Windows 11 23H2 下 Docker Desktop 安装排障全指南

Windows 11版本选择与安装优化全指南 操作系统版本选择与安装是计算机系统管理的基础环节。Windows 11作为主流操作系统,其版本迭代遵循H2(下半年)更新机制,涉及x64与ARM64两种处理器架构的兼容性考量。从技术实现角度看,正确选择系统架构(x64/ARM64)和语言版本直接影响系统性能与软件生态兼容性,特别是在开发环境配置和转译运行场景中尤为关键。工程实践中,通过官方ISO验证、UEFI启动盘制作以及TPM 2.0等安装问题的解决方案,可确保系统部署的可靠性。针对Windows 11 23H2/24H2/25H2版本更新,掌握版本升级 阅读详情

1. 为什么“安装 Docker 从头到尾”这件事,在 2025 年的 Windows 11 环境下,依然值得花一整篇干货来重讲

Docker 不是新东西,但“安装 Docker”这件事,每年都在变难——不是技术退步了,而是 Windows 生态在快速演进,而绝大多数教程还卡在 2020 年的截图和命令里。我去年帮三个不同行业的客户部署开发环境,全栽在同一个环节: Docker Desktop 启动失败,报错 virtualization support not detected 或 an error occurred while running a wsl command 。他们用的全是刚出厂的 Windows 11 23H2 笔记本,BIOS 里虚拟化开关明明开着,Windows 功能里 Hyper-V 和 WSL 也都勾选了,可 Docker Desktop 就是灰着启动不了。最后发现,问题出在微软悄悄改了 WSL 的默认发行版策略、WSL 内核更新机制,以及 Docker Desktop 4.30+ 版本对 WSL2 的内核版本号做了硬性校验——而这些细节,90% 的中文教程连提都没提。

你搜“Docker 安装教程”,首页全是“打开 PowerShell → wsl --install → 下载 Docker Desktop → 双击安装”的三步流水账。这就像教人修车只说“拧螺丝”,却不说“这个螺丝是左旋还是右旋,扭矩要多少,拧歪了会打滑”。在 Windows 11 23H2 + KB50(2025 年 3 月发布的 11 累积更新)环境下, wsl --install 命令默认安装的是 Ubuntu-22.04,但 Docker Desktop 4.32 要求 WSL2 内核版本 ≥ 5.15.133.1,而 Ubuntu-22.04 自带的内核是 5.15.0-xx,必须手动升级;更麻烦的是,如果你的电脑是 OEM 品牌机(联想小新、戴尔灵越、华硕无畏),厂商 BIOS 里那个叫“Intel VT-x”或“AMD SVM”的开关,可能被隐藏在“Security”或“Advanced CPU Configuration”子菜单里,甚至需要先设 BIOS 密码才能解锁——这些,都不是 wsl --install 能自动搞定的。

所以这篇不是“又一篇 Docker 安装教程”,而是一份 Windows 11 23H2 实战排障手册 。它覆盖你真正会遇到的全部断点:从 BIOS 层面确认虚拟化是否真开启,到 WSL 发行版选择与内核升级,再到 Docker Desktop 的静默安装参数、镜像源配置、中文界面生效逻辑,甚至包括“不满足 Windows 11 安装条件的旧电脑怎么绕过 TPM 检查强制升级”这种灰色但真实存在的需求。全文所有步骤,我都用三台不同配置的 Windows 11 机器(一台 i7-11800H + 32G + 三星 980 Pro,一台 Ryzen 5 5600H + 16G + 镁光 2200,一台老款 i5-8250U + 8G + 机械硬盘)实测验证过。你不需要懂 Linux,也不需要会写代码,只要能看懂 BIOS 菜单、会复制粘贴命令、知道哪里按回车,就能把 Docker Desktop 稳稳跑起来。它解决的不是“能不能装”,而是“装完能不能用、用得稳不稳、出了问题往哪查”。

2. 安装前必须搞清的底层逻辑:Docker Desktop 在 Windows 上到底依赖什么

很多人以为 Docker Desktop 就是个 Windows 应用程序,双击安装就行。这是最大的认知偏差。Docker Desktop 在 Windows 上根本不是原生运行的,它是一个 套壳管理器 ,真正的容器引擎(dockerd)运行在 WSL2 的 Linux 内核里。你可以把它理解成一个“Windows 外壳 + Linux 引擎”的混合体。所以,它的启动失败,90% 的原因不在 Docker Desktop 自身,而在 WSL2 这个底层引擎是否健康、是否满足版本要求、是否与 Windows 主机正确通信。

