全栈开发之基于云开发实现微信聊天功能

微信小程序聊天室(云开发) 在写聊天是之前我们可以先看一需要建四个云数据表,user(用户列表),qunList (群列表),qunUserList(群用户列表),news(消息列表)接下来就是页面布局,这个布局看个人其需求我这里就讲讲大概逻辑,数据的增删改查我上篇文章已经讲过了,今天我就不详细写了 一.登录 1.必须有个授权按钮,授权之后将用户基本信息跟opinId存入缓... 阅读详情

大家好,好久没有更新博文了,最近主要是有一些学校的比赛,所以比较忙,请大家多多原谅!

本文主要讲述基于云开发实现全栈开发,并实现微信/qq以及其他交友软件的聊天功能。

我把它嵌入到了我之前写的程序里面的一个功能模块,并将之前的程序提升到了2.1.0版本!

同时也欢迎大家来从我的1.0版本看起,会更加的帮助我们沥青此程序的开发思路!

基于微信小程序云开发(校园许愿墙app)妄想替代学校的表白墙_lqj_本人的博客-CSDN博客
基于微信小程序云开发(校园许愿墙app)2.0稳定版,以发布上线_lqj_本人的博客-CSDN博客
 

 

目录

 主要功能

效果展示

 主要的思路

部分重要源代码


 主要功能

1.注册:本次更新的功能主要是在底部功能栏添加一个通信功能,将其添加两个选项“登录”及“注册”,我们如果没有账号时,我们可以通过“注册”这个选项通道来先注册,当我们注册完之后呢,他会自动实现一个跳转到“登录” 的页面,然后我们可以登录了,当我们登录时,在登陆下面有一个试试刷新的你的账号、用户名、密码、继承微信的头像的显示!

2.登录:这里的账号是通过一个事件的来随机生成的number类型的一串数,所以每一个注册的用户都不相同!所以我们通过该功能可以实现一个搜索模块,通过注册时生成的唯一的账号。

3.列表生成:并有一个总的列表的页面作为,本程序的三级子页面,主要来存放“新的朋友”功能块、“消息列表”功能块、“全部推荐”的功能块、“我的好友”功能块。

4.新的朋友:当我们点击新的朋友时,会进入本程序的四级子页面,其中有两个功能块“搜索新朋友”与“申请好友列表”

4-1.搜索新朋友:

        1.我们可以通过我峨嵋你登录时,手动返回登录界面的方式来获取注册时系统帮我们生成唯一的账号!

        2.也可以通过,返回到手动返回总列表的页面在“全部推荐"中查看我们全部注册的用户!

4-2.申请好友:当我们完成上一步搜索新的朋友并点击添加时,这时页面会进行自动返回到上一个页面,同时你申请为好友的那个人,“新的朋友”这个页面的“申请好友”这个功能块中会显示,主动邀请成为好友的那个人的头像以及昵称!

5.消息列表:当我们在总列表的功能也点击进入“消息列表”时,我们与好友之间的聊天记录都会记录在里面并且将最新的一天聊天记录显示在页面指定的位置,并实现一个聊天事件的记录,在数据库中成逆序排列,可以实现一个最新时间的显示!

6.实时通信:当我们通过“消息列表”或者“总列表”里的“我的好友”功能块的“聊天”按钮进去“试试通信”页面,这里我们可以像微信或qq一样进行好友与好友之间的实时通信!

效果展示

一级页面的两个通道,目前已实现通道一的所有功能块!

 二级页面中两个按钮可以实现上述“主要功能”里面的登录功能以及注册功能的跳转!

注册功能页面,实现新用户的注册功能!

 三级页面:登录功能页面,实现老用户的登录功能!

 三级页面:当我们输入账号密码时,下方会出现自己的信息!(账号、用户名、密码、头像、继承的微信昵称)!

 

 四级页面“:总列表功能集合页面,包括了“新的朋友”、“消息列表”、"全部推荐",“我的好友”

 

五级页面:”搜索新朋友“功能页面,通过好友唯一账号的搜索来实现实现搜索,并将其搜索的结构渲染到页面上,并进行判断都是已经为好友,或者正在盛情好友中,如果时满足前面的两个条件中的任意一个条件,添加好友的按钮就会变为文字,并不能使用按钮再次添加该好友!

