鸡啄米VS2010-MFC编程入门教程
鸡啄米的这套VS2010/MFC编程入门教程到此就全部完成了，虽然有些内容还未涉及到，但帮助大家进行VS2010/MFC的入门学习业已足够。以此教程的知识为基础，学习VS2010/MFC较为深入的内容已非难事。作为本教程的最后一课，鸡啄米将对前面所讲内容进行目录归纳，并对这八个月加班加点的努力进行总结。vS2 DIO/MFC编程入门教程之目录和总结-敦一开发-鸡啄米每布课的写作耗时差不多都在两三个小时以上,有时侯甚全写到凌晨一点多。付出了很多,同样也收获了很多,最大的收获莫过于大家的肯定和支,很多朋友都韶言或者发郎件支持鸡啄米,这说明我的辛勤劳动没有白费,帮助了很多人,感谢那些一直以来支关注鸡啄米的朋友,也特别感谢那些在鸡啄米经常留言支持的读者除了大家的支持,鸡啄米自己也通过本教程的完成更深入的理解了的很多内容,提高了对的认认水平,尤其是更加巩了一些较少使用的知认。在帮人的同时也帮了自己很多朋友在鸡啄米留言或者给鸡啄米发电子邮件讨论问题,由时间确实比较少,晚上夏新文章,白天上班,所以只叵复了一部分,望大家见谅。学会了编程,很多人就开始喜欢硏究了,但是提醒大家不要忘了根本,即谙言。从《鸡啄米编程入门系列》和《编程入门教程》这套学习教程的受欢迎程度,鸡啄米感觉大家有些忽规的学习,更喜欢应用性强的在你能熟练使用后,最好再认真学学,提高水平才能真正亡你的编程功力上一个台阶。以后鸡啄米会铼续分亨各种编程知识,还会编写一些教程,希曌人家能一如既往约关注鸡啄米网站,支持鸡啄米!格力高百力漆清风原木纯品系列了!这一耙已有微虾味)*1盒3层谜你纸手帕“10包已D体被害送出兔费领』兔费领推您可能也喜欢:日分2编程入门编稈入编稈入编程入编程入之三应用门之三十九(文档、门之十三(常门之刀十六常门之一五(对话框程序工程中文件的组视图和框架:概述)用类类月类异常处一股属性页对话框的成结构)创建及显示)除非特别注明,鸡啄兴文章均为原创转载请标明本文地止作着鸡啄米分类软件开发浏览评论上一篇:互联网的轻时代已成为趋势下一篇:最全面详细的评测相关文章编程入门之五十四界Ⅲ开发:使用更多空件并为控科添加消息欠理凶数)编程入门之五|三(界面开发:为添加控件)编程入门之开十二(界Ⅲ开发:创建样式的应用程序框架)编程入门之五十一(图形图像:对象之画刷编程入门之五十(图形图像:对象之画笔编程入门之四|元(图形图像:类及其屏暮绘图函数)编程入门之四十八(字体朴文本输出:文输出)编程入门之四十七(字体和文本输出:字体类)编程入门之四十六(常用类:异常处理)http://www.jizhuomi.com/software/257.tml[2013,969:48:41]vS2 DIO/MFC编程入门教程之目录和总结-敦一开发-鸡啄米编程入门之四十五(常用类文件操作类)楼我的名字叫麒我一直自学编程,觉得它比别的都好回复该留言楼愚人笔记希望还有下一个系列面世66鸡啄米于回复嗯,会有的,呵呵回复该留言楼蛉啊了非常感谢!继续加油!回复该留言偻楼主好热心好感动啊写了这么多而且写的非常详细!!再次谢谢你们。。虽然今天查百度无意间点到这里的,不过攸货确实好多,记住鸡啄米了哈!!!。。祝你们网站越来越火哈,,以后我会经常来你们网站的哈哈≤6鸡啄米于回复志同道合的朋友越来越多了回复该留言楼学土之爱楼主了不起啊回复该留言楼求助救助:按你第课制作的计算器,我加入了一个减法功能,里面参数如下初始时刻三个变量对立的都是,我需要他们为空也就是什么都没有还有就是输入数据后或没入数据而按时程序会自动结束,改怎么办?