion

    Json2POJO

    Json2POJO 是可以将一个Json 字符串转换成Java 的POJO 类的网页工具,而且可以选择转换器,比如我们使用Retrofit 可以选择Jackson,Gson,而且可以选择重写get,set 方法,还有hashcode,equals 和toString 方法,可以省去了不少手写的时间。

    Json2POJO

    Android Pixel

    AndroidPixel 是一个简单的将不同的分辨率的换算工具,只要你有一个尺寸的大小,其他的尺寸大小就可以得出,当然dp 这样的单位,可以解决一部分问题,但是大多还要需要微调,这时AndroidPixel 就起到了作用。这个工具来自上一个公司同事告诉我的。

    Android Arsenal

    Android Arsenal 主要是推荐Github 上一些流行的Android 开源项目,基本上最近热门的Android 开源项目都会出现在这里,它还对不同类库进行了分类。

    Android Arsenal

    Codota

    Codota 是一款Android 代码搜索工具,Codota 目前已经收录超过七百万精品代码实例;具体的详细介绍请看文章《Android 开发工具之Codota——搜索最好的Android 代码》,而且发现好的代码段,可以自己收藏。

    Codota

    AndroidAssetStudio

    Android Asset Studio 是一个在线制作工具,它可以制作Iocn,ActionBar,点9 图等等,简单的操作,大大提高了我们开发的效率。

    Android Asset Studio

    WiFi ADB

    WiFi ADB 是一个通过无线网络来使电脑和手机连接的手机App(可以去Google Play 搜索类似的),当我们做测试的时候,只需在手机上打开,电脑只需在命令行输入 adb connect xxx.xxx.xxx.xxx:5555,电脑可以连接手机,就可以通过无线网络来调试开发的应用。

    WiFi ADB

    ES Explorer

    ES Explorer 是一款文件管理器,但实际它又不仅仅是一款文件管理器,在获得Root 之后,它的功能更强大了,它可以浏览受限制的文件目录;而且提供了一系列小工具,比如下载器;还有集成了众多云储存服务。

    ES Explorer

    RSS Subscription Extension

    RSS Subscription Extension 是一个由Google 出品的Chrome 上订阅RSS 的插件,虽然Google Reader 不复存在了(虽然我并不知道Google Reader 是什么样子),但是这个插件还是很有用的,当年阅读一篇博客,如果博主的博客可以订阅,插件就会高亮,而且你还可以配置你使用的RSS 的第三方客户端(比如Feedly),你想要订阅,一点击就会进入你的第三方客户端网站,而不是以前那样,发现一个好博客,还要四处寻找博客的订阅源。

    RSS Subscription Extension

    Android SDK Search 是一个快速查询Android SDK 的Chrome 小插件,你只需在浏览器上输入AD + Tab 键,就可以输入要查询的你要查询的东西,它就会出现待选结果,你选择之后,就会进入官方文档(Doc) 中,就不用自己再跑到浏览器或者官方去再搜了。

    Android SDK Search

    JsonHandle

    Json Handle 是一个对Json格式的内容进行浏览和编辑,以树形图样式展现JSON文档,并可实时编辑。尤其是我们在IDE 调试API,但是返回的数据没有格式化,看起来尤其特别费劲,想要查看那个字段的值,基本上是找不到。而利用JsonHandle 可以轻松将Json 的数据呈现在你的面前。

    Json Handle

    Live Tempates

    Live Tempates 是Android Studio(Intellij IDEA) 自带的一个代码收藏小功能。说具体点吧,我们我们手打会出现一些代码提示,比如打入fori 我们就可以打出带下标的遍历,除了系统提供一些常用的模板,我们也可以自定义。在Android Studio 打开设置,Editor –>Live TempPates,就可以查看系统默认的,可以在右上角的点击+ 按钮来点击,网络上也有一些人分享的模板,我们也可以参考一下。

