第一阶段：专业核心基础
阶段目标：
1 熟练掌握Python的开发环境与编程核心知识
2 熟练运用Python面向对象知识进行程序开发
3 对Python的核心库和组件有深入理解
4 熟练应用SQL语句进行数据库常用 *** 作
5 熟练运用Linux *** 作系统命令及环境配置
6 熟练使用MySQL，掌握数据库高级 *** 作
7 能综合运用所学知识完成项目
知识点：
Python编程基础、Python面向对象、Python高级进阶、MySQL数据库、Linux *** 作系统。
1、Python编程基础，语法规则，函数与参数，数据类型，模块与包，文件IO，培养扎实的Python编程基本功，同时对Python核心对象和库的编程有熟练的运用。
2、Python面向对象，核心对象，异常处理，多线程，网络编程，深入理解面向对象编程，异常处理机制，多线程原理，网络协议知识，并熟练运用于项目中。
3、类的原理，MetaClass，下划线的特殊方法，递归，魔术方法，反射，迭代器，装饰器，UnitTest，Mock。深入理解面向对象底层原理，掌握Python开发高级进阶技术，理解单元测试技术。
4、数据库知识，范式，MySQL配置，命令，建库建表，数据的增删改查，约束，视图，存储过程，函数，触发器，事务，游标，PDBC，深入理解数据库管理系统通用知识及MySQL数据库的使用与管理。为Python后台开发打下坚实基础。
5、Linux安装配置，文件目录 *** 作，VI命令，管理，用户与权限，环境配置，Docker，Shell编程Linux作为一个主流的服务器 *** 作系统，是每一个开发工程师必须掌握的重点技术，并且能够熟练运用。
第二阶段：PythonWEB开发
阶段目标：
1 熟练掌握Web前端开发技术，HTML，CSS，JavaScript及前端框架
2 深入理解Web系统中的前后端交互过程与通信协议
3 熟练运用Web前端和Django和Flask等主流框架完成Web系统开发
4 深入理解网络协议，分布式，PDBC，AJAX，JSON等知识
5 能够运用所学知识开发一个MiniWeb框架，掌握框架实现原理
6 使用Web开发框架实现贯穿项目
知识点：
Web前端编程、Web前端高级、Django开发框架、Flask开发框架、Web开发项目实战。
1、Web页面元素，布局，CSS样式，盒模型，JavaScript，JQuery与Bootstrap掌握前端开发技术，掌握JQuery与BootStrap前端开发框架，完成页面布局与美化。
2、前端开发框架Vue，JSON数据，网络通信协议，Web服务器与前端交互熟练使用Vue框架，深入理解>
使用Vray版本V2．40．03，Max版本2014，本机与渲染机需要处于同一个局域网的同一个工作组或域内。
vray分布式渲染方法如下：
1、在渲染机上，启动Max2014目录下的vrayspawner2013．exe。
2、在工作机上，打开渲染设置面板，勾选分布式渲染，并点开设置窗口。
3、点击“Addserver”，输入渲染机的计算机名称。
4、如果显示出IP地址，说明渲染机连接成功，点击OK。
5、每一个渲染的区块上会显示执行此块渲染任务的计算机名称。
关于水面漂浮物监测系统的原理是浮球式液位计是现代常用的液位测量仪表中的一种。该产品主要由三部分组成：转换器(内置转换器电子模块的接线盒)，浮子(装有磁环的浮球)，传感器(液位计的探杆)。由于浮球液位计具有结构简单，安装调试方便，精度高，稳定性能好等特点，因此被广泛应用于高温、高压、粘稠、脏污、易燃、易爆、具有腐蚀性等介质的液位连续测量。科普小知识
浮球液位计的工作原理主要是以带有磁环的浮球为测量元件，浮球会随着液位的上升和下降而上下浮动，通过磁耦合原理，使探杆内的磁阻软芯的电阻产生线性变化，再由转换器内的电子模块将电阻转换成标准的4-20mA电流信号。可根据现场的使用要求，现场显示输出信号的电流值或对应的液位值，也可将信号远传到控制室，实现远程液位的自动检测控制和记录
浮球式液位计是现代常用的液位测量仪表中的一种。该产品主要由三部分组成：转换器(内置转换器电子模块的接线盒)，浮子(装有磁环的浮球)，传感器(液位计的探杆)。由于浮球液位计具有结构简单，安装调试方便，精度高，稳定性能好等特点，因此被广泛应用于高温、高压、粘稠、脏污、易燃、易爆、具有腐蚀性等介质的液位连续测量。
科普小知识
浮球液位计的工作原理，大家都清楚吗？我们一起来了解一下吧。浮球液位计主要是以带有磁环的浮球为测量元件，浮球会随着液位的上升和下降而上下浮动，通过磁耦合原理，使探杆内的磁阻软芯的电阻产生线性变化，再由转换器内的电子模块将电阻转换成标准的4-20mA电流信号。可根据现场的使用要求，现场显示输出信号的电流值或对应的液位值，也可将信号远传到控制室，实现远程液位的自动检测控制和记录
浮球式液位计是现代常用的液位测量仪表中的一种。该产品主要由三部分组成：转换器(内置转换器电子模块的接线盒)，浮子(装有磁环的浮球)，传感器(液位计的探杆)。由于浮球液位计具有结构简单，安装调试方便，精度高，稳定性能好等特点，因此被广泛应用于高温、高压、粘稠、脏污、易燃、易爆、具有腐蚀性等介质的液位连续测量。
科普小知识
浮球液位计的工作原理，大家都清楚吗？我们一起来了解一下吧。浮球液位计主要是以带有磁环的浮球为测量元件，浮球会随着液位的上升和下降而上下浮动，通过磁耦合原理，使探杆内的磁阻软芯的电阻产生线性变化，再由转换器内的电子模块将电阻转换成标准的4-20mA电流信号。可根据现场的使用要求，现场显示输出信号的电流值或对应的液位值，也可将信号远传到控制室，实现远程液位的自动检测控制和记录。本人深度学习小白，想用matlab做两组传感器数据的神经网络特征融合，不知道我的想法对不对，我在工具箱里这么编写了一个基于AlexNet的神经网络模型，两组数据经过相同的卷积层，再通过一个additionLayer连接层绑两组数据连接起来，再通过三个全连接层，最后输出三个分类。
代码是通过深度学习工具箱生成的，如下
lgraph = layerGraph();
tempLayers = [
imageInputLayer([227 227 3],"Name","data1")
convolution2dLayer([11 11],96,"Name","conv1_1","BiasLearnRateFactor",2,"Stride",[4 4])
reluLayer("Name","relu1_1")