≤鸡啄米于回复变量是存到内存中的,它是不可能为空的,即使你没有赋初值,它也会有初值。按回车退出一般是因为默认按紐是,取消默认按钮或者把中的注掉就行了求助于回复谢谢老师,问题我已经解决了回复该留言楼李志红博客反正不懂这个,米看看。回复该留言http://www.jizhuomi.com/software/257.tml[2013,969:48:41]vS2 DIO/MFC编程入门教程之目录和总结-敦一开发-鸡啄米楼点点滴滴写得非常好,加油回复该留言楼欲取消子节点缩进您好,米哥,我想取消子节点与父节点的缩进,请问应该如何做啊!谢谢啊由鸡啄米于最后编辑回复该留言楼迷哎呀不得了,最近车学回复该留言写的真的非常详细,非常好!!!!怒赞于回复喽主虽是写技术博客,可惜一点讨论的氛围都没有,都是一些菜鸟在这淫须马,博客的板式中也只有喜欢和推两^能,连反对的机会都不给,可见作者多么自恋和自大。让人匪所思!写博客不是为了技术探讨,这种浅尝揶止的文章不如不看!写出来的东西也是玩具,实际立用中很容易腐烂。回复该留言第一次发现这个好东西,顶起,写得真好。回复该留言楼楼主好热心力能的热心楼主啊!!里加入控件怎么加啊????百度半大了也摆不到66喽主好热心于回复楼主快出现呀6鸡啄米于回复,日前还没用过控件,建议再搜索下,网上应该有相关资料回复该留言楼我考研的目的有点像博主,但我是因为自已出太真心没实力的说。。学的不是亡算机,本科也是浑浑噩噩的过去,化了点时间去考研,刚第一个学期,日子依旧浑浑噩噩的,因为要上程序课偶然发现这个对站。。看了博工一番感概,觉得自己确实要给自己一^定位一个方叵,但是我这专业有时候确实让人很迷茫。。。而且现在做什么都克制不住白三可以花上一天的时间看美剧。。。ε最近一直在想我到底该怎么做是好鸡啄米于回复想做什么一定要下决心,尤其是学生阶段,不要到找工作的时侯再着急回复该留言最近在学习很高兴能参照着博主的资料,一步一步一点点的学习下去。对于一个白来说是很好的入门学习材料。希望自己能在本门底将搞定,吼吼。再次感谢博主!!!http://www.jizhuomi.com/software/257.tml[2013,969:48:41]vS2 DIO/MFC编程入门教程之目录和总结-敦一开发-鸡啄米《鸡啄米于回复别急,步来,柞信看完我的教程:你入门没有问题回复该留言楼米哥,可有打算扩允教程,加个动态链接库编程什么的冫求指导啊,同忐们可是翘首以盼那6鸡啄米于回复这个后面会考愿回复该留言楼路过支持一下!6鸡啄米于回复谢谢攴持.欢迎常来逛逛回复该留言楼支持楼主辛苫了,写的很不错,是我们项目老大推荐给我看的,我是才入手,看了很有帮助,期待后续还有更好的。鸡啄米于回复谢谢你的支持,也谢谢你们老大。欢迎常米交流。回复该留言楼分享奉献让这个世界更好。感谢博主《鸡啄米于回复妇果有这和想法的人多了,那我们都能提高很快回复该留言楼蛋蛋蛋我不是程序员,但是在跟老师做目时经常要编写或调试一些程序。每当遇到不明白的就先来看看这里有没有介绍。博主的博客写的精炼,用最通俗的语言把和中一些特性的最主要内容介绍出来,让读者省时省力的同时,又能理解这些特生的灵龙去脉,即思想和用法。希望博主的博客开的长久,有需要还会经常来的≤6鸡啄米丁回复我就是希望能这样帮助大家,有东匹需要了解就到这里末查查大家也可以给我投稿,跟众多网友分享自已的看法和经验等。