Flutter与Unity混合开发实战:跨平台UI与3D渲染的融合方案

Flutter与OpenHarmony结合开发打地鼠游戏实战 跨平台开发框架Flutter与开源操作系统OpenHarmony的结合,为开发者提供了高效、高性能的应用开发解决方案。Flutter通过Skia渲染引擎实现接近原生的性能,结合热重载特性大幅提升开发效率。在游戏开发领域,这种技术组合特别适合需要快速迭代和高性能渲染的场景。本文以打地鼠游戏为例,展示了如何利用Flutter的丰富组件库和OpenHarmony的硬件加速能力,实现包括游戏架构设计、状态管理、动画系统和碰撞检测等核心功能。通过provider+state_notifier的状态管理方案,开发者可以 阅读详情

1. 项目概述:为什么需要Flutter与Unity的“跨界联姻”?

在移动应用开发领域,我们常常面临一个两难的选择:是追求极致的UI交互体验和高效的跨平台开发效率,还是追求强大的3D渲染能力和复杂的游戏逻辑?Flutter和Unity恰好代表了这两个方向的顶尖选手。Flutter以其声明式UI、热重载和一套代码多端部署的能力,在构建精美、流畅的2D应用界面方面独领风骚。而Unity,作为全球最流行的实时3D内容创作平台,在渲染3D场景、处理物理引擎和构建复杂交互游戏方面是无可争议的王者。

那么,有没有一种方案,能让一个应用同时拥有Flutter丝滑的UI外壳和Unity强大的3D内核呢?这就是“Flutter与Unity混合开发”要解决的核心问题。想象一下,你正在开发一个电商应用,商品列表、购物车、支付流程这些标准界面用Flutter来构建,高效且一致;而当用户点击某个商品,比如一双运动鞋,希望能360度无死角查看3D模型,甚至进行虚拟试穿时,一个内嵌的Unity场景就能完美胜任。这种“强强联合”的模式,正成为教育、电商、AR展示、轻量级游戏等领域的优选架构。

我最近在一个工业培训模拟项目中实践了这套方案,用Flutter搭建了整个应用的框架和理论教学模块,而将复杂的设备拆解、3D操作模拟等核心实训部分交给了Unity。整个过程从环境搭建的“水土不服”,到通信调试的“鸡同鸭讲”,踩了不少坑,也积累了一套行之有效的流程。这篇文章,我就把这套从环境配置到双向通信的完整实战流程拆解给你,目标是让你看完就能动手,避开我走过的弯路。

2. 环境配置:构筑稳定可靠的开发地基

混合开发的第一步,也是最容易让人“从入门到放弃”的一步,就是搭建一个能让Flutter和Unity和谐共处的开发环境。这不仅仅是把两个软件装好那么简单,关键在于版本兼容性和路径配置。

2.1 Flutter开发环境搭建与关键版本锁定

首先,我们需要一个稳定的Flutter环境。这里我强烈建议不要盲目追求最新版本,尤其是对于混合开发这种涉及原生交互的场景。

Flutter与Dart版本对应关系 :这是第一个容易踩坑的点。Flutter的每个版本都绑定了一个特定的Dart SDK版本。例如,你搜索热词中提到的“3.41.9的flutter 使用的dart版本”,这很可能是一个笔误或特定渠道的版本号。我们应以Flutter官方稳定版为准。目前(以撰写时为例),Flutter 3.19.x 稳定版对应 Dart 3.3.x。在混合开发中,确保你的团队所有人都使用完全一致的Flutter版本,能避免大量因版本差异导致的诡异问题。

安装步骤与避坑指南 :

  1. 下载SDK :从Flutter官网或国内镜像下载稳定版SDK包。解压到一个 没有空格和特殊字符 的路径下,比如 D:\development\flutter 。路径中的空格是许多编译错误的元凶。
  2. 配置环境变量 :
    • FLUTTER_HOME : 设置为你的Flutter SDK根目录。
    • Path : 添加 %FLUTTER_HOME%\bin 。
  3. 运行 flutter doctor :这是最重要的诊断命令。它会检查所有依赖项:Android工具链、iOS工具链、Android Studio/VSCode等。你需要根据它的提示,逐个安装或同意许可。特别要注意Android SDK的版本要求。
  4. IDE选择 :Android Studio或VS Code均可。对于混合开发,我更喜欢Android Studio,因为它对Gradle构建和原生Android模块的支持更直观。如果你用VS Code,务必安装Flutter和Dart插件。

