iSLIP算法实战:如何用Python模拟交换机优先级匹配(附完整代码)

iSLIP 指针滑动多次迭代循环优先级匹配算法 理解 本文是yz在学习PPIN一书时对iSLIP算法的理解。 简介 什么是iSLIP iSLIP是用于多输入多输出交换机的一种分配(Allocator)算法,由Nick McKeown 1999年在《The iSLIP Scheduling Algorithmfor Input-Queued Switches》提出。 有n个输入与n个输出时,每个输入会对部分或全部输出口产生占用请求。如何分配输出口给需要的输入口呢?如果采用简单的FIFO机制,先到的输入队列的请求先处理,会遇到HOL(head-of-li 阅读详情

iSLIP算法实战:如何用Python模拟交换机优先级匹配(附完整代码)

在当今高速网络交换领域,iSLIP算法因其高效的吞吐量和简单的硬件实现而备受青睐。本文将带您从零开始,用Python构建一个完整的iSLIP算法模拟器,不仅实现核心的指针滑动逻辑,还会加入可视化模块让匹配过程一目了然。无论您是网络工程师还是Python开发者,这套代码框架都能直接集成到您的测试环境中。

1. 理解iSLIP算法核心机制

iSLIP算法的精妙之处在于它的指针滑动规则和迭代匹配策略。想象一个4×4的交换机,每个输入端口可能有多个输出端口的请求,而每个输出端口也可能收到多个输入端的竞争。

关键机制解析:

  • 优先级轮转:每个输出端口维护一个grant指针,决定当前轮次的优先级顺序
  • 双重确认:输出端先发送grant,输入端再选择accept,避免冲突
  • 指针更新规则:只有在accept确认后,指针才会滑动到下一个位置

用实际场景来说明:假设输出端口2的grant指针指向1,收到输入1和3的请求时:

# 伪代码示例
if output_port == 2:
    current_pointer = 1
    requests = [input1, input3]
    # 按指针位置决定优先级
    if current_pointer == 1:
        grant = input1  # 优先满足指针位置

2. Python实现框架搭建

我们采用面向对象的设计模式,构建三个核心类:

class InputPort:
    def __init__(self, 
从论文到生产:iSLIP优先级匹配算法在SDN交换机中的20年演进史 本文回顾了iSLIP优先级匹配算法在SDN交换机中的20年演进历程,从斯坦福大学的原始论文到现代芯片实现。通过独特的指针滑动和迭代循环机制,iSLIP算法显著提升了交换机的吞吐量和公平性,解决了传统FIFO调度的队头阻塞问题。文章详细探讨了算法在硬件实现中的工程挑战、开源实践及未来AI时代的智能调度方向。 阅读详情

相关推荐

从零理解iSLIP:这个让交换机吞吐量翻倍的循环匹配算法到底强在哪?

本文深入解析iSLIP算法如何通过指针滑动和优先级轮转机制解决交换机HOL阻塞问题,实现100%吞吐量。通过类比电梯调度和餐厅叫号系统,详细拆解其三阶段握手流程和动态优先级设计,揭示其在负载均衡、硬件友好性方面的优势,并探讨在云计算、自动驾驶等领域的潜在应用价值。

weixin_29254029的博客 298

iSLIP算法实战解析:如何用指针滑动优化交换机性能(附Python模拟代码)

本文深入解析iSLIP算法如何通过指针滑动机制优化交换机性能,实现接近100%的吞吐率。详细介绍了算法的双重指针滑动设计、状态机模型及Python实现代码,并通过性能对比验证其在高负载下的显著优势。适合网络工程师和算法开发者参考实践。

weixin_30352645的博客 89

深入解析iSLIP算法:指针滑动与迭代循环在交换机优先级匹配中的应用

本文深入解析iSLIP算法在交换机优先级匹配中的应用,重点探讨指针滑动与迭代循环机制如何解决HOL(队头阻塞)问题。通过动态优先级调整和多轮迭代,iSLIP算法显著提升交换机吞吐量至接近100%,同时确保公平性和硬件效率。文章还详细介绍了硬件实现的关键技术和常见问题解决方案。

