ESP32之 ESP-IDF + Clion 开发环境搭建(二)—— Linux版

ESP32-C3 入门篇(三)Linux下开发环境搭建 ESP32-C3 Linux开发环境搭建 阅读详情

本文章 来自原创专栏《ESP32教学专栏 (基于ESP-IDF)》,讲解如何使用 ESP-IDF 构建 ESP32 程序,发布文章并会持续为已发布文章添加新内容! 每篇文章都经过了精打细磨!

↓↓↓通过下方对话框进入专栏目录页↓↓↓
CSDN 请求进入目录       _ O x

是否进入ESP32教学导航(基于ESP-IDF)?

       确定


ESP-IDF 是由乐鑫Espressif官方提供的一套ESP32系列SoC的物联网开发套件(Espressif IoT Development Framework)提供了从工程创建,编译,烧录,调试,量产等的完整解决方案。本文将介绍如何在Windows下搭建ESP-IDF开发环境。

敬告:

① 如果你想使用Arduino来开发ESP32,目前可参考的资料较多,请读者自行查阅。
② 使用Arduino开发ESP32,很难发挥ESP32的全部实力,强烈推荐相关专业人士或技术爱好者转为 ESP-IDF 开发。
③ ESP-IDF是乐鑫官方推荐的SDK。

注意:

下文的 “开发环境” 和 “编程环境” 的含义并非相同
 
编程环境:指代码编写的人机交互环境,例如使Clion IDE或者VS Code等工具对开发环境的耦合和优化。
开发环境:指ESP-IDF工程的建立,配置,编译,调试,量产等基础操作的环境。开发环境不包含编程环境

在文章开始之前,先感受一下Clion带来的流畅丝滑的变成体验吧!

① 丝滑头文件

在这里插入图片描述
② 丝滑结构体

在这里插入图片描述
③ 丝滑提示

在这里插入图片描述

(一)开发环境搭建

一、安装相关依赖

ESP-IDF 及其工具等需要依赖以下组件

  1. 如果你的操作系统是Debian系(如Debian、Ubuntu、Deepin、Raspberry Pi OS等)
sudo apt-get install git wget flex bison gperf python3 python3-pip python3-setuptools cmake ninja-build ccache libffi-dev libssl-dev dfu-util libusb-1.0-0
  1. 如果你的操作系统是CentOS 7 & 8
    (目前仍然支持CentOS 7,但是强烈建议使用CentOS 8)
sudo yum -y update && sudo yum install git wget flex bison gperf python3 python3-pip python3-setuptools cmake ninja-build ccache dfu-util libusbx
  1. 如果你的操作系统是Arch系(如Arch Linux、Manjaro等)
sudo pacman -S --needed gcc git make flex bison gperf python-pip cmake ninja ccache dfu-util libusb

使用 ESP-IDF 需要 CMake 3.5 或以上版本。较早的 Linux 发行版可能需要升级自身的软件源仓库,或开启 backports 套件库,或安装 “cmake3” 软件包(不是安装 “cmake”)。


如果上述列表中,并没有您使用的系统,请参考您所用系统的相关文档,查看安装软件包所用的命令。

二、获取ESP-IDF

1. 方法一(推荐):从以下链接下载开箱即用的ESP-IDF

由于国内访问Github较慢,官方给我们提供了一个开箱即用的ESP-IDF。前往ESP-IDF的Github或Gitee发行版本页面即可找到(下文已给出)

ESP-IDF v4.4直接下载:https://dl.espressif.com/github_assets/espressif/esp-idf/releases/download/v4.4/esp-idf-v4.4.zip

ESP-IDF v4.3.2直接下载:https://dl.espressif.com/github_assets/espressif/esp-idf/releases/download/v4.3.2/esp-idf-v4.3.2.zip

下载后解压到合适的位置即可


如果你想要获取其他版本,请从ESP-IDF官方github或者gitee查看最新发行版,并使用提供的对应版本的命令行
Github 发行版页 :https://github.com/espressif/esp-idf/tags
Gitee 发行版页:https://gitee.com/EspressifSystems/esp-idf/releases