五级页面:通过”我的好友“功能页面进入也可以,通过”消息列表“进入也可以!

实现一个与好友实时聊天的功能!

 主要的思路

进入最初页面:

1.我们需要在此程序原有的2.0版本的基础上,在添加两个数据库:

一个为:record主要存储添加好友以及聊天功能的数据记录

另一个为:users主要存储用户的注册以及登录的数据记录

2.登录时,会传该用户的数据进入users数据库中,先进一个该用户数据的存储!

3.你的信息的显示,根据2.的登录时传进数据库中的数据,来进行页面的实时渲染

然后进入总列表页面:

4.全部推荐,也是通过2.的登录时传入数据库中的数据,来进行”选择性的渲染“用户数据!

5-1.新的朋友,点击时还会进入它的下一级页面,我们可以通过搜索登录时存入数据库中的num

 这个生成的唯一的数值,来进行一个好友搜索!

5-2.判断是否为好友,我们通过一个record里面的一个参数来判断,当这个参数之为0时,就是你与你要申请的好友处于一个未添加或者正在申请中的状态,如果当这个参数为1时,就是你与医药申请的好友处于一个已经添加完成的状态,此时判断结果过打印出来,并渲染到页面上,体现”正在申请中“或”已是好友“!

5-3.申请好友列表,我们通过两个不同的用户来进行设计两个不同的名称但是类型一致的参数:

这里的userA与userB是在申请好友阶段的相同类型的参数,userA代表主动发起申请的用户,userB代表被动接收申请的用户!

我们同时,也是在进行的一个判断

如果数值为是1,说明已经是好友,不被渲染到被动受申请者的”申请好友列表“中,反之则会被渲染到页面中!

6.消息页面,当点击进入消息页面时,我们会看到我们所有的与好友的通信的聊天记录以及最新的聊天记录的时间,(因为这里的时间成逆序排列,所以会实现一个最新的时间)!

7.聊天页面,当我们点击进入聊天页面时,我们发送信息会存储在record这个参数下面,并用一个定时器来进行间隔每1秒的刷新,做到真正的同步实时刷新你与好友的聊天内容!

部分重要源代码

注册时自动生成账号:

    var that = this;
    wx.cloud.database().collection('chat_users').add({
      data:{
        num:Date.now(),//自动生长账号
        faceImg:that.data.userInfo.avatarUrl,
        nickName:that.data.userInfo.nickName,
        admin:that.data.zh,
        Password:that.data.pas1
      },
      success(res){
        wx.cloud.database().collection('chat_users').doc(res._id).get({
          success:function(res){
            console.log(res)
            app.globalData.userInfo = res.data
          }
        })
        console.log(res)
        wx.navigateTo({
          url: '../denglu/denglu',
          success(){
            wx.showToast({
              title: '注册成功',
            })
          }
        })
        // app.globalData.userInfo = res.data
        
      }
    })

添加好友:

  addFriend(e){
    // console.log(e.currentTarget.dataset.index)
    // console.log('打印申请好友用户',app.globalData.userInfo[0].admin)
    var index = e.currentTarget.dataset.index
    var that = this;
    console.log('打印被申请好友的用户',that.data.userList[index].admin)
    wx.cloud.database().collection('chat_record').add({
      data:{
        //因为这里是申请好友的用户,所以同一时间只能有一个用户账号作为一个用户账户去申请,所以我们这里只要获取到下标为0的数组数据就可以了
        userA_admin: app.globalData.userInfo.admin,
        userA_id: app.globalData.userInfo._id,
        userA_faceImg: app.globalData.userInfo.faceImg,
        userA_nickName: app.globalData.userInfo.nickName,

        userB_admin: that.data.userList[index].admin,
        userB_id: that.data.userList[index]._id,
        userB_faceImg: that.data.userList[index].faceImg,
        userB_nickName: that.data.userList[index].nickName,

        record:[],//聊天记录[]
        friend_status:0,//0:申请中,1:已经是好友
        time:util.formatTime(new Date())
      },
      success(res){
        console.log(res)
        wx.navigateBack({
          delta:0,
          success(){
            wx.showToast({
              title: '已发送添加申请',
            })
          }
        })
      }
    })
  },