    Live Tempates

    .ignore

    我们都知道在Git 中想要过滤掉一些不想提交的文件,可以把相应的文件添加到.gitignore 中,而.gitignore 这个Android Studio 插件根据不同的语言来选择模板,就不用自己在费事添加一些文件了,而且还有自动补全功能,过滤文件再也不要复制文件名了。我们做项目的时候,并不是所有文件都是要提交的,比如构建的build 文件夹,本地配置文件,每个Module 生成的iml 文件,但是我们每次add,commit 都会不小心把它们添加上去,而gitignore 就是解决这种痛点的,如果你不想提交的文件,就可以在创建项目的时候将这个文件中添加即可,将一些通用的东西屏蔽掉。

    .ignore

    ButterKnife Zelezny

    ButterKnife 是一个View 注解的框架,它的出现代替了findViewById,它使用APT 的方式在编译时生成代码,对于我们开发的效率没有多大影响。而ButterKnife Zelezny 是ButterKnife 的Android Studio 的插件,它会自动查找布局文件中含有id 的控件,你可以自定义来选择注解控件的对象和点击事件。虽然ButterKnife 已经很方便了,而这个插件让我们的代码更整洁。

    ButterKnife

    GsonFormat

    GsonFormat 是一个可以将字符串格式化成Gson Model 类的Android Studio 插件,和上文中我们提到的JsonSchema2Pojo 类似,而GsonFormat 跟随Android Studio,我们不用来回切换,也意味着我们的效率更高效,之前试用有一些小Bug,不知道现在修复了没有,大家试用有问题可以去Github 提Issue 啊。

    GsonFormat

    ClassyShark

    ClassShary 是一个反编译工具,你可以使用这个工具打开jar,apk,dex 等文件,就可以轻松查看AndroidManifest 和项目的结构和报名,以及项目的方法数,对于我们想参考一些公司使用的什么技术,使用这个就特别方便。

    ClassShary

    GrepCode

    GrepCode 是一个在线代码预览网站,除了可以读Java,Android 的的源码,他还可以阅读第三方开源项目的源码,而且还可以阅读所有历史版本,有时候修复Bug 要查看不同版本的东西,这样就会非常方便。

    GrepCode

    IdeaVim

    IdeaVim 是一个Intellij IDEA 实现Vim 的插件。作为一个程序员,一定对Vim 是熟悉的,尤其是使用类Unix 系统来说,vim 的效率提升的不是一点半星,双手放在键盘,几乎可以不用使用鼠标,也让你更加专注写代码。终于可以愉快地做个键盘侠啦。

    CheckStyle-IDEA

    CheckStyle-IDEA 是一个检查代码风格的插件,比如像命名约定,Javadoc,类设计等方面进行代码规范和风格的检查,你们可以遵从像Google Oracle 的Java 代码指南 ,当然也可以按照自己的规则来设置配置文件,从而有效约束你自己更好地遵循代码编写规范。

    Findbugs

    Findbugs 是一个分析代码中可能有隐患代码的工具。它会扫描项目中的源码,通过一些通用规则去判断可能潜在的一些问题,比如性能,多线程安全等等。而且不仅仅指出错误,而且还会给你一些建议供你参考。这个更像是Java 中使用的,当然在Android 中一样也可以使用,在Android 中,官方和第三方也有很多好工具来分析代码的可能出现的性能问题。

    当然了除了上面的这些工具,还有像一些非常好用,而且使用频率还挺非常高的。比如截图,视频转换成GIF 图片,一些简单的截图,QQ 完全可以胜任了,更加复杂的可以使用FastStone 来截图。想视频转换成GIF,我们可以使用网络上的在线转换工具,也是非常好用的,今天的分享就到这里了,以后发现好的开发工具,也会不定时分享大家。


    参考


    【安卓同学(AndroidMate)】的公众号,更多分享...

    【安卓同学(AndroidMate)】的公众号,更多分享…

    展开全文
  • 利用MATLAB 进行BP神经网络的预测(含有神经网络工具箱) 最近一段时间在研究如何利用预测其销量个数,在网上搜索了一下,发现了很多模型来预测,比如利用回归模型、时间序列模型,GM(1,1)模型,可是自己在结合...