回复该留言你写的文章我都能把实例做出,但是对事件处理的每句语句的意思就不明白了,让自己写肯定也写不出兴。怎么办呀求指教?6鸡啄米于回复http://www.jizhuomi.com/software/257.tml[2013,969:48:41]vS2 DIO/MFC编程入门教程之目录和总结-敦一开发-鸡啄米多看几遍:自已多写写,最后一定会明白的回复该留言楼穷者独善其身,达者兼济大卜!楼主是一个脱离了低级趣味的好人!≤鸡啄米于回复谢谢,只是想大家分享些已经掌握的知识回复该留言兴哥,我已经把你的教程从第一篇看到这篇了(),收获很夭,希堊博主在写个数据库编程的。。。。回复该留言楼我的名字叫麒攸藏了,博主你千万别删除啊!回复该留言很有帮助,请问一下哈就是我如果创建了多个对正框,在一个对话框中点击按钮如何调用另一^对话框并且之前的对话框不消失?还有就是除了主对话框,其他对话框中的函数在那里改呢?谢谢!祝越办越好6鸡啄米于回复第一个叫颙,在对话柞的单击消息响应函数口,构造另一个对话枉的对象,然后调用成员函数,就可以了。第二个问题,其他对话框在使用前肯定要为其创建类,在对话框类中修改函数回复常感谢您的解答,又遇到一个问题,就是我添加了一个空间(在另一个对话框中)添加控制变量为在其中添加了成员函数为什么运行后,程序崩溃了?回复该留言楼简搜百科谢谢真的!辛苫了回复该留言我是住新建对话框的类中添加了一个成员函数如果是在主对话框中控件是可以添加字符的,为什么呢?谢啦回复该留言http://www.jizhuomi.com/software/257.tml[2013,969:48:41]vS2 DIO/MFC编程入门教程之目录和总结-敦一开发-鸡啄米能不能出一个美化界面的专题,比如怎么设置背景图突啊,之类的,谢谢拉66鸡啄米于回复不错的要求,先记下,有会为大家奉上回复该留博主,请冋一个叫颗哈,很感谢。我要做一个地图染色的程序,用种子填充法染色速度很慢,一个像素一个像素地染,有没有能很快填充整个区域的函数?谢谢!回复该留言楼读研期间要用,米哥这两套教程卡常好,感谢楼主并支持6鸡啄米于回复研究生阶段学的不少,望能给别人推荐下鸡啄米,在此谢远!回复该留言很不错的东西攴持博主学了一年多的编程了一直都是用命令行看到那个罴框框都要吐了看刭终于能做可视化的界面很激动呢鸡啄米于回复程序员还是很需要成就感的回复该留言楼新世纪娱乐减回复该留言今天偶然搜索到这个博客,好多我正好需要的东西。学了|几课,真的很有月。万分感谢。k鸡啄米于回复希望能常来,可能还会有你需要的东西哦,叫呵回复该留言非常感谢博主无私奉献的精神,我是看这个系列入门的!6鸡啄米于回复很高兴能帮你入门回复该留言http://www.jizhuomi.com/software/257.tml[2013,969:48:41]vS2 DIO/MFC编程入门教程之目录和总结-敦一开发-鸡啄米写得不铓,简单易懂,受用。要是再讲个网络编程和多线程的话,然后把前面的界面编程糅合起来讲个小小的一边聊天一边传输文件功能的案例就完关了。回复该留言楼要是那个案例里能捫聊犬派汞进数据库就更奷了,数据车叮以用嵌入式数据库,这个数据库很轻的,只需要在项匚中加入几个库文件就行了。回复该留言楼油烟机什么牌了好很不错啊博主继续加油k6鸡啄米于回复起加油回复该留言楼我的名字叫麒楼主好人啊!你可千万别删,我一直在学习6鸡啄米于回复不会删的,呵呵,欢逛常来学习回复该留言楼已纤顺利完成编程入门教程的全部内窣(当然个别暂时用不到的就掠过了)。