2. 方法二:从github克隆ESP-IDF仓库的发行版

进入你想放置ESP-IDF文件夹的目录。然后执行以下命令获取esp-idf(git会自动创建esp-idf文件夹)
默认情况下,建议安装到~/esp/下

mkdir -p ~/esp
cd ~/esp

① 例如,获取4.3.2版本发行版。(在此文章发布时,此为最新的稳定版,可能将来会成为旧版)

git clone -b v4.3.2 --recursive https://github.com/espressif/esp-idf.git esp-idf-v4.3.2

git会自动创建esp-idf-v4.3.2文件夹

② 再如,获取master分支(通常不是发行版,也可能不是稳定版,如果你并不确定自己要使用哪个版本,而是仅仅是想要入门ESP32开发,建议使用此命令克隆master分支)

git clone --recursive https://github.com/espressif/esp-idf.git

git会自动创建esp-idf文件夹

如果你想要获取其他版本,请从ESP-IDF官方github或者gitee查看最新发行版,并使用提供的对应版本的命令行
Github 发行版页 :https://github.com/espressif/esp-idf/tags
Gitee 发行版页:https://gitee.com/EspressifSystems/esp-idf/releases

三、安装所需工具

1. 直接安装

接下来将会安装以下组建:

① 内置的 Python 虚拟环境(多数脚本由python编写,需要使用python执行。为防止干扰到其他的python,安装器会提供一个内置的python)
② 交叉编译器(这是在电脑上编译ESP32可执行文件必要的编译器,由于为在一种平台上编译出另一平台上的可执行文件,故称“交叉编译器”)
③ OpenOCD(针对高级用户。这是ESP32进行JTAG调试必要的组件,同样也支持STLink对stm32进行在线调试)
④ CMake 和 Ninja 编译工具 (这是连接源文件和交叉编译器的桥梁工具)

使用cd命令,切换到ESP-IDF的目录,并执行此目录下的install.sh

cd ~/esp/esp-idf
./install.sh

或

cd ~/esp/esp-idf-v4.3.2
./install.sh

2. 使用 Espressif 的 Github 下载服务器加速下载

若下载缓慢,或中途有无法连接服务器的情况,请使用乐鑫 Espressif 官方提供的 Github 下载服务器加速下载。只需要临时加一个环境变量IDF_GITHUB_ASSETS,内容为dl.espressif.com/github_assets即可。

cd ~/esp/esp-idf
export IDF_GITHUB_ASSETS="dl.espressif.com/github_assets"
./install.sh

该设置只影响从 Github 发布版本中下载的单个工具,它并不会改变访问任何 Git 仓库的 URL。

上述两种方法都会默认在$HOME/.espressif/内下载所需的工具链,这个目录可以更改,但是不建议更改。更改方法见官网https://docs.espressif.com/projects/esp-idf/zh_CN/latest/esp32/get-started/index.html#id17

四、检查前边工作是否成功

cd到ESP-IDF路径,执行其中的export.sh。

cd ~/esp/esp-idf
. ./export.sh
. $HOME/esp/esp-idf/export.sh

注意,命令开始的 “.” 与路径之间应有一个空格!

如果出现如下输出,即前边的工作成功!我们就可以在命令行中使用idf.py工具了,详见下一节。

Done! You can now compile ESP-IDF projects.
Go to the project directory and run:

  idf.py build

(二)idf.py 基本操作使用

ESP-IDF的idf.py是最重要的工具之一,可以创建工程、编译、烧录、监视等。还能管理 ESP32 系列的 flash 等。

使用idf.py之前,要与上文 检查前边工作是否成功 一样执行export.sh。但是每次输入export.sh的路径很麻烦。我们可以给执行export.sh的命令起一个别名alias。

方法是在~下的.profile、.bashrc、.zprofile、.zshrc文件中加入一句

alias get-idf='. $HOME/esp/esp-idf/export.sh'

并保存,重新打开终端。输入get-idf即可执行export.sh,之后就可以使用idf.py工具了。

甚至,如果你不想要输入idf.py后边的.py,也可以给idf.py起一个别名,方法同上,也是在.profile、.bashrc、.zprofile、.zshrc文件中加入一句

alias idf='idf.py'