            利用MATLAB 进行BP神经网络的预测(含有神经网络工具箱)

      最近一段时间在研究如何利用预测其销量个数,在网上搜索了一下,发现了很多模型来预测,比如利用回归模型、时间序列模型,GM(1,1)模型,可是自己在结合实际的工作内容,发现这几种模型预测的精度不是很高,于是再在网上进行搜索,发现神经网络模型可以来预测,并且有很多是结合时间序列或者SVM(支持向量机)等组合模型来进行预测,本文结合实际数据,选取了常用的BP神经网络算法,其算法原理,因网上一大堆,所以在此不必一一展示,并参考了bp神经网络进行交通预测的Matlab源代码这篇博文,运用matlab 2016a,给出了下面的代码,并最终进行了预测

    clc
    
    clear all
    
    close all
    
    %bp 神经网络的预测代码
    
    %载入输出和输入数据
    
    load C:\Users\amzon\Desktop\p.txt;
    
    load C:\Users\amzon\Desktop\t.txt;
    
    %保存数据到matlab的工作路径里面
    
    save p.mat;
    
    save t.mat;%注意t必须为行向量
    
    %赋值给输出p和输入t
    
    p=p;
    
    t=t;
    
    %数据的归一化处理,利用mapminmax函数,使数值归一化到[-1.1]之间
    
    %该函数使用方法如下:[y,ps] =mapminmax(x,ymin,ymax),x需归化的数据输入,
    
    %ymin,ymax为需归化到的范围,不填默认为归化到[-1,1]
    
    %返
    展开全文
  • Chrome(谷歌浏览器)是现在的主流浏览器,它的开发者工具也非常强大,它不仅可以帮助前端程序员快速分析别人的网页布局,也可以利用它来找到网页里的视频源地址,并且配合其他下载软件把视频下载到本地进行观看。...

    Chrome(谷歌浏览器)是现在的主流浏览器,它的开发者工具也非常强大,它不仅可以帮助前端程序员快速分析别人的网页布局,也可以利用它来找到网页里的视频源地址,并且配合其他下载软件把视频下载到本地进行观看。
    这里以安徽基础教育资源应用平台为例,来向大家演示如何获取这个平台里的视频课程资源地址。
    准备工作:
    1、Chrome浏览器(谷歌浏览器)
    2、迅雷或其它下载器(推荐迅雷精简版)

    具体步骤:
    用Chrome打开http://jiaoxue.ahedu.cn
    选择一节需要下载的课程点开

    在这里插入图片描述接着在打开的视频播放页面依次点击Chrome浏览器地址栏右边工具栏里的三个小点点的按钮→更多工具→开发者工具
    在这里插入图片描述选着开发者工具以后网页右栏Elements标签下会显示页面布局的一系列层级关系,鼠标指到相应的div层左面页面相应的区域就会被加阴影选中,找到视频窗口所在的div层,依次在视频窗口所在的div里点开寻找。
    在这里插入图片描述很快就找到了这个视频源地址,在视频源上单机右键选择→copy→copy element 把视频地址拷贝到剪贴板。
    在这里插入图片描述需要注意的是拷贝到剪贴板的内容还不能直接用,我们把它粘贴到记事本,或者其它的文本框中看到是这样的:<source src="http://ahwy.download.ahedu.cn/rrt/2020/2/20/4/40/5e74816692b7ab4bce491b14.mp4">
    我们只要双引号里面的视频地址就行,例如本案例的地址就是:http://ahwy.download.ahedu.cn/rrt/2020/2/20/4/40/5e74816692b7ab4bce491b14.mp4 ,其它的部分删掉,把这个地址复制到剪贴板。然后打开“迅雷精简版”或者你的其他下载器(360浏览器、2345浏览器的下载功能应该也可以),新建下载任务把地址粘贴进去,迅雷复制的时候就会弹出新建任务对话框,设置好文件名和保存路径就可以“立即下载”了。