冉次感谢作老完成这样非常适合学者的教程!≤鸡啄米于回复不用谢,以后常来逛逛啊回复该留鸡啄米先生;您的,文章使我受益匪浅,真诚的感谢你回复该留言楼我的名字叫麒博主,我实在搞不懂这些,看了很久了,连白学都不行,你看这样行不行?你给我培训,开价吧!46鸡啄米于回复那就从最基础的学起呵呵,如果有几个像你这样需求的朋友,看来我可以开培训班了。。回复该留言楼我的名字叫麒博主救我!我电脑里软伫管家现实,编程开发一栏里有个东西,请你带我删除一批。详细看这里≤6鸡啄米于回复你装的版本大多了,有和,可以卸毂两个,剩个就可以http://www.jizhuomi.com/software/257.tml[2013,969:48:41]vS2 DIO/MFC编程入门教程之目录和总结-敦一开发-鸡啄米回复该留言楼室内设计博客难刚起步,学学回复该留言楼诩谢!辛苦了。鸡啄米老师6鸡啄米于回复不用客气,欢迎常来回复该留言楼水上之舟每次不记得该如何操作,就会跑这来看看,真心很感谢回复该留琢米老师!想用同时绘制三个坐标图,点已经有了,还是不是很会弄,可以指点指点吗?回复该留言琢米老师是个妤老师啊,一直在跟着啄米老师走、觉着老师讲的非常容易理解,刚看完了的教程,现在打算开始学了,希望以后能和老师学到更多东西,提高自己!鸡啄米于回复先学再学记得回头再看看,呵呵回复该留言楼这篇文档介绍详细,对于我们这些刚入门的有极大作用,谢谢米哥回复该留言非常感谢前辈这个是我看过的最好的教程了,比我车图书馆里翻过的那些大部头教材好多了全部做下来感觉自己对很有自信了表小再也不用控制台了6鸡啄米于回复谢谢肯定,欢迎常来啊回复该留言楼多谢多谢写的非常好,果断多谢多谢回复该留言老师,你好:我想问下你的教稈有没有出书啊?我想买书看,不上网的时候也可以学习看下,谢谢鸡啄米于回复抱歉,没有出书,匚前只能在这里看http://www.jizhuomi.com/software/257.tml[2013,969:48:41]
- 2020-12-08下载
- 积分：1
反向传播算法推导—全连接神经网络
反向传播算法是人工神经网络训练时采用的一种通用方法，在现代深度学习中得到了大 规模的应用。全连接神经网络(多层感知器模型，MLP)，卷积神经网络(CNN)，循环神 经网络(RNN)中都有它的实现版本。算法从多元复合函数求导的链式法则导出，递推的 计算神经网络每一层参数的梯度值。算法名称中的“误差”是指损失函数对神经网络每一层 临时输出值的梯度。反向传播算法从神经网络的输出层开始，利用递推公式根据后一层的误 差计算本层的误差，通过误差计算本层参数的梯度值，然后将差项传播到前一层(w, x,)+b这个神经元接受的输入信号为向量(),向量()为输入向量的组合权重,为徧置项,是标量。神经儿对输入冋量进行加权求和,并加上偏置项最后经过激活函数变换产生输出为表述简洁,我们把公式写成向量和矩阵形式。对每个神经元,它接受的来自前一层神经元的输入为向量,本节点的权重向量为,偏置项为,该神经元的输出值为先计算输入向量与权重向量的内积,加上偏置项,再送入一个函数进行变换,得到输出这个函数称为激活函数,典型的是函数。为什么需要激活函数以及什么样的函数可以充当激活函数,在之前的公众号文章“理解神经网终的激活函数”中已经进行了介绍。神绎网络一般有多个层。第一层为输入层,对应输入向量,神绎元的数量等于特征向量的维数,这个层不对数据进行处理,只是将输入向量送入下一层中进行计算。中间为隐含层,可能有多个。