注意 :在Windows上,你可能会遇到“flutter run couldn't find libflutter.so 安卓studio运行就正常”这样的错误。这通常是因为Flutter命令行工具和Android Studio使用的环境或SDK路径不一致。解决方法是统一环境变量,确保命令行和IDE看到的 ANDROID_HOME 和Java路径是同一个。

2.2 Unity编辑器安装与项目设置要点

Unity的安装相对直接,但从混合开发的角度,有几个设置至关重要。

Unity版本选择 :同样,追求稳定而非最新。建议选择一个Long-Term Support (LTS) 版本,如2022.3 LTS。LTS版本bug少,社区支持久,与第三方插件(包括我们待会要用的桥接插件)兼容性更好。避免使用处于技术预览阶段的版本。

安装模块 :在安装时,确保勾选你目标平台所需的模块。对于Flutter混合开发,我们主要面向Android和iOS,所以“Android Build Support”和“iOS Build Support”是必选项,包括对应的SDK/NDK。

创建Unity项目设置 :

  1. 模板选择 :选择最简单的“3D Core”模板即可,我们不需要URP/HDRP等高级渲染管线来增加复杂度。
  2. 项目路径 :同样,放在一个简单的英文路径下。我建议为整个混合项目创建一个父文件夹,例如 MyHybridApp ,然后在里面分别创建 flutter_app 和 unity_project 两个子文件夹,结构清晰。
  3. 关键播放器设置(Build Settings) :这是Unity输出能被Flutter集成的包的核心。
    • 平台 :首先切换到Android或iOS平台。
    • Texture Compression :针对Android,根据你的目标设备群,选择ETC2(通用)或ASTC(性能更好,但需要设备支持)。
    • Scripting Backend :对于Android,选择 IL2CPP 而非Mono。IL2CPP能带来更好的性能和安全性,也是许多插件的要求。 Target Architectures 可以勾选ARM64和ARMv7,以覆盖更多设备。
    • Minimum API Level :与你的Flutter项目中 android/app/build.gradle 里设置的 minSdkVersion 保持一致。

2.3 桥梁的选择:

当Unity遇见Flutter:跨平台交互的第三种可能性 本文探讨了Unity与Flutter的跨平台融合开发,详细介绍了混合架构设计、双向通信机制和渲染表面共享方案。通过优化MethodChannel和共享内存技术,实现高效数据交换,为开发者提供构建下一代混合应用的完整技术实践,特别适用于安卓和IOS平台的复杂交互需求。 阅读详情

相关推荐

Flutter与Unity混合开发性能优化实战:从卡顿到丝滑的完整解决方案

在移动应用开发中,混合开发架构常被用于整合不同引擎的优势,例如结合Flutter的跨平台UI能力与Unity的高性能3D渲染。其核心原理在于通过原生层桥接两个独立的运行时环境,实现通信与渲染协同。这种架构的技术价值在于能够打造兼具丰富2D交互与沉浸式3D体验的复合型应用,广泛应用于电商产品展示、教育仿真、AR/VR等场景。然而,性能瓶颈是混合开发面临的主要挑战,尤其是当Flutter与Unity在**视图嵌入**模式下协同工作时,容易出现渲染冲突、内存飙升与通信延迟问题。本文聚焦于通过**纹理传递**优化、

weixin_30920853的博客 359

移动开发趋势解析:从硬件平台期到微信小程序与Unity生态的实战指南

移动开发领域正经历从硬件创新放缓向软件体验深耕的转变。其核心原理在于,随着智能手机硬件性能进入平台期,技术创新的焦点从单纯的硬件参数比拼,转向了系统底层优化、应用交互细节和跨平台生态融合。这一转变的技术价值在于,它促使开发者更加关注性能优化、隐私安全与用户体验的深度融合,从而在存量市场中构建竞争壁垒。当前,移动开发的应用场景已高度泛化,涵盖了从超级App(如微信)的微创新、Android系统权限适配,到Unity引擎在游戏、数字孪生等领域的跨界应用。本文聚焦于微信小程序开发中的常见报错排查、Android

weixin_33922672的博客 344

chrome-win64-159.0.8145.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chrome-headless-shell-win64-157.0.8103.38(Stable).zip