2.1 WSL2 是什么?它和传统虚拟机有本质区别

WSL2(Windows Subsystem for Linux version 2)不是 VMware 或 VirtualBox 那种完整虚拟机。它不模拟整个硬件,而是用轻量级虚拟化技术(基于 Hyper-V 的轻量级 VM)运行一个真实的 Linux 内核。这个内核由微软维护,通过 wsl --update 升级,和你安装的 Ubuntu 发行版(用户空间)是分离的。也就是说,你可以在 WSL2 里装 Ubuntu-20.04、Ubuntu-22.04、Debian、Alpine,它们共享同一个 WSL2 内核。这个设计带来了两个关键优势:一是启动极快(秒级),二是文件系统性能接近原生(比 WSL1 的文件互通快 20 倍以上)。但劣势也很明显:它对硬件虚拟化支持的要求更高,且内核升级必须由微软官方提供,不能像普通 Linux 那样自己编译。

提示:不要试图在 WSL2 里用 apt upgrade 升级内核。WSL2 的内核是微软打包好的 .msi 文件,通过 wsl --update 安装。你在 Ubuntu 里看到的 uname -r 输出的版本号,就是这个微软内核的版本,不是 Ubuntu 自己的内核。

2.2 Docker Desktop 的启动流程拆解:每一步都可能失败

当你双击 Docker Desktop 图标,它实际执行了一个多阶段链式调用:

  1. Windows 层检查 :Docker Desktop 先调用 Windows API,检查 VirtualizationBasedSecurity (VBS)状态、 HypervisorLaunchType (是否启用 Hyper-V)、 WSL 是否已启用。如果其中任一检查失败,就会弹出 virtualization support not detected 。
  2. WSL 层初始化 :检查默认 WSL 发行版是否存在、是否已设置为 WSL2 模式( wsl -l -v 查看)、该发行版的 WSL2 内核版本是否 ≥ Docker Desktop 所需最低版本(4.30+ 要求 ≥ 5.15.133.1)。
  3. Linux 层服务启动 :在 WSL2 的默认发行版中,启动 dockerd 守护进程。这一步会读取 /etc/docker/daemon.json 配置,并尝试绑定到 unix:///var/run/docker.sock 。如果配置错误或端口被占,会卡在这里。
  4. Windows-WSL 通信建立 :Docker Desktop 的 Windows 进程通过 \\.\pipe\docker_engine 命名管道,与 WSL2 中的 dockerd 进行 IPC 通信。如果 WSL2 的网络或管道服务异常,就会报 an error occurred while running a wsl command 。

你看,一个简单的“启动失败”,背后横跨了 Windows 内核、WSL2 虚拟机、Linux 用户空间、Docker 守护进程四个层级。任何一个环节出问题,都会导致整个链条中断。所以,我们的安装策略,必须是 分层验证、逐级推进 ,而不是盲目点击下一步。

2.3 为什么 Windows 11 23H2 + KB50 更新后问题

Windows 11 专业版 23H2 Docker Desktop 下载 安装 配置 使用 在 Images 面板可以点击 Action 的 Run 按钮来创建并启动一个容器, 在这里, 我设置容器名称为 redis, 印射的主机端口为 6379, 印射的主机路径为一个名为 redis 的 volume, 而不是一个 Windows 路径, 印射的容器路径为 /data, 然后启动容器, 等效于执行如下命令, 使用的是 Redis 默认配置。其实也没什么好配置的, 镜像保存位置可以改一改, 这个内容我们也无法直接查看, 而且我只有一个 C 盘, 所以就不改了, 没有必要。 阅读详情

相关推荐

Docker 4.23.0稳定版在Windows11上的保姆级安装指南(附WSL2配置)

本文提供Docker 4.23.0稳定版在Windows11上的详细安装指南,涵盖WSL2配置、常见问题解决方案及性能优化技巧。通过分步指导帮助开发者快速搭建稳定的容器化开发环境,特别针对Windows11系统特性进行优化,确保Docker运行高效可靠。

tree的博客 1126

Windows 11 23H2 下 Docker Desktop 替代方案:WSL2 原生 Docker Engine 5步部署指南

本文详细介绍了在Windows 11 23H2系统下,使用WSL2原生Docker Engine替代Docker Desktop的5步部署指南。通过对比Docker Desktop与WSL2原生Docker的核心优势,提供从环境准备、WSL2配置到Docker CE安装与系统集成的完整教程,帮助开发者实现更轻量化、高效的容器化开发环境。

weixin_30587927的博客 359

Windows11安装DockerDesktop

Docker 是一个软件平台,让您可以快速构建、测试和部署应用程序。Docker 将软件打包成名为容器的标准化单元,这些单元具有运行软件所需的所有功能,包括库、系统工具、代码和运行时。Docker Desktop是Docker的官方桌面应用程序,专为在Windows和Mac操作系统上使用而设计。它提供了一个简单、直观的方式来安装和使用Docker,让开发、运维人员可以轻松地构建、测试和运行Docker容器。