发送聊天信息:

publishChat(){
    var that = this;
      // console.log(that.data.recordId)
      var that = this;
      wx.cloud.database().collection('chat_record').doc(that.data.recordId).get({
        success(res){
          console.log('对话',res)
          var record = res.data.record

          var msg = {}
          msg.userId = app.globalData.userInfo._id
          msg.nickName = app.globalData.userInfo.nickName
          msg.admin = app.globalData.userInfo.admin
          msg.faceImg = app.globalData.userInfo.faceImg
          msg.openid = app.globalData._id
          msg.text = that.data.inputValue
          msg.time = util.formatTime(new Date())
          // msg.toOpenid = that.data.toOpenid
          // msg.toNickname = that.data.toNickname

          record.push(msg)
          wx.cloud.database().collection('chat_record').doc(that.data.recordId).update({
            data: {
              record: record
            },
            success(res){
              console.log(res)
              wx.showToast({
                title: '发送成功!',
              })
              //刷新页面
              that.getChatRecord()

              that.setData({
                inputValue :'',
                plcaceHolder:'信息'
              })
            }
          })


        }
      })

    


  },

时间戳:

const formatTime = date => {
  const year = date.getFullYear()
  const month = date.getMonth() + 1
  const day = date.getDate()
  const hour = date.getHours()
  const minute = date.getMinutes()
  const second = date.getSeconds()

  return `${[year, month, day].map(formatNumber).join('/')} ${[hour, minute, second].map(formatNumber).join(':')}`
}

const formatNumber = n => {
  n = n.toString()
  return n[1] ? n : `0${n}`
}

module.exports = {
  formatTime: formatTime,
  }

消息列表:

  getMyFriend(){
    var that = this;
     const _ = wx.cloud.database().command
      wx.cloud.database().collection('chat_record').where(
        _.or([
          {
          userA_id:app.globalData.userInfo._id,
          friend_status:1
        },{
          userB_id:app.globalData.userInfo._id,
          friend_status:1
        }
      ])
      )
      .orderBy('time','desc')
      .get({
        success(res){
          console.log(res)
          that.setData({
            myMsgList:res.data
          })
        }
      })
  }, 

根据用户的不同跳转:

  toChat(e){
    console.log(e.currentTarget.dataset.id)
    wx.navigateTo({
      url: '../chat/chat?id='+e.currentTarget.dataset.id,
    })
  },

 

 

想要源码的同学,可以私我(部分内容有偿)!

微信小程序云开发watch实现用户一对一实时聊天 首先看一下具体实现效果 阅读详情

相关推荐

微信小程序用云开发实现多人聊天2020/05/21

微信小程序用云开发实现多人聊天室微信小程序用云开发实现多人聊天2020/05/21效果图片jswxmlwxss 微信小程序用云开发实现多人聊天2020/05/21 用微信云开发实现聊天室 无需后台 新手也能开发直接的聊天室,话不多说直接上效果图和代码(也可以私信我一对一教学哦) 效果图片 js //index.js const db = wx.cloud.database() const chatroomCollection = db.collection("chatroom") var util = r

mygame668的博客 2666

微信、QQ聊天是怎么实现的?原来这么简单!!!

自己动手做制作聊天室。利用C#制作的聊天室。实现QQ和微信聊天的功能。C#课程设计,软件工程课程设计。

5561

云开发让 Unity 微信小游戏实时聊起来

本故事主要聊的是在使用 Unity 开发微信小游戏过程中,如何使用云开发来给小游戏增添一抹实时互动的亮色(比如实时聊天)