weixin_29213827的博客 407

45、交换机技术:iSLIP算法与大型交换机扩展策略

本文深入探讨了iSLIP调度算法及其在支持优先级和组播场景下的扩展机制,分析了其在硬件实现中的流水线优化与仲裁器设计。同时,介绍了Clos网络在中等规模路由器中的应用及其可重排非阻塞特性,并讨论了大型交换机在引脚限制、电容负载、调度复杂度和机架空间等方面的扩展挑战与解决方案。最后展望了未来交换机技术在吞吐量、可扩展性和智能化调度方面的发展方向,为高性能网络基础设施的构建提供了技术参考。

o1p2q3r的博客 184

45、交换机调度算法与扩展及大规模交换机设计策略

本文深入探讨了交换机调度算法iSLIP的工作原理及其在优先级和多播流量处理方面的扩展,同时分析了大规模交换机的设计趋势和挑战。重点包括iSLIP算法的实现机制、优先级与多播的调度策略、硬件实现要点,以及Clos网络在中型和多机箱路由器中的应用。此外,还讨论了交换机设计方案的对比、实际应用考虑因素以及未来发展趋势,为交换机设计与优化提供了全面的技术参考。

gamma的博客 184

【信息科学与工程学】【产品体系】——第五篇 路由器02

交换网板是路由器的核心交换引擎,负责在多个线卡之间高速转发数据,其设计决定了路由器的容量、性能、可靠性和扩展性。下面从结构设计、拓扑设计和交换算法三个维度进行深入解析。特点:所有线卡通过背板连接到中央交换单元 子类型:类型工作原理优点缺点典型实现共享总线​时分复用总线简单,成本低容量固定,扩展性差早期Cisco 7500共享内存​中央存储器共享效率高,无阻塞内存带宽瓶颈Juniper M/T系列早期型号中央交换矩阵​中央Crossbar高性能,无阻塞单点故障华为NE系列早期型号关键技术参数:总线/内存带

weixin_49199313的博客 1430

【信息科学与工程学】【通信工程】第一百九十二篇 交换机体系结构01

编号类型领域问题详细的数学分析参数列表(表达式 / 范围 / 边界 / 测量)关联知识1.1算法-架构路由查找LPM 在多口线速下的时延界字符串集 + Trie 的偏序格:路由表 = 前缀集合 P⊂{0,1}^≤32,LPM 是找 p∈P 使 p 是 d 的最长前缀。TCAM 等价于并行匹配,复杂度 O(1);SRAM 软实现(DIR-24-8 等)≈ 多阶 Trie,期望比较次数 = 树深 = O(W),W=32/128。 优化理论:TCAM 占用 vs SRAM 的 knapsack:min ∑w

weixin_49199313的博客 529

【信息科学与工程学】【产品体系】——第五篇 路由器02(2) 交换网板

类别PHY芯片(半导体集成电路)高速连接器(机电组件)协同设计关键点核心功能​物理层信号处理:编码/解码、均衡、时钟恢复、驱动/接收机械与电气接口:信号传输、电源分配、机械固定、热传导接口匹配:阻抗连续性、损耗分配、串扰控制设计范式​纳米尺度IC设计:晶体管级优化、混合信号设计、IP集成毫米/微米尺度机电设计:电磁场优化、机械结构、材料选择通道协同设计:联合仿真、系统级优化制造工艺​半导体前道+后道工艺:光刻、蚀刻、沉积、封装测试精密机械加工+电镀+注塑:冲压/蚀刻、电镀、注塑成型、组装公差链管理:累积公差

weixin_49199313的博客 1253

【信息科学与工程学】【通信工程】 第九十二 OTN网络 01 各类函数01

​​硬件选型​​​高实时场景​​:选用带硬件加密的边缘网关(如华为OceanConnect),协议转换延迟<5ms​​AI训练场景​​:采用GPU裸金属服务器(NVIDIA A100),缩短模型训练时间50%以上​​安全优先级​​​Level 1​​:传输加密(TLS)+ 设备身份认证(防止非法接入)​​Level 2​​:操作审计日志 + 双因子认证(防范内部威胁)​​Level 3​​:网络分区分域 + 工业防火墙(隔离关键控制网)​​实施路径​​​阶段1​。

weixin_49199313的博客 1269

【信息科学与工程学】【数据科学】数据科学领域——第三篇 数学08 几何学07 网络几何01

编号类型领域问题问题的数学分析参数列表及参数的数值范围关联知识1组合优化 / 计算几何网络几何(几何图论):给定平面上的 n 个点(节点),求连接所有点的总边长最小的树。数学模型:设点集 P={p1​,…,pn​}⊂R2,边权为欧氏距离 d(pi​,pj​)=(xi​−xj​)2+(yi​−yj​)2​。目标是找到一棵生成树 T=(P,E)使得 ∑(i,j)∈E​d(pi​,pj​)最小。该问题是经典 MST 在欧氏度量下的特例,属于 NP-hard 吗?