    在这里插入图片描述
    开始下载!下载完毕即可用播放器打开播放!
    在这里插入图片描述本文讲解了用谷歌浏览器的开发者工具分析源代码从而找到视频地址,不保证是最简单的方法,只是给大家一个思路,通过开发者工具还可以做一些其它的事情,以后在与大家交流,谢谢。

    作者:小李老师
    时间:2020年3月25日

    展开全文
  • 最近一段时间在研究如何利用预测其销量个数,在网上搜索了一下,发现了很多模型来预测,比如利用回归模型、时间序列模型,GM(1,1)模型,可是自己在结合实际的工作内容,发现这几种模型预测的精度不是很高,于是再...

      最近一段时间在研究如何利用预测其销量个数,在网上搜索了一下,发现了很多模型来预测,比如利用回归模型、时间序列模型,GM(1,1)模型,可是自己在结合实际的工作内容,发现这几种模型预测的精度不是很高,于是再在网上进行搜索,发现神经网络模型可以来预测,并且有很多是结合时间序列或者SVM(支持向量机)等组合模型来进行预测,本文结合实际数据,选取了常用的BP神经网络算法,其算法原理,因网上一大堆,所以在此不必一一展示,并参考了bp神经网络进行交通预测的Matlab源代码这篇博文,运用matlab 2016a,给出了下面的代码,并最终进行了预测

    clc
    
    clear all
    
    close all
    
    %bp 神经网络的预测代码
    
    %载入输出和输入数据
    
    load C:\Users\amzon\Desktop\p.txt;
    
    load C:\Users\amzon\Desktop\t.txt;
    
    %保存数据到matlab的工作路径里面
    
    save p.mat;
    
    save t.mat;%注意t必须为行向量
    
    %赋值给输出p和输入t
    
    p=p;
    
    t=t;
    
    %数据的归一化处理,利用mapminmax函数,使数值归一化到[-1.1]之间
    
    %该函数使用方法如下:[y,ps] =mapminmax(x,ymin,ymax),x需归化的数据输入,
    
    %ymin,ymax为需归化到的范围,不填默认为归化到[-1,1]
    
    %返回归化后的值y,以及参数ps,ps在结果反归一化中,需要调用
    
    [p1,ps]=mapminmax(p);
    
    [t1,ts]=mapminmax(t);
    
    %确定训练数据,测试数据,一般是随机的从样本中选取70%的数据作为训练数据
    
    %15%的数据作为测试数据,一般是使用函数dividerand,其一般的使用方法如下:
    
    %[trainInd,valInd,testInd] = dividerand(Q,trainRatio,valRatio,testRatio)
    
    [trainsample.p,valsample.p,testsample.p] =dividerand(p,0.7,0.15,0.15);
    
    [trainsample.t,valsample.t,testsample.t] =dividerand(t,0.7,0.15,0.15);
    
    %建立反向传播算法的BP神经网络,使用newff函数,其一般的使用方法如下
    
    %net = newff(minmax(p),[隐层的神经元的个数,输出层的神经元的个数],{隐层神经元的传输函数,输出层的传输函数},'反向传播的训练函数'),其中p为输入数据,t为输出数据
    
    %tf为神经网络的传输函数,默认为'tansig'函数为隐层的传输函数,
    
    %purelin函数为输出层的传输函数
    
    %一般在这里还有其他的传输的函数一般的如下,如果预测出来的效果不是很好,可以调节
    
    %TF1 = 'tansig';TF2 = 'logsig';
    
    %TF1 = 'logsig';TF2 = 'purelin';
    
    %TF1 = 'logsig';TF2 = 'logsig';
    
    %TF1 = 'purelin';TF2 = 'purelin';
    
