Labwindows CVI写上位机与STM32下位机通信(二)

VIPLabwindows CVI写上位机与STM32下位机通信(二)
接着上篇,这篇主要谈谈流量计数据读取。我们使用的MEMS流量计采用Modbus协议Modbus 使用RS-485 作为硬件载体。一. Modbus协议  该协议定义了 Modbus 总线Master(主设备)与Slave(从设备)之间的通讯报文格式,对于主设备来说,Modbus 协议是联系上位机(如PC、PLC、HMI 等)的接口,而且所有的通讯都是“透明的”。控制器通信使用主-从技术,即
开通可读全文 ·1w 人阅读
最低0.47元/天 解锁文章

接着上篇,这篇主要谈谈流量计数据读取。我们使用的MEMS流量计采用Modbus协议Modbus 使用RS-485 作为硬件载体。

一. Modbus协议

  该协议定义了 Modbus 总线Master(主设备)与Slave(从设备)之间的通讯报文格式,对于主设备来说,Modbus 协议是联系上位机(如PC、PLC、HMI 等)的接口,而且所有的通讯都是“透明的”。控制器通信使用主-从技术,即仅有一个设备(主设备)能初始化传输(查询),其它设备(从设备)根据主设备查询提供的数据作出相应反应。

  主设备可单独和从设备通信,也能以广播方式和所有从设备通信(仅限于点对点通讯)。如果单独通信,从设备返回一帧消息作为回应;如果是以广播方式查询的,则不作任何回
应。Modbus 协议建立了主设备查询的格式:设备(或广播)地址、功能代码、所有要发送的数据和错误检测域。

  从设备回应消息帧也由Modbus 协议构成,包括确认要产生动作的域、任何要返回的数据和错误检测域。如果在消息接收过程中发生错误,或从设备不能执行其命令,从设备将
建立一错误消息帧并把它作为回应发送出去。

  控制器能设置为两种传输模式(ASCII 或RTU)中的任何一种在标准的Modbus 网络进行通信,用户选择想要的模式,包括串口通信参数(波特率、奇偶校验方式等),在配置每
个控制器的时候,在一个Modbus 网络上的所有设备都必须选择相同的传输模式和串口参数。所选的ASCII 或RTU 方式仅适用于标准的Modbus 网络,它定义了在这些网络上连续
传输的消息段的每一位,以及决定怎样将信息打包成消息域和如何解码。

1.1 modbus RTU模式

   

图1 RTU模式

使用RTU 模式,消息发送至少要以3.5 个字符时间的停顿间隔开始。在网络波特率下多样的字符时间,这是最容易实现的(如下图的T1-T2-T3-T4 所
示,相当于四个字节的传输延迟)。传输的第一个域是设备地址。可以使用的传输字符是十六进制的0~9,A~F。网络设备不断侦测网络总线,包括停顿间隔时间在内。当接收到第一个域(地址域)以后,每个设备都进行解码以判断是否是发往自己的。在最后一个传输字符之后,一个至少3.5 个字符时间的停顿确定了消息的结束。一个新的消息可在此停顿后开始。


图2 RTU典型消息帧

1.2 modbus编码

按照modbus RTU消息帧我们知道要读取modbus从设备数据,必须要按照协议走;首先发送设备地址,接着发送功能码,然后是数据位,最后是这帧指令CRC校验码。参照产品用户手册,以读取总流量为例:


图3 总流量寄存器

假设当前从设备地址为01,则发送:01 03 00 04 00 03 CRC_H CRC_L给流量计就可读回流量计数据,但读回的数据仍然是modbus RTU格式的,例如:

01 03 06 02 2B 00 00 00 64 CRC_H CRC_L,其中有效数据就是02 2B 00 00 00 64。关于其他功能编码,参照手册就可以了。这里附录一下CRC_16校验码产生的程序

#include "stdafx.h"

typedef unsigned short  UINT16;
typedef unsigned char   UINT8; 

typedef union
{
UINT16 val;
struct
{
UINT16 bit0 : 1;
UINT16 bit1 : 1;
UINT16 bit2 : 1;
UINT16 bit3 : 1;
UINT16 bit4 : 1;
UINT16 bit5 : 1;
UINT16 bit6 : 1;
UINT16 bit7 : 1;
UINT16 bit8 : 1;
UINT16 bit9 : 1;
UINT16 bit10: 1;
UINT16 bit11: 1;
UINT16 bit12: 1;
UINT16 bit13: 1;
UINT16 bit14: 1;
UINT16 bit15: 1;
} bits;
} TCRCRegs;

TCRCRegs regs;
// pBuf:要参与计算的消息缓冲区
// nDataLen: CRC 要处理的字节的数量(消息缓冲区长度)


