OpenVINS实战指南:从环境搭建到RGB-D相机实时建图

OpenVINS 官方文档 第一部分 OpenVins官方文档 阅读详情

1. 初识OpenVINS:为什么选择它来做RGB-D建图?

大家好,我是老张,在机器人感知和视觉SLAM这块儿摸爬滚打了十来年。今天想和大家聊聊一个我个人非常喜欢,并且在项目里反复验证过的工具——OpenVINS。如果你正在为机器人、无人机或者AR/VR设备寻找一个稳定、高效的视觉惯性里程计(VIO)方案,特别是手头有像Intel RealSense D435i这样的RGB-D相机,那这篇文章可能就是为你准备的。

OpenVINS是什么?简单说,它是一个开源的视觉惯性状态估计器。它的核心是一个扩展卡尔曼滤波器(EKF),能把相机拍到的图像特征点和IMU(惯性测量单元)的数据巧妙地融合在一起,实时估算出设备在空间中的位置、姿态和速度。和那些基于优化的SLAM系统(比如VINS-Mono, ORB-SLAM3)相比,基于滤波器的OpenVINS计算量更可控,对硬件要求相对友好,在资源受限的嵌入式设备上跑起来也更“稳”。

那为什么特别适合RGB-D相机呢?传统的单目VIO有个老大难问题:尺度不确定性。单目相机没法直接知道一个像素点对应真实世界多远的距离,就像你闭上一只眼睛,很难准确判断一个物体离你有多远。而RGB-D相机(比如RealSense D系列)天生就自带一个深度传感器,能直接给出每个像素点的深度信息。OpenVINS能很好地利用这个深度信息,在系统启动的瞬间就确定正确的尺度,避免了单目系统那段令人头疼的“初始化漂移期”。实测下来,用D435i配合OpenVINS,在室内环境下,建图和定位的精度和稳定性都非常出色,对于做机器人自主导航或者AR场景构建的朋友来说,这无疑是个好消息。

2. 从零开始:搭建你的OpenVINS开发环境

万事开头难,环境配置是第一个坎。别担心,我带着你一步步走,把我踩过的坑都给你标出来。

2.1 系统与ROS基础

首先,我强烈推荐使用 Ubuntu 18.04 + ROS Melodic 这个组合。虽然新版的Ubuntu 20.04/22.04和ROS Noetic/Humble也能搞,但OpenVINS的一些依赖(尤其是某些版本的OpenCV)在旧系统上兼容性最好,能省去大量折腾的时间。如果你已经装好了ROS Melodic,那么恭喜你,基础工作完成了一大半。

接下来是安装一些通用依赖。打开终端,一条命令搞定:

sudo apt-get update
sudo apt-get install -y git cmake build-essential libeigen3-dev libboost-all-dev

2.2 搞定OpenCV:避开网络“墙”的坑

OpenVINS需要OpenCV来处理图像。ROS Melodic自带OpenCV 3.2,这个版本其实可以直接用,编译OpenVINS时能通过。但如果你想用更新的一些特性,或者未来做其他开发,可以自己安装OpenCV 3.4或4.x。这里有个经典大坑,就是编译OpenCV时下载ippicv等第三方库会失败,因为源文件在国外。

我的解决方案:别硬等它下载失败。先去网上(比如GitHub)搜索ippicv_2020_lnx_intel64_20191018_general.tgz这个文件,手动下载下来。然后找到你OpenCV编译目录下的3rdparty/ippicv文件夹,把下载好的文件放进去,并重命名为ippicv.cmake里期望的名字(通常是ippicv_2020_lnx_intel64_20191018_general.tgz)。接着重新cmake和make,就能顺利跳过了。这个法子百试百灵。

2.3 创建工作空间与克隆代码

现在来准备OpenVINS的家。我们创建一个Catkin工作空间:

mkdir -p ~/catkin_ov/src
cd ~/catkin_ov/src

克隆OpenVINS的代码。官方仓库在GitHub,国内访问可能慢,我们可以用Gitee的镜像:

git clone https://gitee.com/hongliyu-lvliyu/open_vins.git

克隆完成后,目录结构应该是~/catkin_ov/src/open_vins。

2.4 编译与第一个“拦路虎”

进入工作空间根目录,开始编译:

cd ~/catkin_ov
catkin build -DDISABLE_MATPLOTLIB=ON

这里加-DDISABLE_MATPLOTLIB=ON是因为默认的绘图工具可能带来额外的依赖问题,我们先关掉它,保证核心功能能先跑起来。

编译时你很可能遇到的第一个错误:提示‘ROS_ERROR’ was not declared in this scope。别慌,这个问题很常见。错误原因是某个源文件里用了ROS_ERROR打印日志,但没有包含ROS的头文件。