Chrome for Testing 官方指定版本的 Chrome 浏览器、ChromeDriver 与 Headless Shell 压缩包,适用于 Selenium、Playwright 等自动化测试环境搭建,覆盖 Windows、macOS、Linux 多平台,解压即可使用,无需额外安装或配置。

chrome-win32-159.0.8150.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8150.0 win32 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 32 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chromedriver-win32-160.0.8164.0(Canary).zip

chromedriver-win32-160.0.8164.0(Canary).zip

chrome-headless-shell-mac-x64-160.0.8164.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome-headless-shell 160.0.8164.0 mac-x64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:macOS Intel 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①无头浏览器内核(Playwright/Puppeteer/Selenium 无界面自动化与爬虫);②服务器/容器离线内置;③版本精准匹配(chromedriver 与 Chrome 需同大版本)。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

化工MES-石化盈科信息技术有限责任公司.pptx

化工MES-石化盈科信息技术有限责任公司.pptx

健康管理服务运营方案.pptx

健康管理服务运营方案.pptx

钢铁行业工业互联网安全解决方案.pptx

钢铁行业工业互联网安全解决方案.pptx

集团S&OP供应链计划管理蓝图规划方案(供应链二).pptx

集团S&OP供应链计划管理蓝图规划方案(供应链二).pptx

互联网 医联体信息化建设和实施解决方案.pptx

互联网 医联体信息化建设和实施解决方案.pptx

集团企业采购职能管控模式规划方法论采购职能管控方案、采购职能管理模式、组织与职责设计.pptx

集团企业采购职能管控模式规划方法论采购职能管控方案、采购职能管理模式、组织与职责设计.pptx

TVJ1120资源及合并指令

内容概要:本文提供了TVJ1120.apk拆分文件的下载链接及合并方法,包含两个分卷文件(part1和part2)的CSDN下载地址,并给出在Windows系统下使用copy命令将两个分卷合并为完整APK文件的具体指令。同时提供使用certutil工具对合并后的TVJ1120.apk进行SHA256哈希值校验的命令,以确保文件完整性与安全性。; 适合人群:具备基本计算机操作能力,熟悉命令行工具使用的开发者或技术人员;需要下载并验证安卓应用文件完整性的用户。; 使用场景及目标:①用于从分卷压缩或拆分的APK文件中恢复完整的安装包;②通过哈希校验确保下载的APK文件未被篡改或损坏,保障应用安全性和可用性;③适用于软件分发、移动应用测试、逆向分析等技术场景。; 阅读建议:在操作前确认已下载全部分卷文件,并在相同目录下执行合并命令;建议严格比对生成的SHA256值与官方提供的校验值,防止运行不安全的应用程序。

【M波段2D双树(希尔伯特)小波多分量图像去噪】基于定向M波段双树(希尔伯特)小波对多分量彩色图像进行降噪研究(Matlab代码实现)

内容概要:本文系统研究了基于定向M波段双树(希尔伯特)小波的多分量彩色图像去噪方法,通过引入M波段双树结构的小波变换,增强了传统小波在方向选择性和冗余性方面的表现,有效克服了图像去噪中边缘模糊与纹理丢失的问题。该方法充分利用小波变换的多分辨率分析能力,结合阈值处理策略,在去除高斯噪声、椒盐噪声等多种噪声的同时,显著保留了图像的细节特征与色彩信息。文章详细阐述了算法的数学原理、实现步骤及关键参数设计,并提供了完整的Matlab代码实现,便于读者复现与进一步优化。 适合人群:具备数字图像处理基础知识,熟悉Matlab编程语言,从事图像去噪、计算机视觉、遥感图像处理或医学影像分析等相关领域的研究生、科研人员及工程技术人员。 使用场景及目标:①应用于彩色图像、遥感影像、医学图像等多通道图像的高质量去噪处理;②服务于后续高级视觉任务(如目标检测、图像分割)前的预处理环节,提升整体系统性能;③为需要高保真图像恢复的应用场景提供技术支持。 阅读建议:建议读者结合提供的Matlab代码逐模块理解算法实现流程,重点关注小波分解与重构、方向滤波器组设计、阈值选择与收缩策略等核心环节,同时可通过调整噪声类型与参数设置进行对比实验,深入掌握算法性能边界与优化方向。