这样,我们输入idf即可。
例如,我们


        
ESP32之 ESP-IDF + Clion 开发环境搭建(三)—— 使用 Clion 对 ESP32 进行 JTAG 调试 本文章 来自原创专栏《ESP32教学专栏 (基于ESP-IDF)》,介绍如何在Windows和Linux下,通过Clion对ESP32等进行JTAG调试 阅读详情

相关推荐

【导航】ESP32 教学篇目录 【快速跳转】

本文章 来自原创专栏《ESP32教学专栏 (基于ESP-IDF)》,讲解如何使用 ESP-IDF 构建 ESP32 的WIFI及连接的程序,发布文章并会持续为已发布文章添加新内容! 每篇文章都经过了精打细磨! ↓↓↓通过下方 按钮 进入专栏主页↓↓↓ 专栏主页:点击进入→ESP32 教学专栏 (基于ESP-IDF) WIFI二级专栏:点击进入→ESP32 上的 WiFi ............

Augtons 的博客 3万+

ESP32开发环境搭建:CLion与ESP-IDF的深度整合指南

本文详细介绍了如何在Windows、Linux和macOS平台上搭建ESP32开发环境,实现CLion与ESP-IDF的深度整合。通过多平台环境准备、CLion项目配置、深度调试技巧等步骤,帮助开发者高效进行嵌入式开发,特别适合物联网项目开发。

kubernetes8ctl的博客 537

Windows下CLion+ESP-IDF搭建ESP32开发环境全攻略

嵌入式开发中,ESP32是应用广泛的IoT芯片,而构建高效的开发环境往往比写代码更考验人。ESP-IDF作为乐鑫官方框架,负责编译、烧录与调试;CLion则提供原生CMake支持和强大的代码索引。两者结合,可让Windows下的ESP32开发获得接近桌面IDE的体验。从Python环境、Git配置到工具链下载,任何一个环节出错都会导致编译失败。围绕ESP-IDF v5.3.x与CLion 2024.x,系统梳理命令行安装IDF、CLion插件配置、CMake Profile设置,以及Windows串口驱动、

weixin_34082789的博客 346

CLion+ESP-IDF环境搭建指南:高效开发ESP32-C3物联网应用

在嵌入式系统开发中,集成开发环境(IDE)和软件开发工具包(SDK)的协同配置是提升开发效率的关键。CMake作为现代跨平台构建系统,通过管理项目依赖和编译流程,为复杂工程提供了标准化解决方案。结合专用工具链,开发者能够针对特定硬件架构(如RISC-V)进行交叉编译,实现代码在目标设备上的高效运行。这种技术组合的价值在于,它将代码编辑、智能提示、构建管理和硬件调试集成于统一平台,显著降低了嵌入式开发的学习曲线和调试成本。在物联网(IoT)设备开发场景中,例如基于ESP32-C3芯片的Wi-Fi/蓝牙应用,一

weixin_33834628的博客 572

Windows下用CLion搭建ESP-IDF开发环境:配置指南与避坑手册

在嵌入式开发中,IDE的选型直接影响工程效率与调试体验。ESP-IDF作为乐鑫官方框架,自5.x起全面采用CMake与Ninja构建体系,这也让它与原生支持CMake解析的CLion天然契合。相比VSCode依赖插件模拟CMake语义,CLion能够直接读取ESP-IDF的工程结构,实现更流畅的代码跳转、重构和静态分析,同时借助OpenOCD与GDB的深度集成,提供接近桌面程序的调试体验。对于从Arduino转向ESP32开发、或需要维护复杂多任务工程的开发者而言,这套环境能显著降低理解成本。本文基于Win

weixin_34008805的博客 398

Windows下CLion+ESP-IDF环境配置实战:从零搭建ESP32开发环境

嵌入式开发中,环境配置往往是比代码本身更先卡住人的门槛,尤其当你在Windows平台使用基于ESP-IDF框架的ESP32芯片时,工具链、Python依赖、编译器的组合常常让人寸步难行。ESP-IDF作为乐鑫官方框架,依托CMake构建系统,对工程管理、组件化开发提供了强大支持,而CLion作为一款现代IDE,凭借原生CMake支持、智能代码索引和高集成度调试能力,能与ESP-IDF深度融合。理解CMake在ESP-IDF中的作用原理、掌握Windows下工具链的配置逻辑,是高效进行ESP32固件开发的关键