crossChannelNormalizationLayer(5,"Name","norm1_1","K",1)
maxPooling2dLayer([3 3],"Name","pool1_1","Stride",[2 2])
groupedConvolution2dLayer([5 5],128,2,"Name","conv1_2","BiasLearnRateFactor",2,"Padding",[2 2 2 2])
reluLayer("Name","relu1_2")
crossChannelNormalizationLayer(5,"Name","norm1_2","K",1)
maxPooling2dLayer([3 3],"Name","pool1_2","Stride",[2 2])
convolution2dLayer([3 3],384,"Name","conv1_3","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
reluLayer("Name","relu1_3")
groupedConvolution2dLayer([3 3],192,2,"Name","conv1_4","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
reluLayer("Name","relu1_4")
groupedConvolution2dLayer([3 3],128,2,"Name","conv1_5","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
reluLayer("Name","relu1_5")
maxPooling2dLayer([3 3],"Name","pool1_5","Stride",[2 2])];
lgraph = addLayers(lgraph,tempLayers);
tempLayers = [
imageInputLayer([227 227 3],"Name","data2")
convolution2dLayer([11 11],96,"Name","conv2_1","BiasLearnRateFactor",2,"Stride",[4 4])
reluLayer("Name","relu2_1")
crossChannelNormalizationLayer(5,"Name","norm2_1","K",1)
maxPooling2dLayer([3 3],"Name","pool2_1","Stride",[2 2])
groupedConvolution2dLayer([5 5],128,2,"Name","conv2_2","BiasLearnRateFactor",2,"Padding",[2 2 2 2])
reluLayer("Name","relu2_2")
crossChannelNormalizationLayer(5,"Name","norm2_2","K",1)
maxPooling2dLayer([3 3],"Name","pool2_2","Stride",[2 2])
convolution2dLayer([3 3],384,"Name","conv2_3","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
reluLayer("Name","relu2_3")
groupedConvolution2dLayer([3 3],192,2,"Name","conv2_4","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
reluLayer("Name","relu2_4")
groupedConvolution2dLayer([3 3],128,2,"Name","conv2_5","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
reluLayer("Name","relu2_5")
maxPooling2dLayer([3 3],"Name","pool2_5","Stride",[2 2])];
lgraph = addLayers(lgraph,tempLayers);
tempLayers = [
additionLayer(2,"Name","addition")
fullyConnectedLayer(4096,"Name","fc6","BiasLearnRateFactor",2)
reluLayer("Name","relu6")
dropoutLayer(05,"Name","drop6")
fullyConnectedLayer(4096,"Name","fc7","BiasLearnRateFactor",2)
reluLayer("Name","relu7")
dropoutLayer(05,"Name","drop7")
fullyConnectedLayer(3,"Name","fc8","BiasLearnRateFactor",2)
softmaxLayer("Name","prob")
classificationLayer("Name","classoutput")];
lgraph = addLayers(lgraph,tempLayers);
% 清理辅助变量
clear tempLayers;
lgraph = connectLayers(lgraph,"pool1_5","addition/in1");
lgraph = connectLayers(lgraph,"pool2_5","addition/in2");
figure
plot(lgraph);
layers = lgraphLayers;
复制
画出来的图如下
输入读取处理的代码如下
%% 训练数据存储；
allImages1 = imageDatastore("E:\Data\old-new\CWT\1\",
'IncludeSubfolders',true,
'LabelSource','foldernames');
allImages2= imageDatastore("E:\Data\old-new\CWT\2\",
'IncludeSubfolders',true,
'LabelSource','foldernames');