解决步骤:

  1. 根据编译错误提示的路径,找到那个.cpp文件。
  2. 打开它,在文件开头的#include区域,添加一行 #include <ros/ros.h>。
  3. 保存文件,重新执行catkin build。

可能遇到的第二个警告:WARNING: Your current environment‘s CMAKE_PREFIX_PATH is different from the cached CMAKE_PREFIX_PATH...。这个警告提示你环境变量有变化。最干净的处理方式是:

catkin clean
OpenVins解析:基于滤波框架的SLAM 这一方式存在的关键问题是匹配耗时很长,对性能影响显著。可以参考ORBSLAM3中的匹配方式来对其优化,比如左右目匹配可以在极线上搜索,前后帧可以利用运动先验投影匹配。理论上加入路标点会提升精度,代价是增加了计算量。着重说下基于描述子的匹配:OpenVins中匹配的方式是robust_match(),里面是调用的opencv的。openvins中不仅仅进行了传统的MSCKF更新(状态向量中不包含路标点),还在。中进行了包含路标点的估计更新。图像帧到来时,利用IMU递推得到的位姿给该图像帧赋初值。 阅读详情

相关推荐

不一样的静态初始化——OpenVins

今天讲一下黄国权老师实验室开源的OpenVins工程中的IMU初始化,一般VIO初始化分为两种,一种是静态初始化,一种是动态初始化,而OpenVins则利用加速度的方差差异将运动分为两种状态,一种是静止的,一种是刚开始运动的。个人比较符合应用情况,而且我觉得这个想法挺不错,很有意思。 VIO初始化就要任务一般是估计重力方向,速度,位置,IMU的偏置,尺度。而而在openvins中,只估计重力方向,IMU的偏置。 其实在代码里主要写了三个初始化模式,但是动态初始化好像没写出来,不知道现在有没有出来,大家可

半不闲居士的博客 5768

OpenVINS实操指南:从环境搭建到RGB-D相机实时建图

视觉惯性导航系统(VINS)作为机器人定位与环境感知的核心技术,通过融合IMU与相机数据,在无GPS场景下实现高精度姿态与轨迹估计。其中,基于MSCKF多状态约束卡尔曼滤波的滤波方案,凭借计算效率高、初始化速度快、对嵌入式平台友好等特点,在室内移动机器人、AR设备等领域具备显著工程优势,尤其适合与RGB-D深度相机结合的实时建图场景。本文从视觉惯性传感器融合的基础原理出发,系统讲解从Ubuntu环境配置、依赖库编译、官方数据集验证,到使用RealSense D435i完成相机内参与IMU外参标定、配置YAM

weixin_34203832的博客 519

OpenVINS实战指南:从环境搭建到RGB-D相机数据融合

本文提供了一份详细的OpenVINS实战指南,涵盖从环境搭建到RGB-D相机数据融合的全过程。文章首先介绍了OpenVINS作为基于MSCKF滤波器的开源VIO系统的优势,然后逐步指导读者完成Ubuntu/ROS环境配置、编译避坑、使用EuRoC数据集测试验证。核心部分详细讲解了如何连接Intel Realsense D435i等RGB-D相机,通过修改ROS话题实现实时数据流接入,并探讨了深度信息融合与稠密建图的进阶思路。

weixin_29269441的博客 464

手把手教你用D435i相机配置OpenVINS:从环境搭建到实时建图(避坑指南)

本文详细介绍了如何使用D435i相机配置OpenVINS,从环境搭建到实时建图的全流程指南。涵盖RGB-D相机设置、OpenVINS框架编译、设备连接与参数优化,提供实用的避坑技巧和性能优化建议,帮助开发者快速实现高效的视觉惯性SLAM系统。

r7s8t的博客 448

OpenVINS从零搭建到RGB-D实时建图:VIO原理、标定与避坑实践

在智能机器人导航与增强现实应用中,视觉SLAM作为核心的定位与建图技术,一直是工程落地的难点。传统的VIO方案在单目初始化、尺度收敛和弱纹理环境下常面临稳定性挑战。基于滤波框架的MSCKF(多状态约束卡尔曼滤波)通过滑动窗口维护相机位姿与IMU状态,在计算效率和鲁棒性之间取得了良好平衡。结合RGB-D深度信息,可以有效约束深度不确定性,提升低纹理场景下的位姿估计精度。本文从工程实践角度,详细阐述在Ubuntu 20.04与ROS Noetic环境下,从零编译OpenVINS、标定相机-IMU外参、配置RGB