daigua245 1580

扒一扒微信后台架构

我知道很多同学对微信后台很感兴趣,所以打算整理一些微信后台的技术栈,以及架构演进的历程。偶尔也会写点自己在后台开发时的一些体验。下面开始第一篇吧,先给大家介绍下微信早期后台是如何从0到1的。2个月的开发时间,微信后台系统经历了从0到1的过程。从小步慢跑到快速成长,经历了平台化到走出国门,微信交出的这份优异答卷,解题思路是怎样的?作者 | 张文瑞阶段一:从无到有2011.1.21 微信正式发布。这一天距离微信项目启动日约为2个月。

z_ssyy的博客 3418

校园社团小程序:云开发全栈实战源码

在当今信息化时代,微信小程序以其即用即走的便捷性,成为移动应用市场的新宠。作为开发者,掌握微信小程序开发技能,无疑将开启一个全新的机遇之门。本章将简要介绍微信小程序开发的背景、核心特点和开发流程,为后续章节的技术深入和应用实践打下坚实基础。微信小程序,作为微信生态中的一环,以无需下载安装、用完即走的特点,迅速融入人们的日常生活中。它为用户提供了便捷的服务接入方式,同时也为企业和个人开发者提供了新的业务渠道和流量入口。在开发微信小程序时,需要掌握微信官方提供的开发工具、API以及小程序框架。

weixin_35754676的博客 1235

微信小程序云开发实现一对一即时聊天,发送语音、文件、图片、添加好友等功能

利用云开发的即时通信demo做的仿照微信好友聊天。 实现 即时通信,即时发送文件,即时发送语音,更换聊天背景图、发送朋友圈(图片,视频等),利用订阅消息发送好友申请的通知。 可以直接部署,具体的文章请看我的两篇 博客: 1. https://blog.csdn.net/weixin_41595277/article/details/102765508 2. https://blog.csdn.net/weixin_41595277/article/details/105350374

两个人微信聊天的数据是如何传输的?底层原理是什么?

移动网络或Wi-Fi就像是很多的“传话人”,他们会把你的电子信号传递给一个更大的“传话网络”,这个网络是由很多很多的电脑和服务器组成的,它们被称为“互联网”。同样地,当你的朋友回复你时,他的手机也会把这个回复转换成电子信号,然后再通过移动网络、互联网和你的手机,最后又回到你的手机上变成你可以读懂的文字或图片。然后,那个服务器又会把你的电子信号发送给你朋友的手机。当电子信号到达你朋友的手机时,他的手机会立刻把这种电子信号变回成我们可以读懂的文字或图片,这样你的朋友就能看到你发来的消息了!

长风破浪会有时的博客 3617

逐行逐句进一步了解SurroundOcc(一)

通过分析中的模型构建过程,理解了从配置文件到模型实例化的整个流程。构建过程的核心是通过build和等函数,逐步将配置文件解析并生成模型的各个模块对象,最终组合成一个完整的模型结构。这一过程涉及多个类和函数的调用,其中函数是生成对象的关键,它能够从配置字典中提取必要信息并生成对应的类实例。

lovely_yoshino的博客 8114

微信小程序开发中的实时聊天和即时通讯

这里我们使用了 Express.js 框架来搭建服务器,使用 Mongoose 来连接 MongoDB 数据库,使用 Socket.IO 来实现实时通信功能。在本篇文章中,我将为您详细介绍如何实现实时聊天和即时通讯的功能,并提供代码案例进行演示。在选择模板界面,可以选择合适的模板,或者点击 "不使用模板" 直接创建空白项目。事件,分别在连接建立时输出一条消息,并在收到消息时将其添加到页面的数据中,以便在页面中显示。如果找到了匹配的用户,我们返回一个成功的响应,否则返回一个错误的响应。

qq_67153941的博客 3764

模型算力需求估算

(Billion Parameters,简称B)和训练/推理的计算任务复杂度,结合硬件计算能力(例如每秒浮点运算次数,FLOPS)来估算。以下是详细的方法和公式说明,以及实际的计算示例。算力需求的估算依赖于参数量、模型架构及硬件性能,结合训练/推理场景的特定要求来计算。通过上述公式和示例,我们可以定量分析不同任务的算力需求,并合理配置硬件资源以优化运行效率。结论:推理任务相对较轻,单台H100可以在30秒内完成此任务。推理算力需求一般远低于训练,因为只需要执行前向传播。,可以将训练时间缩短到约。