UINT16 CRC1(UINT8 *pBuf, UINT16 nDataLen)
{
VIP Labwindows CVI写上位机与STM32下位机通信(一) 最近在用Labwindows CVI写一个多串口的上位机程序,主要实现如下功能:(1) 上位机与下位机STM32通信,上位机通过串口发送控制命令(LED矩阵图形选择、电磁阀控制信号)给下位机,下位机回发控制信息。(2)上位机通过modbus通信协议485通信接口,读取MEMS流量计瞬时流量和总流量数据,并显示到面板上。     一. STM32下位机     考虑到LED矩阵面板上有40*10 开通可读全文·1.2w 阅读·9 点赞·43 收藏 阅读全文

相关推荐

LabWindows/CVI:电子工程师的GUI开发利器,C语言实现高效上位机

在嵌入式系统与测试测量领域,上位机开发是连接硬件与用户的关键环节。其核心原理在于通过图形用户界面(GUI)实现对硬件设备的监控、配置与数据分析,技术价值在于大幅提升开发效率与系统集成度。传统方案如MFC或C#虽功能全面,但往往存在学习曲线陡峭、硬件支持不足或依赖复杂运行时等问题。针对电子工程师的特定需求,LabWindows/CVI(CVI)提供了一种高效平衡方案:它基于标准的ANSI C语言,降低了学习门槛;通过内置丰富的硬件驱动(如VISA、DAQmx)和工程专用控件(如波形图表),实现了与测试仪器、数

weixin_30859423的博客 476

自制虚拟现实示波器

看到网上很多人做了自制示波器,都是硬件实现的。最近学习了labwindows/cvi,所以萌生出自制一台串口示波器的想法。 下位机采用stm32,通过自带AD采集电压值,然后通过DMA传至串口,发送到上位机。 下面主要叙述一下上位机软件的设计。 利用CVI自带的控件库来创建界面。波形显示控件是stripchart。 软件启动时,自动配置串口: OpenComConfig (comnu

jhyworkspace的博客 4万+

LabWindows CVI编程全攻略:从入门到精通

本文还有配套的精品资源,点击获取 简介:LabWindows CVI是一个由National Instruments公司开发的集成化、面向对象的编程环境,特别适用于测试、测量和控制应用。它将C语言的强大功能与直观的图形用户界面设计相结合,使得开发和维护复杂的工程系统更加高效。本教程合集将指导初学者和进阶用户全面掌握CVI的核心概念、编程技术和实际应用,内容涵盖环境介绍、数据...

weixin_33375360的博客 7183

LabWindows/CVI按钮控制LED:从界面到串口指令链路详解

在工业测控与自动化测试领域,上位机与下位机的交互是基础而关键的环节。图形化编程环境LabWindows/CVI提供事件驱动机制,通过控件回调函数响应用户操作,免于轮询占资源。本文从按钮控制LED最小工程切入,讲解Toggle Button与Indicator控件的配置逻辑,演示如何利用串口协议帧实现可靠命令传输,并结合STM32中断解析状态。同时覆盖虚拟串口回环验证、Timer轮询替代方案及CVI调试技巧,帮助测试工程师快速搭建可诊断的上位机控制链路,避免电平接反、回调失配等常见坑。适合设备工装开发者与嵌入

weixin_29168675的博客 306

LabWindows/CVI入门:按钮控制LED,掌握虚拟仪器事件驱动编程

虚拟仪器技术的核心在于将传统仪器的硬件面板抽象为软件交互界面,通过事件驱动机制实现人机协同。LabWindows/CVI作为C语言与测控技术结合的开发环境,凭借面板资源与回调函数的配对设计,让开发者能用熟悉的语法快速构建测控系统。从按钮控制LED这一最小工程切入,可直观理解界面控件属性定义、事件回调机制以及状态变量维护在其中的关键作用。这一编程模型不仅支撑数据采集、仪器控制等复杂功能,还能扩展至定时器刷新、多路控制及串口通信等实际场景。掌握这套核心套路,是快速上手CVI并开展其他虚拟仪器项目开发的基石。

weixin_34099526的博客 593

CVI串口调试工具:工业级通信时序与FIFO深度分析

串口通信是嵌入式系统与工控设备交互的基础技术,其核心在于波特率匹配、时序控制与缓冲机制。理解UART硬件FIFO与软件缓冲区的协同关系,掌握阻塞/非阻塞模式的工程选型逻辑,有助于解决Modbus响应不一致、CH340丢包、STM32 UART溢出等典型问题。CVI串口调试工具凭借底层API封装能力,提供毫秒级超时控制、细粒度错误分类(如SERIAL_PORT_OVERRUN_ERROR)、实时FIFO状态监控及十六进制流校验等功能,在产线联调、协议验证和故障归因中展现出不可替代的技术价值。本文聚焦LabWi