weixin_34059951的博客 204

OpenVINS实战:基于MSCKF的RGB-D视觉惯性SLAM系统搭建

SLAM作为移动机器人定位与建图的核心技术,近年来在学术界和工业界都得到了广泛应用。视觉惯性导航系统通过融合相机与IMU数据,能够在无GPS环境下提供稳定的位姿估计,而卡尔曼滤波与图优化是其中两条主流技术路线。滤波方案具有计算开销可控、实时性强的特点,尤其适用于资源受限的嵌入式平台。在室内巡检、服务机器人等实际场景中,RGB-D相机凭借其直接获取深度信息的优势,与视觉惯性导航相结合,能够显著提升建图精度和鲁棒性。OpenVINS作为一套基于多状态约束卡尔曼滤波(MSCKF)的开源视觉惯性导航系统,对RGB-

weixin_33888907的博客 227

RGB-D相机建图——2、openvins安装、测试与连接自己设备

openvins项目链接:https://docs.openvins.com/ 项目内容:https : //github.com/rpng/open_ vins OpenVINS项目包含一些核心计算机视觉代码以及基于过滤器的最新视觉惯性估计器。核心滤波器是扩展卡尔曼滤波器,可将惯性信息与稀疏的视觉特征轨迹融合在一起。这些视觉特征轨迹是利用多状态约束卡尔曼滤波器(MSCKF)滑动窗口公式融合而成的,该公式允许3D特征更新状态估计,而无需直接估计滤波器中的特征状态。受到基于图的优化系统的启发,所包含的过滤器具

hongliyu_lvliyu的博客 3022

OpenVINS实战指南:从环境搭建到D435i相机实时建图

本文提供了一份详细的OpenVINS实战指南,涵盖从Ubuntu环境搭建、依赖安装、编译调试,到使用公开数据集进行功能测试的完整流程。重点介绍了如何配置Launch文件以连接Intel Realsense D435i这款RGB-D相机进行实时建图,并针对常见问题给出了解决方案,帮助开发者快速部署并运行这一视觉惯性里程计方案。

uuu88的博客 536

OpenVINS实战指南:RGB-D视觉惯性融合环境搭建与精度调优

视觉惯性里程计(VIO)是移动机器人自主定位的核心技术,其本质是通过相机与IMU的多传感器紧耦合,实现光照鲁棒、低漂移的实时位姿估计。OpenVINS作为开源VIO框架代表,以C++/ROS架构支持RGB-D深度约束、IMU预积分与滑动窗口优化,兼具工程可调试性与学术透明性。相比纯视觉SLAM易受光照影响、纯IMU积分快速发散,OpenVINS通过深度引导的特征三维重建、外参标定驱动的坐标系对齐、以及噪声模型适配的残差联合优化,在室内导航、巡检机器人、无人机定位等场景中展现出高精度与强稳定性。本文聚焦Ubu

weixin_29192365的博客 258

OpenVINS环境搭建避雷手册:从CMake报错到RViz可视化完整指南

本文详细介绍了在Ubuntu系统上部署OpenVINS视觉惯性里程计并与RGB-D相机(如RealSense D435i)连接的完整避坑指南。内容涵盖从环境依赖安装、CMake编译报错解决、数据集测试验证,到相机驱动配置、内外参标定、参数文件修改及RViz可视化调试的全流程实战经验,帮助开发者高效完成OpenVINS环境搭建与设备连接。

2w3e4r5t6y的博客 793

OpenVINS+RGB-D实战:Ubuntu20.04+ROS2 Humble环境搭建与紧耦合VIO部署

视觉惯性里程计(VIO)是机器人高精度定位的核心技术,其本质是通过融合相机与IMU的异构数据,在非线性优化框架下联合估计位姿与传感器偏差。OpenVINS作为工业级开源VIO代表,以紧耦合架构、精细IMU噪声建模和Ceres优化器支撑真实场景鲁棒性;而RGB-D相机则通过提供像素级深度测量,显著提升初始化速度与低纹理环境适应力。该方案广泛应用于无人机导航、移动机器人SLAM及AR空间定位等工程场景。本文聚焦于Ubuntu 20.04与ROS2 Humble环境下OpenVINS与RGB-D的端到端集成,涵盖

weixin_28721917的博客 194

OpenVINS+RGB-D实战:嵌入式平台高鲁棒视觉惯性里程计搭建指南

视觉惯性里程计(VIO)是机器人自主导航与AR空间定位的核心技术,其本质是融合相机与IMU数据实现尺度可观测的实时位姿估计。OpenVINS作为面向嵌入式部署的开源VIO框架,通过显式建模IMU噪声、支持因子图优化及原生ROS集成,显著提升了在Jetson Nano等资源受限平台上的稳定性与复现性。结合RGB-D相机(如RealSense D435),可利用深度图提供绝对尺度约束,有效抑制纯VIO固有的尺度漂移,并增强纹理缺失场景下的鲁棒性。本文聚焦Ubuntu 20.04环境下OpenVINS与RGB-D

