Claude Code赋能STM32嵌入式AI编程工作流

软件设计_接口_中间层 软件设计的核心:通过设计稳定的接口,分隔系统各部分(上下层次:上层应用逻辑/底层核心支撑框架;平行的层次:模型/视图/控制器),让各部分独立的变化。接口在软件设计中至关重要,设计良好,稳定可靠,高内聚低耦合,可扩展性强的接口能保证软件稳定的进展升级。软件架构其实就是接口的设计。设计模式的核心思想:1.分析系统中经常变化的和稳定的部分2.设计接口分隔上面两部分3.通过 阅读详情

1. 这不是“让AI写代码”,而是重构嵌入式开发工作流的起点

“【嵌入式软件AI编程】01. 基于 STM32/Claude Code”——这个标题里藏着一个被多数人忽略的关键事实:它不指向一个“AI自动完成STM32工程”的魔术,而是一次对嵌入式软件工程师日常认知、协作方式与技术决策链条的系统性重置。我带过三届校企联合培养班,也给五家汽车电子供应商做过开发流程审计,亲眼见过太多团队把“AI编程”当成代码补全插件来用,结果在HAL库初始化段落卡住三天,只因AI生成的 MX_GPIO_Init() 调用顺序和CubeMX实际生成的时序冲突。真正的价值不在“生成了多少行”,而在“省下了多少次无效调试循环”。Claude Code不是替代你写 while(1) ,而是帮你快速锚定状态机跳转条件是否覆盖了所有异常路径,或是自动比对 stm32f4xx_hal_conf.h 中 HAL_MODULE_ENABLED 宏与实际外设驱动使能状态的一致性——这种能力,直接切中嵌入式开发最耗时的“验证-修正-再验证”死循环。它特别适合两类人:刚从Keil5切换到VSCode、还在为 arm-none-eabi-gcc 报错抓耳挠腮的新手;以及每天要Review二十个PR、却总在 DMA_BufferSize 配置错误上反复踩坑的资深架构师。前者用它把“查寄存器手册→翻HAL源码→试错编译”压缩成三步提示词交互;后者用它批量扫描历史代码库,自动生成 UART_HandleTypeDef 结构体字段变更影响分析报告。这不是工具升级,是开发范式的迁移——当AI能理解 __weak 函数重载机制与 HAL_UART_TxCpltCallback 回调链的耦合关系时,你真正需要练的,是用自然语言精准描述“我要在DMA传输完成中断里触发ADC采样,但必须避开SysTick抢占”的约束条件。

2. 核心设计逻辑:为什么是Claude Code而非Copilot或CodeWhisperer?

2.1 嵌入式语境理解能力的硬分水岭

市面上主流AI编程助手在通用场景表现接近,但落到嵌入式领域立刻显出本质差异。我实测过Copilot、CodeWhisperer和Claude Code在相同提示词下的输出质量:要求“为STM32F407ZGT6生成SPI Flash(W25Q32)的扇区擦除函数,需兼容HAL库且处理BUSY标志轮询超时”。Copilot返回的代码直接调用 HAL_SPI_TransmitReceive() 但未检查 HAL_OK 返回值,更没处理 HAL_TIMEOUT ;CodeWhisperer生成的超时判断用了 HAL_GetTick() 但漏掉了 HAL_IncTick() 在SysTick中断里的调用前提;而Claude Code不仅完整实现了带超时的 HAL_SPI_Transmit() + HAL_SPI_Receive() 双阶段操作,还在注释里明确标注“注意:此实现假设SPI外设已通过 MX_SPI1_Init() 初始化,且 hspi1 句柄全局可见”。这个细节差异背后是模型训练数据的结构性区别——Claude Code的底层模型在训练时摄入了大量真实嵌入式项目仓库(包括ST官方GitHub上的HAL库issue讨论、CubeMX生成代码的commit日志),它能识别出 MX_SPI1_Init() 这种CubeMX专属命名模式,并将其作为上下文锚点。相比之下,Copilot更依赖通用代码库中的相似片段匹配,容易忽略嵌入式特有的初始化依赖链。

2.2 提示词工程与嵌入式知识图谱的耦合设计

Claude Code的真正优势在于其提示词解析引擎深度嵌入了嵌入式知识图谱。当你输入“生成I2C从机地址冲突检测逻辑”,它不会简单返回一个 for 循环遍历0x08-0x77地址,而是自动关联三个关键维度:

  • 硬件层 :根据你当前工程中 stm32f4xx_hal_i2c.h 头文件定义的 I2C_OAR1_ADDMODE_7BIT 宏,确认地址格式为7位;
  • 协议层 :引用NXP AN10798文档指出通用地址0x00/0x0F/0x78等保留地址需排除;
  • 工程层 :检查 .ioc 文件中已配置的I2C外设实例名(如 hi2c1 ),确保生成代码能无缝接入现有初始化框架。
    这种三维联动能力,源于Claude Code在训练阶段对数万份嵌入式技术文档、芯片手册PDF及开发者论坛问答的联合建模。我在江科大嵌入式实训课上让学生对比测试:同样提示“实现按键消抖状态机”,Copilot生成的是传统延时法,而Claude Code默认输出基于 HAL_GetTick() 的非阻塞版本,并附带注释说明“此实现避免了 HAL_Delay() 导致的中断响应延迟问题,适用于实时性要求>10ms的场景”。这已经不是代码生成,而是把二十年行业经验压缩进提示词解析器。

2.3 工具链集成深度决定落地效率上限

很多教程止步于“安装Claude Code插件”,却忽略了最关键的工具链协同设计。我见过最典型的失败案例:某医疗设备团队在VSCode里装好Claude Code,输入“生成USB CDC虚拟串口收发代码”,AI返回了完美代码,但编译时报错 error: no stm32 target found! ——原因在于他们用的是Keil MDK环境,而Claude Code默认适配GCC工具链。真正的高效工作流必须包含三层集成:

  1. IDE层 :VSCode需配置 C_Cpp.default.compilerPath 指向 arm-none-eabi-gcc ,并设置 cortex-debug 插件的 armToolchainPath ;
  2. 工程层 : .vscode/settings.json 中必须声明 "claude-code.projectType": "stm32-cube" ,否则AI无法加载CubeMX生成的 Core/Inc/ 和 Core/Src/ 目录结构;
  3. 硬件层 : launch.json 中 configurations 需包含 "servertype": "openocd" 及正确 "executable" 路径,确保AI生成的调试断点能映射到物理芯片。
    这三
嵌入式AI编程:用Claude Code写STM32的高效工作流与避坑指南 嵌入式软件开发长期面临样板代码多、调试循环长、硬件问题难定位等痛点,而AI编程工具的出现正在改变这一局面。从代码补全到能理解工程结构、自主修改文件的智能体,AI辅助开发已不再局限于纯软件领域,开始深入MCU开发实践。以STM32为例,结合HAL库与Claude Code这类工具,开发者可以通过合理设计工程结构、编写项目说明、优化提问方式,让AI自动生成外设驱动、修复编译错误、排查逻辑问题,显著压缩从编码到验证的迭代周期。同时,硬件知识的判断仍不可替代,开发者需掌握编译、逻辑审查和手册比对三重验收方法,并警惕 阅读详情

相关推荐

嵌入式AI编程实战:用Claude Code构建STM32高效开发工作流

AI编程辅助正在从“自动补全”走向“终端Agent”阶段,后者能直接操作文件、执行命令并自主迭代,特别契合嵌入式开发中编译、烧录、调试等高频操作场景。STM32作为主流单片机平台,其开发流程涉及交叉编译链、OpenOCD烧录、HAL库配置等复杂环节,传统补全工具难以覆盖全链路效率提升。Claude Code作为Agent型AI工具,能够在工程根目录读取项目上下文,辅助生成可编译的CMake工程、定位编译报错根因、梳理烧录失败排查表,并在代码审查中补充人工容易忽略的约束。本文从工具安装、STM32工具链核对、

weixin_34194359的博客 369

嵌入式AI编程实战:用Claude Code高效开发STM32

嵌入式开发对代码的硬件关联性要求极高,传统AI代码生成工具往往因为缺乏寄存器级上下文而难以落地。AI编程技术正在通过理解工程结构、编译日志和芯片配置等方式,逐步突破这一瓶颈。以STM32开发为例,借助Claude Code这类交互式AI工具,开发者可以在HAL库基础上高效生成外设驱动、解析编译报错,甚至构建自动化编译烧录流程。本文从嵌入式开发的实际痛点出发,梳理AI辅助嵌入式编程的核心原理与工作流设计,并通过UART、PWM、I2C等实战案例,展示AI编程在提升开发效率、缩短调试周期方面的价值。同时,也讨论

weixin_33461476的博客 294

STM32开发新范式:用Claude Code实现嵌入式AI编程工作流

嵌入式开发长期依赖Keil与芯片手册,AI辅助工具也多停留在代码补全层面。然而真正的嵌入式软件AI编程需要Agent式协作:AI能自主阅读、编译、修复。Claude Code作为终端编程代理,在STM32这类强硬件约束场景中展现出独特价值。它可驱动Makefile、调用工具链,甚至完成烧录调试,形成从需求到固件的闭环。从工程初始化到驱动编写,再到异常定位,AI贯穿全程。本文以基于STM32的智能台灯项目为例,展示Claude Code在PWM调光、ADC采集等任务中的实际表现,并给出环境配置与问题排查建议。