weixin_34185512的博客 350

Windows下CLion+ESP-IDF环境搭建与配置实战指南

嵌入式开发中,交叉编译工具链与CMake构建系统的集成是核心环节。ESP-IDF作为ESP32官方框架,通过CMake组织工程并依赖Python脚本驱动构建流程。在Windows平台,将工具链、CMake与CLion的索引和调试能力打通,能显著提升代码补全与重构效率。该方案适用于物联网设备开发、串口烧录及JTAG调试等场景,尤其适合从VS Code或Eclipse迁移的开发者。本文围绕CLion与ESP-IDF的配置展开,详解环境搭建、CMake变量传递及常见问题排查,帮助开发者构建高效的ESP32开发工作

weixin_34087307的博客 417

Windows下用CLion搭建ESP32开发环境:从VS Code迁移到ESP-IDF完整指南

嵌入式开发中,IDE与构建系统的选型直接影响日常开发效率。CMake作为一套跨平台构建系统,被ESP-IDF v5.x全面采用,这也让ESP32系列芯片的工程管理具备了更强的可移植性。JetBrains CLion以其对CMake的原生支持,在符号索引、代码补全和调试体验上展现出显著优势,尤其适合工程规模变大、模块化程度高的项目。本文从Windows平台的实际使用场景出发,梳理了从VS Code迁移到CLion的完整路径:从ESP-IDF的安装方式选择、工具链与CMake的联动配置,到烧录、串口监视与Ope

weixin_34416754的博客 384

Clion配置ESP-IDF开发ESP-C3:从环境搭建到调试实战

CMake作为现代C/C++项目的标准构建工具,通过声明式配置管理跨平台编译流程,其核心原理在于将源代码与构建指令分离,实现高度可移植和可复用的项目结构。在嵌入式物联网开发领域,CMake结合交叉编译工具链,能够高效管理资源受限的MCU项目依赖与构建过程,显著提升开发效率与协作一致性。对于ESP32-C3这类RISC-V架构的物联网芯片,乐鑫官方ESP-IDF框架深度集成CMake,提供了完整的驱动、RTOS组件及构建系统。通过将JetBrains Clion这一智能IDE与ESP-IDF的CMake项目结

weixin_30444105的博客 379

Windows下CLion+ESP-IDF开发环境配置:从零到顺畅开发ESP32

嵌入式开发中,IDE与工具链的配合直接决定开发效率。CLion作为JetBrains系IDE,凭借对CMake构建系统的原生支持,能够精准解析ESP-IDF项目的源码结构与依赖关系。ESP-IDF从4.x版本起全面采用CMake,使得CLion能够无缝接入其编译、烧录与调试流程。在Windows平台上,通过合理的环境变量配置与工具链选择,开发者可完全脱离命令行依赖,在CLion中完成从编写代码、编译构建到串口监视的完整闭环。这一方案尤其适合需要管理多MCU平台的工程师、厌倦Arduino IDE局限性的进阶

weixin_34116110的博客 409

别再为FPGA程序裸奔发愁了!手把手教你用Quartus和AES256给Altera芯片上把‘锁’

本文详细介绍了如何为Altera/Intel FPGA芯片(如Cyclone系列)构建可靠的AES256加密体系,涵盖密钥类型选择、Quartus实操到JTAG链路验证的全流程。通过硬件级AES256引擎实现配置流解密,确保FPGA程序的安全保护,适用于工业控制器等高安全需求场景。

weixin_28309571的博客 392

大模型-CLIP 详细介绍

最先进的计算机视觉系统通常被训练来预测一组预定义的对象类别。这种受限的监督形式限制了它们的通用性和可用性,因为要指定任何其他视觉概念,就需要额外的标注数据。比如,它们可以识别“猫”、“狗”、“汽车”等。但是,这种做法有一个明显的局限性:如果你想让系统识别一个新的类别,比如说“独角兽”,你就必须提供大量带有“独角兽”标签的图片来训练系统。这不仅耗时费力,而且限制了系统的灵活性和广泛适用性。直接从原始文本中学习关于图像的信息是一种很有前途的替代方案,因为它利用了更广泛的监督来源。