    TF1='tansig';TF2='purelin';
    
    net=newff(minmax(p),[10,1],{TF1 TF2},'traingdm');%网络创建
    
    %网络参数的设置
    
    net.trainParam.epochs=10000;%训练次数设置
    
    net.trainParam.goal=1e-7;%训练目标设置
    
    net.trainParam.lr=0.01;%学习率设置,应设置为较少值,太大虽然会在开始加快收敛速度,但临近最佳点时,会产生动荡,而致使无法收敛
    
    net.trainParam.mc=0.9;%动量因子的设置,默认为0.9
    
    net.trainParam.show=25;%显示的间隔次数
    
    % 指定训练参数
    
    % net.trainFcn = 'traingd'; % 梯度下降算法
    
    % net.trainFcn = 'traingdm'; % 动量梯度下降算法
    
    % net.trainFcn = 'traingda'; % 变学习率梯度下降算法
    
    % net.trainFcn = 'traingdx'; % 变学习率动量梯度下降算法
    
    % (大型网络的首选算法)
    
    % net.trainFcn = 'trainrp'; % RPROP(弹性BP)算法,内存需求最小
    
    % 共轭梯度算法
    
    % net.trainFcn = 'traincgf'; %Fletcher-Reeves修正算法
    
    % net.trainFcn = 'traincgp'; %Polak-Ribiere修正算法,内存需求比Fletcher-Reeves修正算法略大
    
    % net.trainFcn = 'traincgb'; % Powell-Beal复位算法,内存需求比Polak-Ribiere修正算法略大
    
    % (大型网络的首选算法)
    
    %net.trainFcn = 'trainscg'; % ScaledConjugate Gradient算法,内存需求与Fletcher-Reeves修正算法相同,计算量比上面三种算法都小很多
    
    % net.trainFcn = 'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm,计算量和内存需求均比共轭梯度算法大,但收敛比较快
    
    % net.trainFcn = 'trainoss'; % OneStep Secant Algorithm,计算量和内存需求均比BFGS算法小,比共轭梯度算法略大
    
    % (中型网络的首选算法)
    
    %net.trainFcn = 'trainlm'; %Levenberg-Marquardt算法,内存需求最大,收敛速度最快
    
    % net.trainFcn = 'trainbr'; % 贝叶斯正则化算法
    
    % 有代表性的五种算法为:'traingdx','trainrp','trainscg','trainoss', 'trainlm'
    
    %在这里一般是选取'trainlm'函数来训练,其算对对应的是Levenberg-Marquardt算法
    
    net.trainFcn='trainlm';
    
    [net,tr]=train(net,trainsample.p,trainsample.t);
    
    %计算仿真,其一般用sim函数
    
    [normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);%训练的数据,根据BP得到的结果
    
    [normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);%验证的数据,经BP得到的结果
    
    [normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);%测试数据,经BP得到的结果
    
    %将所得的结果进行反归一化,得到其拟合的数据
    
    trainoutput=mapminmax('reverse',normtrainoutput,ts);
    
    validateoutput=mapminmax('reverse',normvalidateoutput,ts);
    
    testoutput=mapminmax('reverse',normtestoutput,ts);
    
    %正常输入的数据的反归一化的处理,得到其正式值
    
    trainvalue=mapminmax('reverse',trainsample.t,ts);%正常的验证数据
    
    validatevalue=mapminmax('reverse',valsample.t,ts);%正常的验证的数据
    
    testvalue=mapminmax('reverse',testsample.t,ts);%正常的测试数据
    
    %做预测,输入要预测的数据pnew
    
    pnew=[313,256,239]';
    
    pnewn=mapminmax(pnew);
    
    anewn=sim(net,pnewn);
    
    anew=mapminmax('reverse',anewn,ts);
    
    %绝对误差的计算
    
    errors=trainvalue-trainoutput;
    
    %plotregression拟合图
    
    figure,plotregression(trainvalue,trainoutput)
    
    %误差图
    
    figure,plot(1:length(errors),errors,'-b')
    
    title('误差变化图')
    
    %误差值的正态性的检验
    
    figure,hist(errors);%频数直方图
    
    figure,normplot(errors);%Q-Q图
    
    [muhat,sigmahat,muci,sigmaci]=normfit(errors);%参数估计 均值,方差,均值的0.95置信区间,方差的0.95置信区间
    