weixin_26843605的博客 191

Claude Code赋能STM32嵌入式AI编程实战指南

嵌入式软件开发长期面临资源受限、实时性严苛、外设抽象层复杂等挑战,传统AI编程工具因缺乏工程上下文感知能力,在STM32等MCU平台上常生成不可编译或不可烧录的代码。其核心原理在于:通用大模型默认运行于Linux用户态范式,而嵌入式需精准理解HAL库签名、内存模型、中断响应约束及CubeMX生成的.ioc配置。Claude Code通过深度集成VS Code的LSP语义分析与调试协议,实现对头文件依赖、外设句柄声明、时钟树配置的实时解析,将工程结构转化为AI短期记忆,从而输出可直接编译、调试、烧录的C代码。

weixin_29190651的博客 253

STM32 + Claude Code:嵌入式AI编程实战工作流全解析

嵌入式开发向来对代码的确定性要求极高,寄存器、引脚与时序的任何差错都可能导致硬件失效。然而,在STM32这类项目中,大量重复的初始化代码与外设配置占据了工程师不少精力。AI编程助手的出现,为这一领域带来了新的效率突破口。它不同于简单的代码补全,而是能直接读取工程目录、跨文件分析依赖关系,理解时钟树、中断优先级等上下文,让开发者通过自然语言生成GPIO、UART、ADC等外设驱动代码。同时,它还能充当“芯片手册翻译官”,辅助排查编译错误与硬件调试问题。从工程搭建到驱动开发,再到代码审查与安全落地,AI工具已能

weixin_29164497的博客 302

STM32 + Claude Code:嵌入式AI编程实战经验与工作流

AI编程工具正从纯软件走向嵌入式开发,其核心原理是通过大模型理解代码上下文,结合硬件约束生成可用的驱动代码。在STM32开发中,由于交叉编译、硬件耦合和调试链路复杂,AI编程的价值不在于全自动生成工程,而在于快速生成外设驱动、协议解析和算法代码,大幅缩短需求到代码的周转时间。本文以Claude Code接入STM32项目为例,覆盖环境搭建、CLAUDE.md工程规范、串口与DS18B20时序驱动生成、烧录调试常见报错,并总结了AI代码审查的关键点,为嵌入式开发者提供一套可落地的AI协作工作流。

weixin_34109408的博客 360

STM32+Claude Code实战:嵌入式AI编程从配置到排错

嵌入式开发中,AI编程正成为提升效率的关键工具。以STM32为代表的MCU开发,涉及大量寄存器配置与手册查阅,传统流程耗时费力。Claude Code作为终端AI编码代理,能直接读取工程文件、执行编译命令并生成外设驱动,将自然语言转化为可运行的嵌入式代码。其核心价值在于结合CubeMX生成的可靠基础工程,让开发者专注于业务逻辑,同时通过结构化提问快速定位编译与调试问题。本文基于实际项目,详细讲解了从环境配置、工程搭建到串口、PWM、I2C等外设驱动的完整流程,并总结了AI生成代码的常见陷阱与工程化经验,适合

cigang4063的博客 414

Claude Code与PlatformIO赋能STM32嵌入式开发

人工智能辅助编程正逐渐应用于嵌入式开发领域,其核心原理是通过大语言模型理解芯片手册、寄存器定义与代码逻辑,自动生成初始化代码并协助排查编译错误。这种AI编程助手显著提升了开发效率,降低了重复查阅文档的负担,尤其在STM32等微控制器项目开发中具有实际价值。结合VS Code、PlatformIO等主流工具,开发者可以将AI能力无缝接入现有工作流,实现从工程配置到代码调试的智能化辅助。以Claude Code的实践为例,详细展示其安装配置、与PlatformIO的配合使用,以及利用Wokwi进行硬件仿真的完整

weixin_27017211的博客 249

Cursor与Claude Code协同开发:嵌入式AI编程工作流构建

AI编程工具正从代码补全迈向智能协作者角色,其核心在于将大语言模型能力深度嵌入开发环境上下文。Cursor并非VS Code替代品,而是专为AI Agent设计的原生协作IDE;Claude Code则作为可嵌入的代码智能体,提供语义感知的推理能力。二者结合形成‘引擎+整车’式分工,显著提升嵌入式开发中CubeMX配置校验、HAL库迁移、FreeRTOS任务管理等高频场景的工程效率与可信度。本文聚焦STM32等裸机/RTOS项目,详解环境断点排查、Skills工作流编排及DeepSeek等本地模型接入方法,

weixin_33743248的博客 408

linux设备驱动之API的实现

本文简单的说明了一个实现API函数的全部过程。 总体上看分为: 1,用户API 2,用户中间层(与底层通信) 3,底层中间层(寻找对应的驱动函数) 4,驱动函数 5, CPU读写I/O端口。 我们主要的工作就是这个驱动部分