最后是输出层,神经元的数量等于要分类的类别数,输出层的输岀值被用来做分类预测。下面我们来看一个简单神经网络的例了,如下图所示这个网络有层。第一层是输入层,对应的输入向量为,有个神经元,写成分量形式为(),它不对数据做任何处理,直接原样送入下一层。中间层有个神经元,接受的输入数据为向量,输出向量为,写成分量形式为。第三个层为输出层,接受的输入数据为向量,输出向量为,写成分量形式为()。第一层到第层的权重矩阵为(,第二层到第三层的权重矩阵为()。权重矩阵的每一行为一个权重向量,是层所有神经元到本层某一个神经儿的连接权重,这里的上标表小层数如果激活函数选用函数,则第二层神经元的输出值为+(-(+0)+(1+(0)(-(()第三层神经元的输出值为如果把代入上面二式中,可以将输出向量表示成输出向量的函数。通过调整权重矩阵和偏置项可以实现不同的函数映射,因此神经网终就是一个复合函数需要解决的·个核心问题是·旦神经网络的结构(即神经元层数,每层神经元数量)桷定之后,怎样得到权重矩阵和偏置项。这些参数是通过训练得到的,这是本文推导的核心任务个简单的例子首先以前面的层神经网络为例,推导损失函数对神经网络所有参数梯度的计算方法假设训练样本集中有个样本()。其中为输入向量,为标签向量。现在要确定神经网络的映射函数:什么样的函数能很好的解释这批训练栟本?答案是神经网络的预测输出要尽可能的接近样本的标签值,即在训练集上最小化预测误差,如果使用均方误差,则优化的目标为:∑‖()-其中()和都是向量,求和项内部是向量的范数平方,即各个分量的平方和。上面的误差也称为欧氏距离损失函数,除此之外还可以使用其他损失函数,如交叉熵、对比损失等。优化目标函数的自变量是各层的权重矩阵和梯度向量,一般情况下无法保证目标函数是凸函数,因此这不是一个凸优化问题,有陷入局部极小值和鞍点的风险(对于这些概念和问题之前的公众号文章“理解梯度下降法”,“理解凸优化”中己经做了详细介绍)这是神经网络之前一直被诟病的一个问题。可以使用梯度下降法进行求解,使用梯度下降法需要计算出损失函数对所有权重矩阵、偏置向量的梯度值,接下来的关键是这些梯度值的计算。在这里我们先将问题简化,只考虑对单个样本的损失函数()-‖后面如果不加说明,都使用这种单样木的损失函数。如果计算出了对单个样木损失函数的棁度值,对这些梯度值计算均值即可得到整个目标函数的梯度值。和(要被代入到网络的后一层中,是复合函数的内层变量,我们先考虑外层的和。权重矩阵是一个x的矩阵,它的两个行分别为向量(和是个维的列向量,它的两个元素为()和()。网络的输入是向量,第一层映射之后的输出是向量首先计算损失函数对权重矩阵每个元素的偏导数,将欧氏距离损尖函数展开,有((+))(())6(如果,即对权重矩阵第行的元素求导,上式分了中的后半部分对来说是常数。根据链式法则有S()+()O如果,即对矩阵第二行的元素求导,类似的有:可以统一写成可以发现,第一个下标决定了权重矩阵的第行和偏置向量的第个分量,第二个下标决定了向量的第个分量。这可以看成是一个列向量与一个行向量相乘的结果,写成矩阵形式为上式中乘法⊙为向量对应元素相乘,第二个乘法是矩阵乘法。是个维列向量,+也是一个维列向量,两个向量执行⊙运算的结果还是个维列向量。是一个元素的列向量,其转置为维行向量,前面这个:维列向量与的乘积为的矩阵,这正好与矩阵的尺寸相等。在上面的公式中,权重的偏导数在求和项中由部分组成,分别是网络输出值与真实标签值的误差激活区数的导数+(),本层的输入值。