    [h1,sig,ci]= ttest(errors,muhat);%假设检验
    
    figure, ploterrcorr(errors);%绘制误差的自相关图
    
    figure, parcorr(errors);%绘制偏相关图

    运行之后的,结果如下:

    BP神经网络的结果分析图

    训练数据的梯度和均方误差之间的关系图

    验证数据的梯度与学习次数

    残差的正态的检验图(Q-Q图)

     

     

    在网上,发现可以通过神经网络工具箱这个GUI界面来创建神经网络,其一般的操作步骤如下:

    1:在输入命令里面输入nntool命令,或者在应用程序这个选项下找到Netrual Net Fitting 这个应用程序,点击打开,就能看见如下界面

     

     

     

    2:输入数据和输出数据的导入(在本文中选取了matlab自带的案例数据)


    3:随机选择三种类型的数据所占的样本量的比例,一般选取默认即可
     



    4:隐层神经元的确定
                                                                                  


    5:训练算法的选取,一般是选择默认即可,选择完成后点击<train>按钮即可运行程序




    6:根据得到的结果,一般是MSE的值越小,R值越接近1,其训练的效果比较,并第二张图给出了神经网络的各参数的设置以及其最终的结果,其拟合图R越接近1,模型拟合的更好








    最终的结果图

    7:如果所得到的模型不能满足你的需求,则需重复上述的步骤直至能够得到你想要的精确度

    8:将最终的得到的各种数据以及其拟合值进行保存,然后查看,就可以得到所要的拟合值



    最后参考了网上和MATLAB的帮助,给出了一些与神经网络相关的函数,希望能够帮助大家。。
     图形用户界面功能。 
        nnstart - 神经网络启动GUI 
        nctool - 神经网络分类工具 
        nftool - 神经网络的拟合工具 
        nntraintool - 神经网络的训练工具 
        nprtool - 神经网络模式识别工具 
        ntstool - NFTool神经网络时间序列的工具 
        nntool - 神经网络工具箱的图形用户界面。 
        查看 - 查看一个神经网络。 
      
      网络的建立功能。 
        cascadeforwardnet - 串级,前馈神经网络。 
        competlayer - 竞争神经层。 
        distdelaynet - 分布时滞的神经网络。 
        elmannet - Elman神经网络。 
        feedforwardnet - 前馈神经网络。 
        fitnet - 函数拟合神经网络。 
        layrecnet - 分层递归神经网络。 
        linearlayer - 线性神经层。 
        lvqnet - 学习矢量量化(LVQ)神经网络。 
        narnet - 非线性自结合的时间序列网络。 
        narxnet - 非线性自结合的时间序列与外部输入网络。 
        newgrnn - 设计一个广义回归神经网络。 
        newhop - 建立经常性的Hopfield网络。 
        newlind - 设计一个线性层。 
        newpnn - 设计概率神经网络。 
        newrb - 径向基网络设计。 
        newrbe - 设计一个确切的径向基网络。 
        patternnet - 神经网络模式识别。 
        感知 - 感知。 
        selforgmap - 自组织特征映射。 
        timedelaynet - 时滞神经网络。 
      
      利用网络。 
        网络 - 创建一个自定义神经网络。 
        SIM卡 - 模拟一个神经网络。 
        初始化 - 初始化一个神经网络。 
        适应 - 允许一个神经网络来适应。 
        火车 - 火车的神经网络。 
        DISP键 - 显示一个神经网络的属性。 
        显示 - 显示的名称和神经网络属性 
        adddelay - 添加延迟神经网络的反应。 
        closeloop - 神经网络的开放反馈转换到关闭反馈回路。 
        formwb - 表格偏见和成单个向量的权重。 
        getwb - 将它作为一个单一向量中的所有网络权值和偏差。 
        noloop - 删除神经网络的开放和关闭反馈回路。 
        开环 - 转换神经网络反馈,打开封闭的反馈循环。 
        removedelay - 删除延迟神经网络的反应。 
        separatewb - 独立的偏见和重量/偏置向量的权重。 
        setwb - 将所有与单个矢量网络权值和偏差。 
      