Windows 11 Docker Desktop 数据迁移:WSL 2 发行版导出/导入 5步法详解

本文详细介绍了Windows 11下Docker Desktop数据迁移的5步法,通过WSL 2发行版的导出/导入技术,实现C盘空间释放和存储空间优化。该方法支持无损迁移容器、镜像和卷数据,并提供异常处理和进阶优化技巧,帮助开发者彻底解决Docker Desktop存储空间不足的问题。

weixin_30908103的博客 496

模拟IC版图DRC实战:手把手教你搞定MIM电容天线错误和ESD.10g违例

本文深入解析模拟IC版图中的MIM电容天线错误和ESD.10g违例问题,提供从错误解码到实战修复的完整指南。通过电路图修改、版图优化和验证闭环等步骤,帮助工程师高效解决DRC错误,特别适用于ADC等精密模拟电路设计。文章还分享了高级排错技巧和预防性设计策略,大幅提升流片成功率。

weixin_27697385的博客 295

基于STM32的多模态智能风扇控制系统设计与实现

本文详细介绍了基于STM32单片机的多模态智能风扇控制系统的设计与实现。系统集成了红外遥控、蓝牙手机控制及人体感应等多模态交互方式,通过PWM技术实现无级调速,并设计了安全优先的控制逻辑。文章从硬件选型、核心原理、软件编程到系统调试,提供了完整的实战指南,适合嵌入式开发爱好者学习与实践。

weixin_28285943的博客 241

PX4 EKF2 源码解析(五):24 维状态向量、坐标系与四元数

结构体本身不保证内存布局可直接转成Vector24f;矩阵运算仍使用明确切片。理解索引应以fuse()和生成脚本为共同依据。

PX4-SLAM-PNC 26

Y-Branch and a closed y-branch loop

双臂后面的区域,我们将它的双臂使用一个波导进行了连接,使得它本身形成了一个闭合回路,因此,该结构被称作。它们均是用来对经过它们的光束能量进行分割的一种器件。首先,我们知道一点,在光波导层面,今天给大家介绍一下,什么是。

u011699626的博客 635

Openclaw 错误分析 与 解决方案 之:Selected model is at capacity. Try a different model, or wait and retry.

Openclaw 错误分析 与 解决方案 :Selected model is at capacity. Try a different model, or wait and retry.

多媒体编程、网络编程、系统编程、网络安全编程、驱动编程 6427

什么是 PD 电压诱骗?

电压诱骗” 的意思就是,使用某些方法让 PD 充电器误以为设备需要更高的电压,从而让充电器提供比实际需要更高的电压。手机可能只需要 5V,但笔记本电脑可能需要 20V,通过 PD 协议,充电器能够根据设备的需求输出合适的电压和电流。在“电压诱骗”的情况下,你通过某种手段让充电器以为设备需要 12V,于是充电器会按照这个伪造的请求输出 12V,而不是默认的 5V。充电器评估自己的能力,如果可以提供设备需要的电压和电流,它会调整输出电压,从默认的 5V 切换到设备请求的电压(如 12V)。

qq_45430571的博客 2662

从零开始学习PX4源码23(飞行模式管理)

本文摘要主要介绍了PX4飞控系统中飞行模式管理模块的代码实现流程。文章从整体架构入手,分析了飞行模式管理模块的启动过程、类继承关系以及核心运行机制。重点阐述了模块从rc.mc_apps启动脚本到FlightModeManager::main()的调用链路,包括任务创建、工作队列初始化和主循环执行流程。核心部分解释了Run()函数如何通过订阅传感器数据、更新参数、处理命令以及生成轨迹设定点来实现飞行模式切换和任务管理功能。文章为理解PX4飞行控制系统的模式切换机制提供了代码层面的详细分析。

陌城烟雨 503

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

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")

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

上一篇: STM32智能输液监控系统:红外滴速检测与步进电机PID闭环控制开源方案
下一篇: IoT固件、配置与设备模型为何必须三版本隔离
weixin_34310369
博客等级 码龄11年 4253粉丝 1277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