%% 数据处理；
rng default
[imgsTrain1,imgsValidation1] = splitEachLabel(allImages1,08,'randomized');%按比例拆分 ImageDatastore 标签
disp(['Number of training images: ',num2str(numel(imgsTrain1Files))]);
disp(['Number of validation images: ',num2str(numel(imgsValidation1Files))]);
[imgsTrain2,imgsValidation2] = splitEachLabel(allImages2,08,'randomized');%按比例拆分 ImageDatastore 标签
disp(['Number of training images: ',num2str(numel(imgsTrain2Files))]);
disp(['Number of validation images: ',num2str(numel(imgsValidation2Files))]);
%% 处理输入的；
inputSize = layers(1)InputSize;
augimgsTrain1 = augmentedImageDatastore(inputSize(1:2),imgsTrain1); % 调整图像大小以匹配网络输入层
augimgsValidation1 = augmentedImageDatastore(inputSize(1:2),imgsValidation1);
augimgsTrain2 = augmentedImageDatastore(inputSize(1:2),imgsTrain2); % 调整图像大小以匹配网络输入层
augimgsValidation2 = augmentedImageDatastore(inputSize(1:2),imgsValidation2);
augimgsTrain = combine(augimgsTrain1,augimgsTrain2);
% augimgsValidation = combine(augimgsValidation1,augimgsValidation2);
复制
但是训练时会一直报错，ValidationData设置为空因为我不知道怎么把augimgsValidation1 augimgsValidation2两个结构体的验证集放到一块，‘opts =’ 这行会报错误，所以上面也就注掉了
训练的代码如下
%% 设置参数进行训练
rng default
mbSize = 40;
mxEpochs = 40;
ilr = 1e-4;
plt = 'training-progress';
opts = trainingOptions('sgdm',
'InitialLearnRate',ilr,
'MaxEpochs',mxEpochs ,
'MiniBatchSize',mbSize,
'ValidationData',[],
'ExecutionEnvironment','multi-gpu',
'Plots',plt);
[trainedAN,info2] = trainNetwork(augimgsTrain,layers,opts);
复制
报的错误如下图
有没有会用matlab做深度学习的大佬，帮我看看这个，万分感谢！
深度学习
matlab
神经网络
机器学习
迁移学习
一分钟了解直流变频空调
精选推荐
广告
mcca特征融合matlab代码
78下载·0评论
2019年1月26日
火灾检测基于matlab连通区域+SVM特征融合火灾检测含Matlab源码 1223期
1498阅读·3评论·7点赞
2021年8月17日
总结与归纳：深度神经网络中的数据融合方法
8124阅读·4评论·51点赞
2020年4月9日
基于SIFT特征的图像拼接融合（matlab+vlfeat实现）
12W阅读·6评论·4点赞
2019年4月27日
分类预测 | MATLAB实现CNN卷积神经网络多特征分类预测
1313阅读·0评论·1点赞
2022年9月7日
MATLAB中深度学习的多级神经网络构建
1349阅读·0评论·1点赞
2021年12月17日
灭菌器供应厂家
精选推荐
广告
（Note）神经网络中的特征融合方式（add/concate）
1733阅读·0评论·1点赞
2022年7月19日
在 Matlab 中连接不同大小的数组：此函数允许您连接不同大小的数组，并在需要时使用 NaN 填充。-matlab开发
22下载·0评论
2021年6月1日
MATLAB强化学习工具箱学习笔记--在Simulink环境中训练智能体Create Simulink Environment and Train Agent
3883阅读·8评论·4点赞
2021年11月15日
python将大量拼接千面图_11 图像合成与图像融合
426阅读·0评论·1点赞
2020年12月10日
图像融合方法
3098阅读·1评论·3点赞
2020年11月11日
MATLAB的图像融合设计
1004阅读·1评论·1点赞
2021年8月30日
matlab图像融合sift,基于SIFT特征的图像拼接融合（matlab+vlfeat实现）
403阅读·0评论·0点赞
2021年4月24日
matlab机器学习与人工智能期末课设，基于融合特征的以图搜图应用
209阅读·0评论·1点赞
2022年6月1日
回归预测 | MATLAB实现CNN-GRU(卷积门控循环单元)多输入单输出
2884阅读·1评论·0点赞
2022年4月13日
Matlab之深度学习工作流程
1521阅读·0评论·3点赞
2020年9月29日
Matlab实现CCA多模特征融合
2752阅读·8评论·3点赞
2020年12月30日
Matlab深度学习上手初探
3976阅读·0评论·1点赞
2022年4月10日
（多模态 / 多维度）特征融合
14W阅读·0评论·16点赞
2020年12月2日
去首页
看看更多热门内容
评论4
m0_62482485
赞
兄嘚，这个问题解决了么？
20221024
m0_62482485
赞
兄嘚，这个问题解决了么？
20221024
程序猿_悟空
赞
呵呵
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）