weixin_29189373的博客 341

CVI串口通信FIFO缓冲配置与稳定收发实战

串口通信是嵌入式系统与上位机交互的基础技术,其稳定性高度依赖于硬件FIFO、驱动环形缓冲和应用层缓冲的协同管理。理解FIFO机制原理,合理配置缓冲区大小、触发阈值与超时参数,是解决乱码、丢包、卡死等共性问题的核心。CVI作为LabWindows/CVI平台的原生开发环境,需显式调用SerialPortFifoControl和SerialPortSetTimeouts等API实现可控通信,尤其在对接STM32、CH340、FTDI等常见芯片时,错误的FIFO设置将直接导致stcisp烧录失败或modbus r

weixin_26742753的博客 214

LabWindows/CVI按钮控制LED亮灭的完整实现与常见故障排查

LabWindows/CVI是NI平台下主流的测控系统开发环境,其事件驱动模型与硬件I/O协同机制构成上位机人机交互的基础。理解控件回调(如EVENT_COMMIT)、UI状态同步(SetCtrlVal/FlushCtrlCache)及硬件抽象层(DAQmx或自定义DLL)的调用时序,是构建可靠测控界面的核心能力。该技术广泛应用于产线本地控制面板、嵌入式系统调试验证、教学实验平台等场景,尤其适合从单片机裸机开发或Python上位机转向NI生态的工程师快速建立‘软件-界面-硬件’闭环认知。本文围绕LED亮灭控

weixin_29192141的博客 10

LabWindows/CVI按钮控制LED亮灭的工程化实现方案

LabWindows/CVI作为NI推出的C语言仪器开发平台,其核心是事件驱动模型与硬件抽象层(HAL)的协同机制。理解UI层、逻辑层与硬件层的解耦原理,是实现稳定人机交互的基础。本文围绕‘按钮控制LED’这一典型嵌入式人机交互场景,解析CVI中控件回调注册时机、VISA串口通信健壮性封装、自定义ASCII协议设计及结构化错误日志等关键技术点,突出事件模型与硬件接口模块(HardwareIO)的协同设计价值。方案适配NI ELVIS、myDAQ及STM32+USB转串口等主流教学硬件平台,兼顾课程设计快速交

weixin_29179311的博客 198

CVI串口FIFO设置与硬件通信调试实战指南

串口通信是嵌入式系统与上位机交互的基础技术,其稳定性和实时性高度依赖底层缓冲机制。Windows平台通过SetupComm和硬件FIFO协同控制数据吞吐,而LabWindows/CVI作为专业测试开发环境,提供了对串口句柄、触发阈值及DMA级缓冲的精细编程能力。掌握cvi串口fifo设置不仅可规避stcisp串口通信乱码、stm32f103c8t6丢帧等典型问题,更能支撑工业自动化、传感器采集与固件烧录等高可靠性场景。本文围绕CH340/FTDI驱动适配、COM端口资源冲突诊断及异步通信模块封装,详解从调试

weixin_29185199的博客 91

CVI串口通信实战:FIFO配置、稳定收发与协议解析

串口通信是嵌入式系统与上位机交互的基础技术,其核心在于波特率、缓冲机制与超时控制的协同。Windows底层COM端口驱动(如CH340、FTDI)的行为差异直接影响通信稳定性;而CVI作为LabWindows/CVI平台的开发环境,需兼顾Win32 API底层控制与工程化封装能力。通过合理配置内核FIFO、应用层环形缓冲及`SetCommTimeouts`超时策略,可解决丢包、卡死、乱码等典型问题。结合状态机流式解析与CRC8校验,能将原始字节流转化为结构化传感器数据或固件升级包,广泛应用于工业采集、仪器协

weixin_29190169的博客 174

CVI串口调试:FIFO配置、工具搭建与常见问题排查

串口通信是嵌入式开发中最常用的调试手段。RS-232协议通过简洁的数据帧实现设备间交互,而上位机能否稳定收发数据,很大程度上取决于缓冲区与读取策略是否配合得当。在LabWindows/CVI环境中,串口FIFO作为驱动层收发缓冲区,直接影响高波特率下的数据完整性;合理配置输入输出队列,并用GetComStat和ComRd配合消费数据,能有效规避丢包和乱码问题。面对GD32、STM32等嵌入式下位机的连续大帧发送场景,单纯加大FIFO并不够,还需结合Timer轮询或回调加环形缓冲区来提升吞吐。本文从最小CVI

weixin_29189381的博客 246

LabWindows CVI 基础教程

LabWindows/CVI是National Instruments公司推出的一套面向测控领域的软件开发平台。它以ANSI C为核心,将功能强大,使用灵活的C语言平台与数据采集,分析和表达的测控专业工具有机地接和起来。它的集成化开发平台,交互式编程方法,丰富的控件和库函数大大增强了C语言的功能,为熟悉C语言的开发人员建立检测系统,自动测量环境,数据采集系统,过程监控系统等提供了一个理想的软件开发环境。