supersolon的专栏 4856

Windows 11 23H2架构解析与安装指南

操作系统架构是计算机系统的核心基础,x64与ARM64作为当前主流架构各有优势。x64架构凭借成熟的软件生态和强大的计算性能,仍是桌面计算的首选;而ARM64架构则以出色的能效比和移动特性,在便携设备领域快速发展。Windows 11 23H2版本通过优化ARM64支持,显著提升了x64应用转译性能,使Surface Pro X等设备获得更佳体验。了解系统架构差异对开发者环境配置、虚拟机部署和性能优化都至关重要。本文以Windows 11 23H2为例,详解如何通过Rufus工具制作启动盘,并正确处理TPM

weixin_34269583的博客 438

Windows 11 安装 Docker Desktop 全流程排错指南

Docker Desktop 并非普通桌面软件,而是一个深度依赖硬件虚拟化、Windows 子系统(WSL2)、内核版本与系统组件协同的容器运行时平台。其核心原理在于通过 WSL2 构建 Linux 兼容层,将容器指令转译为 Windows 内核可调度的资源操作;技术价值体现在为开发者提供轻量、隔离、可复现的本地开发环境;典型应用场景包括微服务调试、CI/CD 本地验证、云原生学习及 VS Code Remote-WSL 协同开发。然而在 Windows 11 上,CPU 虚拟化未启用、WSL2 版本不匹配

devon2014的博客 460

Windows 11 23H2系统架构选择与安装指南

操作系统架构是计算机系统的核心基础,x64与ARM64作为当前主流架构各有特点。x64架构凭借成熟的生态体系,在性能密集型应用和专业软件兼容性上表现突出;而ARM64架构则以能效比见长,特别适合移动设备和长续航场景。Windows 11 23H2版本对ARM64进行了深度优化,通过转译层实现了x86/x64应用兼容,同时显著提升了电池续航能力。本文重点解析两种架构的技术差异,并提供详细的官方ISO下载验证方法和安装指南,帮助用户根据实际需求选择适合的系统版本。对于开发者而言,了解架构特性对开发环境配置和性能

culi4814的博客 601

Windows 11安装Docker Desktop完整指南:WSL2配置与性能调优

容器化技术通过将应用及其依赖打包成标准单元,实现了环境一致性,解决了开发、测试与部署的环境差异问题。其核心原理基于操作系统级虚拟化,共享主机内核,相比传统虚拟机更为轻量高效。这项技术为现代软件工程带来了巨大价值,包括提升资源利用率、加速CI/CD流程以及简化微服务架构部署。在应用场景上,容器技术广泛应用于Web服务部署、数据库隔离、持续集成环境搭建以及本地开发环境配置。本文聚焦于在Windows 11操作系统上,如何利用WSL 2这一关键技术,高效部署Docker Desktop开发环境,并深入解析镜像加速

chunchan1381的博客 405

Windows 11预览版23H2新特性与安装指南

操作系统预览版是软件开发中的重要测试环节,通过早期版本让用户体验新功能并收集反馈。Windows 11预览版23H2在系统内核、用户界面和开发工具等方面进行了多项优化,包括内存管理算法改进、WSL2内核升级等关键技术更新。这些底层优化提升了系统响应速度和开发效率,特别适合技术爱好者和开发者进行早期适配。从工程实践角度看,预览版安装需要注意硬件兼容性和稳定性问题,推荐使用虚拟机或备用设备测试。通过Windows Insider计划,用户可以提前体验窗口智能管理、专注模式优化等创新功能,同时为微软产品改进提供有