晓的博客 9750

5分钟搞定!用L型匹配电路优化窄带天线性能(附Smith圆图实操)

本文针对窄带天线阻抗匹配难题,提供了一套5分钟快速解决方案。通过详解L型匹配电路的核心原理,并结合Smith圆图这一射频工程师的“瑞士军刀”,手把手指导如何选择拓扑、计算元件值并进行实际调试,旨在帮助硬件工程师高效优化天线性能,实现最大功率传输。

yyy34的博客 450

混合开关电容DCDC变换器技术解析与工程应用指南

在电源设计领域,传统DCDC变换器在高降压比或高升压比场景下,往往面临占空比过窄、开关应力大、效率偏低等瓶颈。开关电容变换器虽能实现固定比例的电压变换,却受限于调节能力。混合开关电容DCDC变换器通过“开关电容网络粗调变比+电感式DCDC细调输出”的策略,兼顾高效率、高功率密度与宽调压范围。本文梳理了其典型拓扑(如2:1/4:1 SC+Buck)、关键对比、控制策略(含软充电)及工程应用中的常见问题,帮助电源工程师在服务器供电、快充、车载电源等场景下快速选型与调试。

weixin_29164185的博客 322

DIY等离子环:从Class-E电路到七彩辉光,手把手教你打造炫酷科学玩具

本文手把手教你DIY一个炫酷的等离子环科学玩具。从解析等离子体辉光放电原理入手,详细介绍了核心的Class-E自激振荡电路设计、关键元件选型与参数计算,并提供了从物料准备、电路搭建、腔体密封到上电调试的全流程指南。通过调制电路或填充不同气体,还能实现七彩变换与交互效果,是学习高频电路与电磁场知识的绝佳实践项目。

weixin_29305337的博客 640

SAP SD销售订单的ATP检查简介

如果可用性检查组设置为01(汇总需求),系统将更新销售订单需求到汇总表VBBS,该表中未记录销售订单号码,因此在MD04中不会显示销售订单号码,而是按天汇总显示销售需求。如果物料的可用性检查组设置为02(单个需求),系统将更新销售订单需求到表VBBE,该表中记录了销售订单号码,因此在MD04显示销售订单的号码以及需求,前面的文章中我们解释了PP模块中的ATP检查,也解释了MM模块中的ATP的检查,本文将说明一下SD模块中的ATP检查。可用性检查用的最多的就是02,有兴趣的同学可以测试一下可用性检查01。

我小时候很黑的博客 4314

NetSuite软件二次开发:NetSuite二次开发最佳实践与案例分析

SuiteScript是NetSuite提供的一种用于二次开发的脚本语言,它基于JavaScript,但添加了特定的API和框架,以支持NetSuite平台的业务逻辑开发。SuiteScript有两种版本:SuiteScript 1.0和SuiteScript 2.0,后者提供了更现代的面向对象编程模型,增强了代码的可读性和可维护性。NetSuite允许用户自定义字段以满足特定的业务需求。这些字段可以添加到现有的记录类型中,也可以用于自定义记录。自定义字段可以是文本、数字、日期、下拉列表等多种类型。

kkchenjj的博客 1471

亲测解决This application failed to start because no Qt platform plugin could be initialized.

这个问题是由于环境变量改变或者Qt的路径改变导致,解决办法是在环境变量里面重新添加Qt路径。

狂小虎/Anthony Dave的博客 KuangXiaoHu's Blogs 2937

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

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")

全球国家地区城市数据

MySQL全球国家地区城市数据报。。。。。。。。。。。。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

上一篇: ESP32之 ESP-IDF + Clion 开发环境搭建(一)—— Windows版
下一篇: ESP32之 ESP-IDF + Clion 开发环境搭建(三)—— 使用 Clion 对 ESP32 进行 JTAG 调试
Augtons正(单片机)
博客等级 码龄6年 5869粉丝 36原创
评论 4
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

打赏作者

Augtons正(单片机)

你的鼓励将是我创作的最大动力

¥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
⌂ 换网址