实战Nocobase插件开发:如何用yarn pm命令快速创建和测试API接口插件

本文详细介绍了如何使用Nocobase插件开发工具快速创建和测试API接口插件,涵盖从环境配置、插件骨架生成到数据模型定义和接口实现的完整流程。通过yarn pm命令简化开发步骤,帮助开发者高效构建支持CRUD的API插件,适用于低代码平台开发场景。

weixin_29313239的博客 460

DbVisualizer 12.0.* Ubuntu

文章目录一、下载安装DbVisualizer百度盘下载官网下载二、下载安装JRE(已经安装过java的跳过)三、下载破解文件百度盘下载GitHub下载找到dbvis.vmoptions文件然后在最后加上一行生成密钥(把命令里面你的名字全拼的地方记得换成你的名字全拼) 一、下载安装DbVisualizer Ubuntu系统下载 dbvis_linux_12_0_6.deb 百度盘下载 链接: https://pan.baidu.com/s/1Ag1DcCdTT-LPbqJIvq7MVQ 密码: 2i5w 官网

周迪新的博客 3062

RK3568/RK3588之修改8250驱动实现RS485收发的自动切换

在串口发送前,若为485,则将控制引脚拉为发送状态,在发送后,循环查看是否发送完成,若发送完成则将引脚置回读状态,如此一来,就能实现在内核测控制方向切换,而不会因为延时造成数据丢失,经过测试此办法可行。全部修改完成后,重新编译生成内核文件和设备树文件,烧写到板子上即可。

哒宰的博客 3128

银河麒麟V10 SP1 x86_64架构下离线部署全栈开发环境:Java8+Mysql5.7+Tomcat8实战指南

本文详细介绍了在银河麒麟V10 SP1 x86_64架构下离线部署全栈开发环境的实战指南,包括Java8、Mysql5.7和Tomcat8的安装与配置。通过步骤详解和常见问题排查,帮助开发者在国产操作系统上高效搭建稳定可靠的开发环境,特别适合政务系统和企业级应用部署。

weixin_29230901的博客 378

【Python】SimpleITK使用笔记

1. 概念 1.1 nii格式 1.2 SimpleITK 1.3 SimpleITK 图像 2. 基本操作 2.1 常见属性 2.1 读取和保存图像 2.2 SimpleITK图像数据和Numpy矩阵数据之间的转换

See_Star的博客 7902

汽车氛围灯 PCBA 方案开发:从技术底层解析车载光效的核心逻辑

摘要: 车载氛围灯PCBA方案开发需兼顾性能与车规要求。主控芯片选型应关注运算能力、温度适应性和低功耗(如NXPS32K344、复旦微FM33FG065A)。电路防护需采用TVS二极管等组合设计,满足ISO7637-2浪涌防护标准。通信协议分层应用(CAN+LIN),调光需解决色准与温漂问题,动态灯效通过FIFO队列实现。开发中需进行温度循环、振动、EMC等可靠性测试,细节处理(如三防涂覆)至关重要。该领域开发需熟悉车规标准并积累实车经验。

2401_87454052的博客 1136

SAP-RPT-1 深度解读:面向企业表格数据的 rapid one

摘要: SAP在TechEd 2025大会上推出面向企业结构化数据的SAP-RPT-1(Relational Pretrained Transformer),旨在通过in-context learning直接预测表格数据中的缺失值,无需传统机器学习流程。与LLM不同,RPT专为业务表格设计,支持实时预测(如交货延迟、回款风险等)。提供Small(高吞吐)、Large(高精度)和开源版本,用户可通过无代码Playground(上传CSV并用[PREDICT]标记目标列)或Python API快速验证。典型场景

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 245

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

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")

上一篇: 193个专家角色的CLI智能体系统设计与离线部署
下一篇: GPT Pro拼车额度均分与网页Chat集成技术方案
weixin_33866037
博客等级 码龄11年 4432粉丝 1257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