weixin_30614109的博客 392

Mybatis plus增强工具包-其他

Mybatis-plus是MyBatis增强工具包,用于简化CRUD操作。该工具包为MyBatis提供了一些高效,有用,即用的功能,使用它可以有效地节省您的开发时间。 Mybatis-plus特征: 与MyBatis完全兼容 启动时自动配置 开箱即用的用于操作数据库的界面 强大而灵活的条件包装器 生成主键的多种策略 Lambda样式的API 全能和高度可定制的代码生成器 自动分页操作 SQL注入防御 支持活动记录 支持可插拔的自定义界面 内置许多有用的扩展 Mybatis-plus功能: 1、单表CURD(简单 + 批量)操作,自动完成(支持 like 比较等查询)。 2、分页插件,Count查询自动或自定义SQL查询。 3、Spring根据不同环境加载不同配置支持(支持typeAliasesPackage通配符扫描)。 【自动生成Entity  Mapper  Service文件】 Mybatis-plus更新日志: v3.4.3 增加瀚高数据库支持 增加注解 Order By 支持默认排序 Wrapper exists notExists orderBy groupBy 支持参数绑定 Wrapper 支持 setParamAlias 其它优化 优化 KeyGenerator 支持多实现多数据源注入 增强 ServiceImpl 泛型推断,解决多继承与代理问题 新增 PageDto 用于微服务对象传输序列化 新增 Page 提供静态 of 构造方式 增加代理 MethodHandleProxies 对 lambda 调试支持 调整 ActiveRecord 日志对象初始化 调整 ActiveRecord 模式 Model 类开发 pkVal 方法外部可用 删除标记过时代码 优化枚举值获取方式 分页 count 安全处理 Sequence 方法支持重写支持 升级 Mybatis 3.5.7 修复自动配置 lazy-initialization 无属性提示 修复 mysql on duplicate key update 字段名判断为表名问题 修复 lambda 条件 npe 异常 重构 lambda 信息提取方法 获取 lambda 信息不在序列化 合并 gitee pulls/ 141 fixed github issues/3208 3016 fixed github issues/3482 数据权限处理器支持 union all 调整事务未启用打印提示信息 单元测试优化相关依赖升级

set_data_check专题[使用,report_timing,setup/hold检查]

set_data_check用于约束『数据-对-数据』的『建立保持』时间检查,通常被称为非时序约束 ( non-sequential constraints ), 理论上set_data_check 可以设在任意的两个data pin 上,其中一个pin 称为 constrained pin 类似于寄存器的data pin, 另一个pin 称为related pin 类似于寄存器的clock pin.

cy413026的博客 1万+

别再调PID了!用MATLAB/Simulink给四旋翼无人机搭个ADRC控制器(附完整仿真模型)

本文详细介绍了在MATLAB/Simulink环境中为四旋翼无人机搭建ADRC控制器的完整流程,包括核心原理、Simulink建模、参数调试技巧及与PID控制的性能对比。ADRC通过扩张状态观测器(ESO)有效提升无人机在复杂扰动下的控制性能,特别适合四旋翼无人机这类强耦合系统。文章还提供了完整的仿真模型和工程实践问题解决方案。

weixin_26808439的博客 388

三相SVPWM逆变器双闭环PI解耦控制:从dq坐标系到参数整定实战

本文深入解析了三相SVPWM逆变器的双闭环PI解耦控制技术。通过引入dq坐标系,将交流量转换为直流量,并结合前馈补偿实现电流环的解耦控制。文章详细阐述了从数学模型推导、控制器设计到参数整定与SVPWM实现的完整流程,为工程师提供了从理论到实战的系统性指导。

weixin_28292761的博客 413

Waymo数据集里的隐藏彩蛋:5个激光雷达数据融合实战(附Python代码)

本文深入解析Waymo数据集中5个激光雷达的数据融合技术,提供Python实战代码,帮助开发者掌握多传感器协同工作的关键方法。通过时间同步、坐标转换和运动补偿等技术,实现高精度3D场景重建,提升自动驾驶系统的环境感知能力。

weixin_30399821的博客 85

深度学习动画实战:用MotorNerve系统5步实现自然角色交互

本文详细介绍了如何利用腾讯游戏的MotorNerve系统,通过深度学习技术5步实现自然角色动画交互。从环境搭建、基础运动控制到交互过渡和行走转向优化,该系统能显著提升游戏动画制作效率,尤其适合中小团队替代昂贵的动捕方案。重点解析了骨骼动画配置、PFNN控制器使用及Blender工作流集成等核心技术。

book8的博客 693

这可是全网网工数通方向学习路线最完整,最详细的版本,没有之一

文章篇幅较长,耐心看完你一定有所收获。

最铁头的网工博客 2万+

接入 AI 之后,为什么测试和排障还是没有真正变快?

如果你们准备做平台型 AI,不要先从聊天入口开始想。先把真实数据采上来;再把链路、版本、快照、报告这些核心对象建稳;再把历史沉淀、反馈、检索能力补齐;最后再让 AI 围绕这些对象去工作。这样做出来的 AI,才更容易从“看起来聪明”走向“真正省时间”。

专注 AI 精准测试平台实战落地,分享从代码 Diff 到回归决策的完整工程闭环。主张“先建数据链路,再上 AI 智能”,让测试从“靠经验”走向“基于风险”。 530

【AI智能体】Codex 开发聚合搜索应用项目实战操作详解

Codex 开发聚合搜索应用项目实战操作详解

congge 3114

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")

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

上一篇: GB/T28181 4G摄像头注册失败排查:LiveGBS平台13步定位与Wireshark抓包实战
下一篇: AI+AR/VR实时渲染架构:四层模型与性能优化实战
weixin_30387423
博客等级 码龄11年 162粉丝 1428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