      Simulink的支持。 
        gensim - 生成Simulink模块来模拟神经网络。 
        setsiminit - 集神经网络的Simulink模块的初始条件 
        getsiminit - 获取神经网络Simulink模块的初始条件 
        神经元 - 神经网络Simulink的模块库。 
      
      培训职能。 
        trainb - 批具有重量与偏见学习规则的培训。 
        trainbfg - 的BFGS拟牛顿倒传递。 
        trainbr - 贝叶斯规则的BP算法。 
        trainbu - 与重量与偏见一批无监督学习规则的培训。 
        trainbuwb - 与体重无监督学习规则与偏见一批培训。 
        trainc - 循环顺序重量/偏见的培训。 
        traincgb - 共轭鲍威尔比尔重新启动梯度反向传播。 
        traincgf - 共轭弗莱彻-里夫斯更新梯度反向传播。 
        traincgp - 共轭波拉克- Ribiere更新梯度反向传播。 
        traingd - 梯度下降反向传播。 
        traingda - 具有自适应LR的反向传播梯度下降。 
        traingdm - 与动量梯度下降。 
        traingdx - 梯度下降瓦特/惯性与自适应LR的反向传播。 
        trainlm - 采用Levenberg -马奎德倒传递。 
        trainoss - 一步割线倒传递。 
        trainr - 随机重量/偏见的培训。 
        trainrp - RPROP反向传播。 
        trainru - 无监督随机重量/偏见的培训。 
        火车 - 顺序重量/偏见的培训。 
        trainscg - 规模化共轭梯度BP算法。 
      
      绘图功能。 
        plotconfusion - 图分类混淆矩阵。 
        ploterrcorr - 误差自相关时间序列图。 
        ploterrhist - 绘制误差直方图。 
        plotfit - 绘图功能适合。 
        plotinerrcorr - 图输入错误的时间序列的互相关。 
        plotperform - 小区网络性能。 
        plotregression - 线性回归情节。 
        plotresponse - 动态网络图的时间序列响应。 
        plotroc - 绘制受试者工作特征。 
        plotsomhits - 小区自组织图来样打。 
        plotsomnc - 小区自组织映射邻居的连接。 
        plotsomnd - 小区自组织映射邻居的距离。 
        plotsomplanes - 小区自组织映射重量的飞机。 
        plotsompos - 小区自组织映射重量立场。 
        plotsomtop - 小区自组织映射的拓扑结构。 
        plottrainstate - 情节训练状态值。 
        plotwb - 图寒春重量和偏差值图。 
      
      列出其他神经网络实现的功能。 
        nnadapt - 适应职能。 
        nnderivati​​ve - 衍生功能。 
        nndistance - 距离函数。 
        nndivision - 除功能。 
        nninitlayer - 初始化层功能。 
        nninitnetwork - 初始化网络功能。 
        nninitweight - 初始化权函数。 
        nnlearn - 学习功能。 
        nnnetinput - 净输入功能。 
        nnperformance - 性能的功能。 
        nnprocess - 处理功能。 
        nnsearch - 线搜索功能。 
        nntopology - 拓扑结构的功能。 
        nntransfer - 传递函数。 
        nnweight - 重量的功能。 
     nndemos - 神经网络工具箱的示威。 
        nndatasets - 神经网络工具箱的数据集。 
        nntextdemos - 神经网络设计教科书的示威。 
        nntextbook - 神经网络设计教科书的资讯。

     

    展开全文
  • 时代程序员主流开发工具一览

    千次阅读 多人点赞 2021-07-22 14:00:52
    一款的开发工具对程序员来说是至关重要的,可以降低开发成本、提高开发的效率和代码质量。 所以今天分享一些主流的编程开发工具,基本都是我曾经或正在使用的,附带一些使用感受。 编程开发工具一览 本文大纲: ...
  • Web渗透攻击利器之工具收录