形上得其象,形下合于数;阴阳自济,玄理自明。 8976

从0到1搭建StarRocks3.4.1存算一体架构(VM 虚拟机版)

本文详细介绍了如何在VM虚拟机上从零搭建StarRocks 3.4.1存算一体架构。首先阐述了StarRocks作为高性能分布式SQL数据仓库的优势,重点讲解了其存算一体架构的设计原理。随后提供完整的安装指南,包括环境准备(3台CentOS 8虚拟机配置)、网络互通验证、Java环境配置、软件包解压安装等关键步骤。文章特别详细说明了FE和BE节点的配置文件修改(fe.conf和be.conf)以及必要的防火墙端口开放配置。通过图文并茂的方式,帮助开发者和运维人员快速掌握StarRocks集群部署方法,为后续

小 tom的博客 1336

模拟实现微信聊天

当客户进程发出的连接请求被服务器拒绝,Socket构造方法就会抛出ConnectionException。电脑的IP地址192.168.21.19,端口号60088(此处填写自己的)ServerSocket负责接收客户连接请求。60088是自己电脑的端口号(此处填写自己的)因为会有网络异常,所以把对象直接写在try{有人连接的话阔以输出一下有人连接。使用Scanner键盘输入信息。使用Scanner键盘输入信息。关闭打印流,,服务端写完啦。键盘输入信息并答应出信息。

weixin_65229471的博客 706

dify智能体:日志管理与标注功能详解

日志管理与标注功能是优化聊天助手、Agent、文本生成应用、Chatflow 和工作流等工具交互体验的关键。日志管理允许用户查看、修改和标注日志,帮助回顾和优化交互内容。用户可以通过点击👍或👎按钮快速标注满意度,标注后的日志可用于后续优化和分析。标注功能则支持用户对交互内容进行标记和调整,以提升模型输出质量。此外,用户还可以调整界面语言和时区设置,确保在熟悉的环境中操作。这些功能共同作用,显著提升了交互体验和模型性能。

zyx_bx的博客 2716

微信小程序校园跳蚤市场:云开发全栈实战与性能优化

微信小程序云开发为校园二手交易提供了免运维、低成本的全栈解决方案。其核心原理在于通过云函数、云数据库和云存储实现后端逻辑,利用微信原生鉴权体系保障用户身份安全。技术价值体现在快速构建高信任、强时效的交易场景,如校园跳蚤市场,能有效解决信息沉没、匹配低效和履约困难等痛点。应用场景包括商品发布、列表搜索、实时聊天和订单状态流转。本文深入探讨了基于云开发的校园二手系统架构设计、核心功能落地细节及典型性能优化实录,为开发者提供从能跑到好用的工程实践指南。

weixin_28695161的博客 63

Qt —— 百度地图 - 3、Qt调用高德在线地图功能示例(附源码)

Qt - 地图相关 —— 3、Qt调用高德在线地图功能示例(附源码)

498

26、特洛伊木马:威胁与防范

本文详细介绍了多种常见的特洛伊木马,包括RegForm、ProMail和远程访问特洛伊木马(RATs),并分析了其工作原理与危害。重点讲解了著名RATs如Back Orifice、SubSeven和The Thing的技术特点,揭示了黑客编写特洛伊木马的常用语言与方法。同时,提供了有效的防范策略,如谨慎获取软件、使用回滚程序、杀毒软件、防火墙及反特洛伊木马程序,并通过流程图展示了防御机制。旨在帮助用户识别威胁并加强系统安全防护。

e3f4g5的博客 89

微信小程序云开发实现一对一聊天

微信小程序云开发实现一对一聊天 有的时候小程序可以会涉及到聊天,评论的等功能,像博客,外卖平台等。这篇文章就先介绍的怎样借助云开发实现即时一对一,不同场景的聊天的功能。 首先要创建创建一个新的云开发的小程序。我们可以借助云开发的即时通信模板来实现我们自己的功能。如果你不知道云开发怎么使用,可以去查看开发文档。 会看到控制台出现了开始监听等信息,这是利用的 Collection.watch。具体.........