神经网络的输出值、激活函数的导数值本层的输入值都可以在正向传播吋得到,因此可以晑效的计算出来。对所有训练样本的偏导数计算均值,可以得到总的偏导数对偏置项的偏导数为:如果上式分子中的后半部分对来说是常数,有:()⊥()如果类似的有这可以统写成:写成矩阵形式为偏置项的导数由两部分组成,分别是神经网络预测值与真实值之间的误差,激活函数的导数值,与权重矩阵的偏导数相比唯一的区别是少了。接下来计算对和的偏导数,由于是复合函数的内层,情况更为复杂。()是个的短阵,它的个行向量为(),(,(,(。偏置项()是维向量,个分量分别是(),(,(),(。首先计算损失函数对的元素的偏导数:而上式分子中的两部分都有,因此都与有关。为了表述简活,我们令:根据链式法则有:其巾((和和都是标量和()是两个()向量的内积,的每一个分量都是()的函数。接下来计算和这里的一是个向量,衣示的每个分量分别对求导。当时有:后面个分量相对于求导变量(都是常数。类似的当时有:()0)(()和时的结果以此类推。综合起来有:同理有:()十如果令合并得到()()[()-)。()。()写成矩阵形式为()最后计算偏置项的偏导数()类似的我们得到:合并后得到()写成矩阵形式为:(0)至此,我得到了这个简单网络对所有参数的偏导数,接下来我们将这种做法推广到更般的情况。从上面的结果可以看岀一个规律,输出层的权重矩阵和偏置向量梯度计算公式中共用了()-)()对」隐含层也有类似的结果完整的算法现在考虑一般的情况。假设有个训练样本(),其中为输入向量,为标签向量。训练的目标是最小化样木标签值与神经网络预测值之闩的误差,如果使用均方误差,则优化的目标为:其中为神经网络所有参数的集合,包括各层的权重和偏置。这个最优化问题是·个不带约束条件的问题,可以用梯度下降法求解。上面的误差函数定义在整个训练样本集上,梯度下降法每一次迭代利用了所有训练样本,称为批量棁度卜降法。如果样木数量很大,每次迭代都用所有样木进计算成木太高。为了解决这个问题,可以采用单样本梯度下降法,我们将上面的损失函数写成对单个样本的损失函数之和:定义对单个样本()的损失函数为)=-()如果采用单个样本进行迭代,梯度下降法第次迭代时参数的更新公式为:nV如果要用所有样本进行迭代,根据单个样本的损失函数梯度计算总损失梯度即可,即所有样本梯度的均值用梯度下降法求解需要初始化优化变量的值。一般初始化为一个随机数,如用正态分布(a)产生这些随机数,其中G是一个很小的正数到日前为止还有一个关键问题没有解决:日标函数是一个多层的复合函数,因为神经网络中每一层都有权重矩阵和偏置向量,且每一层的输出将会作为下一层的输入。因此,直接计算损失函数对所有权重和偏置的梚度很复杂,需要使用复合函数的求导公式进行递推计算几个重要的结论在进行推导之前,我们首先来看下面几种复合函数的求导。又如下线性映射函数:其中是维向量,是×的矩阵,是维向量。问题:假设有函数,如果把看成常数,看成的函数,如何根据函数对的梯度值Ⅴ计算函数对的梯度值Ⅴ?根据链式法则,由于只和有关,和其他的≠无关,因此有:c∑(对于的所有元素有:写成矩阵形式为:问题:如果将看成常数,将看成的函数,如何根据V计算Ⅴ?由于任意的和所有的都有关系,根据链式法则有写成矩阵形式为这是一个对称的结果,在计算函数映射时用矩阵乘以向量得到,在求梯度时用矩阵的转置乘以的梯度得到的梯度。问题:如果有向量到向量的映射:
- 2020-12-09下载
- 积分：1
|
联系客服（QQ：3324461878）