weixin_49199313的博客 173

【信息科学与工程学】【通信工程】第一百九十一篇 路由器体系结构03

编号类型领域问题详细的数学分析(逐步推理)参数列表(表达式 / 数值范围 / 边界 / 测量)关联知识839DCI演进 · 收敛DCI 2030 年三大技术收敛方向步骤1:方向一:IPoDWDM 成为绝对主流(Omdia 2027 59% → 2030 80%+),OTN 退化为 OLS 纯光层。步骤2:方向二:800ZR+ 取代 400ZR 成为主力速率,PCS 使 800G 达 600–1000km。步骤3:方向三:AI 集群 DCI 催生 1.6T/3.2T 超短距(<10km)相干模块(OSFP-X

weixin_49199313的博客 880

【信息科学与工程学】【通信工程】第一百九十一篇 路由器体系结构01

编号类型领域问题详细的数学分析参数列表(表达式 / 数值范围 / 边界 / 测量)关联知识1路由控制平面 · 图论 / 优化最短路径 / 最优下一跳如何计算?收敛边界?图模型​ G=(V,E),w:E→R+; SPF = Dijkstra O(∥E∥log∥V∥);BGP 策略用稳定路径问题 SPP(NP-hard),用博弈/不动点分析。收敛界:失效检测 tdetect​+tspf​+tupdate​,收敛时间 τ≤thold​+4RTT(BGP)。可用 Lyapunov​ 分析路由震荡。V: 节点数(10

weixin_49199313的博客 403

44、交换机调度算法:从PIM到iSLIP的演进

本文详细介绍了两种重要的交换机调度算法:并行迭代匹配(PIM)和iSLIP。文章探讨了它们的原理、实现步骤、优缺点以及如何避免队首阻塞(HOL)。PIM通过随机化实现公平匹配,而iSLIP则通过循环指针机制去随机化,提高匹配效率。通过对两者的技术细节、实际案例和优化建议的分析,帮助读者更好地理解并选择适合的网络调度策略,以提升网络性能和效率。

gamma的博客 317

44、交换技术:从PIM到iSLIP的演进

本文深入探讨了网络交换中的关键调度技术演进,从存在公平性问题的淘汰赛逻辑出发,介绍并分析了并行迭代匹配(PIM)和iSLIP的工作原理、优缺点及实际应用场景。重点阐述了PIM通过虚拟输出队列和三阶段迭代实现高效调度,以及iSLIP如何通过去随机化和循环指针机制提升公平性与吞吐量。文章还对比了两种技术在不同场景下的适用性,为网络交换系统的设计与优化提供了理论参考。

o1p2q3r的博客 114

一种流量自适应的iSLIP算法 (2007年)

针对iSLIP(iterativeroundrobinmatchingwithslip)算法在处理突发业务时性能严重恶化的问题,在isuP算法的基础上提出了一种流量自适应的时隙间迭代算法TA―iSLIP(trafficadaptiveisLIP)。该算法根据队列长度智能判断当前流量情况,采取不同的调度策略,充分利用已经匹配的资源,使系统的匹配开销尽可能减小。并给出了TA―iSLIP的算法描述和性能评价,与iSLIP算法、FIRM(fcfsinround―robinmatching)算法进行了比较。仿真结果