欢迎光临 2万+

使用Mask2Former和X-Decoder训练自定义数据集及结果复现报告

本报告记录了使用MMDetection框架中的Mask2Former和X-Decoder模型在自定义数据集上的训练过程。报告包含环境配置、数据集准备、模型训练与优化(解决了Mask2Former的PQ值异常问题)、性能评估等关键环节。详细展示了从数据集转换(将客户提供的COCO格式数据适配MMDetection框架)、配置文件修改、到最终模型训练和评估的全流程。特别针对Mask2Former训练中的PQ值异常问题提供了解决方案,并对比了两种模型在自定义数据集上的表现。报告还包含完整的代码实现和技术细节。

huanghm88的专栏 1118

微信小程序利用云开发实现聊天室功能

相比传统的websoket,提供一种简单的利用腾讯云环境的开发思路 1.配置云开发环境,新建小程序项目的时候后端服务选择云开发,如下图 进入项目后创建云开发环境并将cloudfunctions文件绑定在该环境下(参考https://blog.csdn.net/qq_39635610/article/details/84256636),具体配置步骤见该链接, https://www.jia...

Robin思源的博客 8723

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

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")

借助云开发,利用订阅消息,云函数路由实现小程序好友一对一聊天,添加好友等仿微信功能

借助微信小程序云开发,利用订阅消息,云函数路由实现小程序好友一对一聊天,添加好友等仿微信功能

欢迎光临 6164

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

uniapp使用微信小程序云开发实时聊天

效果: 步骤一:对微信小程序 (1)创建微信云开发项目(2)创建云环境(后续将用到云环境ID) (3)将云函数上传部署 (后续会用到云函数openid等) (4)创建集合(示例counters集合) 步骤二:对uniapp 预实现操作微信云数据库 (1)创建uniapp项目 (2)并复制微信云开发项目的APPID到uniapp项目 (3)初始化云环境(在app.vue填写微信小程序创建云环境使用的云环境ID) 创建一个vue文件,尝试连接数据库 template代码 <button

qq_42453562的博客 2272

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

微信小程序 云开发 聊天功能

微信小程序即时聊天可发文字图片语音视频文件

Abotes的博客 4328

微信小程序-云开发上传文件、图片

一、前言 今天的博客所实现的功能很简单,但是也很常用。 本文将这常用的代码进行了封装,可以放入自己utils类中使用,加快开发速度。 实现的功能有两个: 一、选择微信聊天文件并上传。 二、选择本地相册/拍摄图片上传。 当然,看标题就知道是基于云开发的环境之下实现的了。 话不多说,进入正文。 二、功能简介 1、选择微信聊天记录中的文件 有时候小程序的使用场景是需要用户上传手机的文件,特别是excel、word、PDF等类型的文件。如果选择让用户从本地文件夹里面去找,显然有点困难。当然,不仅仅只能选择文件,还可

SuperYang的博客 8991

微信小程序云开发实现一对一即时聊天,发送语音、文件、图片、朋友圈、添加好友等功能

利用云开发的即时通信demo做的仿照微信好友聊天。群聊、私聊、订阅消息、添加好友等

欢迎光临 1万+

微信小程序云开发实现上传文件和预览下载文件

微信小程序云开发实现上传文件和预览下载文件 一.前言 目前微信提供了一个接口 wx.chooseMessageFile 它能让用户从聊天记录里面选择一个或者多个文件,然后返回它的一些信息,列入文件的path地址,文件名,文件的大小等。 获取这些信息再结合微信云开发提供的上传接口wx.cloud.uploadFile,即可实现文件上传。 下载需要微信提供的wx.downloadFile,预览需要微信...

Fdh_Cola_ice的博客 8321
上一篇: 基于js原生算法+cocos游戏引擎+uni框架Cloud托管网页:开发2048小游戏域名发布版本
下一篇: python开篇——初识python
淼学派对
淼学派对 2023年新星计划导师 2023年新星计划导师
博客等级 码龄5年 2万+粉丝 590原创
评论 12
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

打赏作者

淼学派对

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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