    万次阅读 2018-11-25 23:22:04
    所谓的SQL注入测试就是通过利用目标网站的某个页面缺少对用户传递参数控制或者控制的不够的情况下出现的漏洞,从而达到获取、修改、删除数据,甚至控制数据库服务器、Web服务器的目的的测试方法。 P...
  • 秒杀全网!研发、运营必备实用工具网站

    万次阅读 多人点赞 2019-09-03 23:20:53
    程序员开发需要具备良好的信息检索能力,为了备忘(收藏夹真是满了),将开发过程中常用的网站进行整理(不断更新中~)。
  • DDOS工具合集

    万次阅读 多人点赞 2017-07-10 16:20:11
    CC著名的DDOS CC工具,效果非常!CC 2.0使用了和CC 1.0一样的原理但是不同的编程技术CC 2.0的理论连接比CC 1.0 有了几十倍的提高但是在同样连接数的效率上有所降低CC 2.0支持比1.0多的随机参数+{S|s|N|n|P|p|C|c...
  • 新工具

    2020-03-18 15:43:47
    为了提供更好的针对移动设备的响应式设计方案,Bootstrap 2.0采用了更为灵活的12栏网格布局。此外,它还更新了一些进度栏以及可定制的图片缩略图。Bootstrap是一个非常轻量级的框架,2.0在压缩后只有10KB。 Wayland ...
  • Google 重叠实验框架:更多,更好,更快实验 发表于2015-01-09 16:21| 6559次阅读| 来源火光摇曳| 3 条评论| 作者lexqu(屈伟) GoogleWeb App机器学习框架数据中心 摘要:辛苦优化的模型与策略线上效果到底如何...
  • 利用Windows内置工具测试硬盘速度

    万次阅读 2017-06-21 12:56:57
    本来想下个第三方的软件什么的,原来发现Windows有内置的工具使用–WinSat,那自然是最好不过。 操作步骤 以管理员身份运行命令行程序,win+R–>输入cmd并回车.(否则在win10下面最终测试结果会一闪而过) ...
  • 在分享之前,先说说初学者如何学习编程,这个话题想必非常的重要,要学好编程,给你一些学习网站也好、实用工具也好,但前提是你知道如何去学习它。 见过很多初学者,以及小鹿我刚开始学习的时候,也是自己瞎摸索,...
  • 软件测试测试工具总结

    万次阅读 多人点赞 2019-06-14 17:52:48
    在软件测试的过程中,多多少少都是会接触到一些测试工具,作为辅助测试用的,以提高测试工作的效率,使用了测试工具,能对测试起到一个很的作用,同时,有些公司,也会要求掌握一些测试工具,或者,是在面试时,...
  • 8、信息收集篇————Kali Linux自带工具

    万次阅读 多人点赞 2018-04-12 20:10:07
    无意中发现了一个巨牛巨牛的人工智能教程,忍不住...Kali Linux是一个集成了许许多多的渗透测试工具的一款系统,也可以说是专门问渗透测试人员量身打造的一般,本小节就为大家来介绍一下kali当中有哪些用于信息收集...
  • 利用MATLAB 2016a进行BP神经网络的预测(含有神经网络工具箱) 最近一段时间在研究如何利用预测其销量个数,在网上搜索了一下,发现了很多模型来预测,比如利用回归模型、时间序列模型,GM(1,1)模型,可是自己在...
  • Linux内核调试的方式以及工具集锦

    万次阅读 多人点赞 2017-04-01 21:31:55
    CSDN GitHub Linux内核调试的方式以及工具集锦 LDD-LinuxDeviceDrivers...因本人技术水平和知识面有限, 内容如有纰漏或者需要修正的地方, 欢迎大家指正, 也欢迎大家提供一些其他的调试工具以供收录, 鄙人在此谢谢啦

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 789,722
精华内容 315,888
关键字:

为了更好地利用这些新工具