weixin_29190651的博客 62

滤波vs优化SLAM终极对决:从OpenVINS到VINS-Mono的5个关键性能对比实验

本文通过对比OpenVINS与VINS-Mono在TUM-VI数据集上的5个关键性能指标,深入分析了滤波框架与优化SLAM的优劣。实验结果显示,OpenVINS在计算效率和内存占用上表现更优,而VINS-Mono在轨迹精度方面更具优势。文章为工程师提供了在不同场景下的SLAM算法选型建议,并分享了参数调优技巧和评测工具使用指南。

weixin_29054195的博客 279

优化NEXYS A7开发板(Xilinx Artix-7)Microblaze核的FLASH读写性能实战

本文针对NEXYS A7开发板(Xilinx Artix-7)上Microblaze核读写FLASH速度慢的问题,提供了系统性的优化实战指南。通过深入分析SPI控制器配置、Flash指令模式选择、Microblaze核的Cache与硬件加速器优化,以及程序运行位置(BRAM vs DDR)的调整,有效将FLASH读写性能从“龟速”提升至接近理论峰值。文章结合实测数据,为FPGA嵌入式开发者提供了清晰的性能瓶颈分析与解决方案。

carrot的博客 259

天线学习笔记——串馈网络设计

工程中通常更倾向于使用50Ω、70.7Ω、100Ω的固定阻抗的带宽,实际中可以分别使用固定阻抗的带宽和计算得到的带宽进行仿真,观察二者的性能,取性能更优者即可。本系列是一个记录天线设计的笔记,分享出来也希望能够帮助到大家,后续本系列文章还会不定期更新,如有需要可关注,任何问题均可在评论区或私信提出,看到必回。如果对大家有帮助可进行打赏哦~

Ethan的博客 7885

MobaXterm破解14个会话限制的保姆级教程(附Python环境配置指南)

本文提供了MobaXterm破解14个会话限制的详细教程,并深入讲解了如何配置稳定的Python环境以支持相关脚本运行。通过理解软件授权机制、安全实践步骤以及许可文件的应用,帮助用户解除会话数量限制,实现高效的远程服务器管理与自动化运维。

weixin_29211309的博客 1694

PyInstaller打包后在Win7无法运行,提示缺少`api-ms-win-core-path-l1-1-0.dll`问题解决

这个问题的关键在于Python 3.12和Windows 7之间的兼容性问题。解决方法是使用Python 3.8.8版本进行打包,确保程序能够在Windows 7系统上运行。如果你也遇到类似的问题,不妨尝试降级Python版本,看看是否能够解决。希望我的经验能够帮到你!如果你在使用PyInstaller打包时遇到其他问题,欢迎留言讨论。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 999

2024年 Flutter 面试题大全(2024.6.28持续更新中)

2024年 Flutter 面试题大全(持续更新中)

Code Metaverse 6672

Cesium中级开发教程之五十二:气泡弹窗

支持多种交互方式触发气泡弹窗显示,如鼠标悬停、点击地图上的特定元素(像实体、标注、模型等)。例如,当用户鼠标悬停在一个表示城市的点上时,弹出显示该城市名称、人口等信息的气泡。:依据特定的数据条件或业务逻辑触发。比如,当某个区域的气象数据达到一定阈值时,自动弹出显示相关气象预警信息的气泡。

665

在 Eclipse 中接入 DeepSeek:开启 Java 开发新效率

DeepSeek 能够根据自然语言描述,精准生成高质量的 Java 代码片段。无论是简单的方法编写,比如 “编写一个 Java 方法,用于计算两个整数的乘积”,还是复杂的类和功能模块创建,例如 “创建一个 Java 类,实现文件的读写操作,并包含异常处理机制”,它都能快速给出合理且可运行的代码示例。DeepSeek 生成的代码不仅实现了基本功能,还遵循 Java 的编码规范,添加了必要的注释,让代码更易于理解和维护,大大节省了开发者从头编写代码的时间和精力。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 4071

【GLM5】手把手教你在openclaw中白嫖英伟达羊毛

openclaw很强,但是也很贵,每一次请求都会消耗大量的token。而英伟达平台正好可以白嫖免费的模型,于是,我们一拍即合。

Science prince的博客 3821

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。

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

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")

上一篇: SQLite3在嵌入式开发中的实战应用与性能优化
下一篇: CentOS9 Stream下Edge浏览器的安全安装与权限管理指南
L oiey
博客等级 码龄10年 37粉丝 1691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