单节锂电池充电管理芯片应用原理阐述及应用领域

当电池电压超过2.9V时,采用恒流模式对电池充电,充电电流由PROG 管脚和GND之间的电阻RPROG确定。充电电压固定于4.2V,而充电电流可通过一个电阻器进行外部设置当充电电流在达到最终浮充电压之后降至设定值1/10时,WD4054将自动终止充电循环。在待机模式中,WD4054 对 BAT 引脚电压进行监控,只有当 BAT 引脚电压低于再充电阈值电压4.1V时(对应电池容量80%~90%),才会开始新的充电循环,重新对电池进行充电,这就避免了对电池进行不必要的反复充电,有效延长电池的使用寿命。

weixin_41141180的博客 951

最优化理论与自动驾驶(三):LQR原理、公式及代码演示

LQR 是基于线性系统和二次型代价函数的最优控制方法,在实际工程应用中,我们一般采用离散时间系统的LQR设计,其目标是通过设计反馈控制律,使系统在离散时间步长内稳定运行,最小化某个二次型代价函数。给定一个离散时间系统,其状态和控制输入通过以下方程表示:是时刻k的系统状态,是时刻k的控制输入,是状态转移矩阵,是输入矩阵。系统描述的物理意义:系统状态通过矩阵A演变到下一时刻,同时控制输入通过矩阵B影响系统的状态。

a8598671的博客 4597

Python + Google AI 自动修复 Sonar Bug 实践

在工作中总会遇到种种不期而至的需求,比如前段时间突然要修复所有 Sonar Bug,涉及各种琐碎的代码风格问题,包括但不限于语法不规范、废弃注释等问题。这些项目都已经持续开发几年了,Sonar 上的问题层出不穷,各种问题已经累积到了上万个,手动修复不但费时费力,而且过程异常枯燥。

子洋 Blog 2419

48、基于头部电信号和触觉的人机交互技术研究

本文探讨了基于头部电信号控制决策和触觉感知的人机交互技术。通过EEG信号采集与ANN模型(TDNN/PRNN)分析,实现对用户意图的识别;同时利用触觉传感接口识别操作员有意接触,提升人机协作安全性。研究涵盖系统设计、数据处理流程、实验结果及技术拓展方向,并展望了两种技术在工业、医疗与智能家居等领域的融合应用前景。

i1j2k的博客 103

智能解译城市进程:遥感影像建筑物提取研究全景与前沿进展(数据集及代码)

随着全球城市化进程的加速,高效、精准地监测城市建筑物分布对城市规划、灾害评估、人口估算及智慧城市建设具有重要意义。传统的人工测绘方法耗时费力,难以满足大范围、动态更新的需求。而遥感影像建筑物提取技术,借助深度学习与计算机视觉,能够自动化识别并提取建筑物轮廓,极大地提升了城市信息获取的效率和精度。首先,建筑物提取是遥感影像解译的核心任务之一。

hanfeng5268的博客 595

【SpringBoot 4.x 第70节】夯爆了,企业级 API 设计规范落地:状态码、错误码、接口文档与兼容性(超详解)!

🏆 本文收录于 《滚雪球学 Spring Boot 4.x》 专栏。本专栏面向 有一定 Java 基础,但尚未系统学习 Spring Boot 的读者,采用“滚雪球式学习法”:先跑通、再理解、再重构、再上线,带你从第一个 Hello API 开始,逐步完成一个可部署、可监控、可扩展的后端项目。

**My Coding Family** 138

9.6华为OD机试真题 新系统【仓储货物有序出库】

华为OD机试真题 新系统【仓储货物有序出库】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题 【仓储货物有序出库】多语言题解。

qq_45776114的博客 916

【C++】【STL算法】数据窄化及代码安全性

本文系统探讨了C++工程中数据窄化(narrowing conversion)的隐患与解决方案。数据窄化指将高精度/大范围类型转换为低精度/小范围类型,虽语法合法但会导致静默精度损失。其危险性体现在:错误隐蔽、STL会放大问题、数值错误具有传播性。现代C++要求窄化必须显式声明,文中提出四种工程解决方案:显式转换、边界统一转换、范围检查转换和使用GSL工具。建议在系统边界集中处理窄化,保持计算链路类型一致性,并通过分层策略(建模用double,控制用float)确保数值稳定性。核心思想是让窄化成为清晰可控的

Double Galaxy 80

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

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")

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。

上一篇: 避坑指南:UE5多人游戏开发中OnlineSubsystem的3个隐藏陷阱(附Reddit案例)
下一篇: 为什么P99.9比平均值更能反映用户体验?从美团技术实践看百分位数的优化策略
糖浆Syrup
博客等级 码龄10年 45粉丝 1703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  | 博主筛选后可见
 
 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
⌂ 换网址