LabWindows/CVI开发串口调试助手小软件

该软件利用LabWindows/CVI 的RS-232函数库,可实现的功能有串口、波特率、奇偶校验、数据位、停止位配置,字符串发送和接收以及接收及时显示。

串口通信概述及LabwindowsCVI下代码实现.docx

串口通信概述及LabwindowsCVI下代码实现.docx

WordPress搭建“外贸独立站”完整操作教程

  以往的文章,我们介绍了很多种搭建独立站的方式,有最省事的Shopify 、最专业的Magento以及最省钱的Wordpress Woocommerce。其中,通过主机托管的方式又分了免费的谷歌云vps主机、1美元Godaddy主机以及SiteGround共享主机三种。建站方法方式实在太多了,有免费的,有廉价的,有商业版的,有共享主机、有云主机主机以及各种各样的vps服务器,选择哪种方式,哪款主机,也只有真正试了才直到。   没错,上述的这些方法方式,无一例外,我都亲身折腾过。从个人实际需求和建站方式来

www25qi的博客 8092

【scratch音乐课】天空之城:音符与节拍、消息与链表

scratch是一个非常小巧的青少年编程工具,自带程序编写语句,积木式语句非常直观、易用,可创作数学、科学、音乐、绘画等方面作品。本文用scratch“演奏”一首大家非常熟悉的《天空之城》,并向大家介绍一些基本乐理知识,以及scratch中消息、链表的使用。

★·°立芯;︶︵︶ 1万+

天池长期赛:二手车价格预测(422方案分享)

本次比赛是一次很好的锻炼数据挖掘能力的入门赛,从EDA-数据清洗-特征工程-模型调参-模型融合,能够完整的学习到大数据的分析和挖掘,值得历练。

weixin_46685991的博客 1万+

Linux系统监控实战:夜莺监控+categraf采集器配置全流程(附常见问题排查)

本文详细介绍了在Linux系统中使用夜莺监控和categraf采集器进行系统监控的全流程配置,包括环境准备、核心配置文件(如config.toml和procstat.toml)详解、服务集成与验证、高级监控配置实战以及常见问题排查。通过实战案例和优化建议,帮助运维人员快速构建高效的监控体系。

xray4的博客 746

【论文泛读|附源码】如何进行动力学重构? 神经网络自动编码器结合SINDy发现数据背后蕴含的方程

这一篇文章叫做 **数据驱动**的**坐标发现与方程发现算法**。想回答的问题很简单,就是根据数据写方程。 想想牛顿的处境,如何根据各种不同物体下落的数据,写出万有引力的数学公式的。这篇文章就是来做这件事的。当然,这篇论文并没有从牛顿视角,完全去思考牛顿所想。而是利用现有的**深度学习技术** 和 **动力学重构的方法** 。提出了一种框架,基于现有的计算机技术,去发现物质运动背后的物理规律。 这里直接给出这篇方法的核心思路图,我们后面会逐个讲解。

qq5q13638的博客 2464

学Simulink——四开关 Buck‑Boost(FSBB)变换器的无缝模式切换仿真

本文详细介绍了使用Simulink实现四开关Buck-Boost(FSBB)变换器无缝模式切换的仿真方法。FSBB变换器因其输入输出同极性、单电感和双向能量流特性,广泛应用于光伏储能、USB-PD和车载电源等场景。文章重点解决了模式切换中的直通风险和占空比跳变问题,通过统一电压PI控制、Stateflow模式仲裁和200ns死区设计,实现了Buck(26V→24V)、Pass-Through(24V±1V)和Boost(22V)三种工作模式的无缝过渡。仿真结果显示输出电压稳定在12V±0.15V,切换过程无

amy_mhd的博客 69

AI测试入门:如何测试AI对话模型/智能体?「详细介绍」

作为测试人员,我们需要掌握特定的技能和方法来有效地测试这些复杂的AI对话模型和智能体。传统的软件测试方法在这里可能不再完全适用,我们需要开发新的测试策略和技术来应对AI系统的独特特性。在这篇文章中,我们将深入探讨如何测试AI对话模型和智能体。

blues_C的博客 6866

DO-178C详解:机载软件开发、验证与适航标准指南

DO-178C将软件划分为五个等级(A到E),这些等级是基于失效状态对航空器安全的影响而定。

qq_41854911的博客 2860

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。。。。。。。。。。。。

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

上一篇: Labwindows CVI写上位机与STM32下位机通信(一)
下一篇: 从开机加电到执行main函数
yangzhiyuan0928
博客等级 码龄14年 141粉丝 36原创
评论 1
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
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