从零到一:使用Phaser 3框架开发微信小游戏全流程指南

AI+Phaser复刻羊了个羊:人机协作游戏开发实战 在游戏开发领域,消除类游戏因其直观的玩法和广泛的受众基础,一直是热门的技术实践方向。其核心原理通常涉及状态管理、数据结构和渲染优化,技术价值在于能够高效处理大量游戏对象与复杂交互逻辑。在实际应用场景中,独立开发者或小团队常面临关卡设计耗时和美术资源匮乏的挑战。本文以现象级消除游戏“羊了个羊”为案例,展示了如何利用多模态大模型进行关卡原型设计和美术资源生成,并结合Phaser游戏引擎实现高效渲染与交互。通过引入AI辅助工作流,开发者可以将精力聚焦于核心玩法调优与性能优化,例如在微信小游戏平台中,通过纹理图集和 阅读详情

1. 项目概述与核心价值

最近几年,微信小游戏凭借其无需下载、即点即玩的特性,成为了一个巨大的流量入口和开发者新宠。无论是个人开发者想做个创意小游戏,还是企业想快速验证一个轻量级玩法,微信小游戏都是一个绝佳的起点。但很多朋友一听到“游戏开发”就觉得门槛高,被Unity、Cocos这些引擎的复杂性劝退。其实,对于2D小游戏,尤其是H5游戏,有一个更轻量、更易上手的选择:Phaser 3。

Phaser 3是一个纯JavaScript的2D游戏框架,它封装了Canvas和WebGL渲染,提供了精灵、动画、物理、输入、声音等一整套游戏开发所需的核心模块。它的API设计非常友好,文档也相当详尽,特别适合前端开发者或者想快速入门的游戏爱好者。而微信小游戏本质上就是一个特殊环境的JavaScript运行时,这使得Phaser 3与微信小游戏的结合变得顺理成章。

这个教程的目标,就是带你从零开始,手把手地走通整个流程:从安装微信开发者工具和配置Phaser 3开始,到编写第一个“Hello World”游戏场景,再到处理微信小游戏平台的适配与发布。整个过程我会尽量拆解得足够细,把每一步的原理和可能遇到的坑都讲清楚。即使你之前没有任何游戏开发经验,只要对JavaScript有基本了解,跟着做下来,你就能拥有一个可以跑在微信里的、属于自己的小游戏。这不仅仅是完成一个Demo,更是为你打开一扇通往微信小游戏开发世界的大门。

2. 开发环境搭建与工具选型解析

2.1 核心工具:微信开发者工具与Node.js

工欲善其事,必先利其器。我们第一个要安装的就是微信开发者工具。这是微信官方提供的集成开发环境(IDE),它不仅用于小程序的开发调试,也完全支持小游戏项目。它的核心价值在于提供了真机预览、调试、上传代码等一站式功能。去微信公众平台官网的“工具”栏目就能下载到最新版本。安装过程很简单,一路下一步即可。安装完成后,你需要用微信扫码登录,这样才能使用云开发、真机调试等高级功能。

注意:请务必从微信官方渠道下载开发者工具。网络上流传的一些“绿色版”或“破解版”可能包含恶意代码,或者版本过旧无法适配最新的平台接口,存在安全与兼容性风险。

第二个必备工具是Node.js。Phaser 3虽然可以直接通过 <script> 标签引入使用,但为了更现代的工程化开发体验(比如使用ES6模块、npm包管理、本地热更新服务器等),我们强烈推荐安装Node.js。它自带了npm(Node Package Manager)工具,是我们获取Phaser 3库和其他依赖的关键。前往Node.js官网下载LTS(长期支持)版本安装即可。安装完成后,打开命令行终端(Windows的CMD或PowerShell,Mac的Terminal),输入 node -v 和 npm -v ,如果能显示出版本号,说明安装成功。

2.2 项目初始化与Phaser 3引入

环境准备好后,我们开始创建项目。首先,在你的电脑上找一个合适的位置,新建一个文件夹,名字可以叫 my-first-wechat-game 。然后,在这个文件夹里,我们再创建几个子文件夹来组织代码结构: js 用于存放我们的游戏逻辑JavaScript文件, assets 用于存放图片、音频等资源文件。

接下来,我们需要引入Phaser 3。有两种主流方式:

  1. CDN直接引用(适合快速原型) :在项目的 index.html (稍后创建)中,通过 <script> 标签引入Phaser的CDN链接。这种方式最简单,但不利于版本管理和离线开发。
  2. 通过npm安装(推荐用于正式项目) :在项目根目录打开终端,运行 npm init -y 快速创建一个 package.json 文件来管理项目依赖。然后运行 npm install phaser 。这会将Phaser 3库下载到本地的 node_modules 文件夹中。

对于微信小游戏开发,我强烈推荐第二种方式。因为微信小游戏有代码包大小限制(最初4MB,通过分包可以扩展),使用npm安装后,我们可以利用打包工具(如Webpack、Parcel)进行代码压缩和Tree Shaking,剔除未使用的Phaser模块,有效控制包体积。在本教程中,为了流程最简化,我们先采用CDN方式,让你快速看到效果,在后续的优化章节再介绍npm+打包的方案。

2.3 微信开发者工具中的项目创建与配置

打开微信开发者工具,点击“+”号新建项目。这里有几个关键配置项需要特别注意:

  • 项目目录 :选择你刚才创建的 my-first-wechat-game 文件夹。
  • AppID :如果你只是个人学习和测试,点击下拉框,选择“测试号”。微信会为你生成一个临时ID,足够完成开发和本地预览。如果要发布上线,则需要去微信公众平台注册小程序账号获取正式AppID。
  • 项目名称 :起一个你喜欢的名字,比如“我的第一个小游戏”。
  • 开发模式 :这里务必选择“小游戏”,而不是“小程序”。两者的项目模板和基础库有所不同。

点击“新建”后,开发者工具会自动生成一个小游戏的项目模板。这个模板里已经包含了一些基础文件,比如 game.js 和 game.json 。我们可以基于这个模板进行修改,这样能省去一些基础配置工作。

3. 核心代码结构与Phaser 3基础

3.1 剖析微信小游戏入口文件: game.js 与 game.json

微信小游戏的启动入口是根目录下的 game.js 。开发者工具生成的模板内容大致如下:

// game.js
import './js/libs/weapp-adapter' // 适配器,用于模拟浏览器BOM/DOM API
import Main from './js/main' // 你的游戏主逻辑

new Main()

第一行引入的 weapp-adapter 是一个非常重要的适配库。因为微信小游戏环境没有标准的 window 、 document 、 XMLHttpRequest 等浏览器对象,而Phaser 3内部会用到它们。这个适配器提供了这些对象的模拟实现,让Phaser 3能正常运行。通常这个库在项目创建时就已经存在了。

第二行引入的 ./js/main 才是我们游戏逻辑的起点。 game.json 是配置文件,它定义了游戏的基本信息,比如窗口背景色、设备方向、引用的插件等。一个最基础的配置如下:

{
  "deviceOrientation": "portrait",
  "showStatusBar": false,
  "networkTimeout": {
    "request": 5000
  }
}
  • deviceOrientation : 设置为 portrait (竖屏)或 landscape (横屏),根据你的游戏设计来定。
AI辅助开发微信小游戏:从TypeScript+Canvas到备案上线实录 微信小游戏开发通常避不开Unity或Cocos等游戏引擎,对非游戏开发者而言门槛较高。本文以TypeScript+Canvas原生渲染为技术路线,通过AI对话逐文件生成代码,将“做游戏”拆解为可执行的小任务,全程不依赖可视化编辑器却完成了MVP的搭建。其核心原理在于用结构化约束引导AI生成纯逻辑代码,再通过编译验证与真机测试弥补AI的验收盲区。这种模式特别适合后端开发者、独立开发者探索个人项目,能显著降低游戏开发的技术门槛。文章完整回顾了从AI协作开发、备案等待到上线提审的整个过程,并盘点了模拟器正常但真机 阅读详情

相关推荐

【phaser微信抖音小游戏开发003】游戏状态state场景规划

经历过上001,002的规划,我们虽然实现了helloworld .但略显有些繁杂,我们将做以下的修改。修改后的目录和文件结构如图。main.js 游戏的初始化,导入各个场景state,我们首先以默认的index状态开始。states/index.js 这个是状态的index,我们从这个开始,代码如下。game.js//小游戏的重要文件,从这个开始。

php全栈程序员。国学api开发。 631

JavaScript游戏引擎全景解析:从2D到3D,从入门到实战

本文全面解析JavaScript游戏引擎,从2D到3D的开发实践,涵盖Phaser、PixiJS、Three.js和Babylon.js等主流引擎的优缺点及适用场景。通过实战案例和性能优化技巧,帮助开发者快速掌握游戏开发核心技能,提升项目效率。

weixin_42659252的博客 299

phaser-wxdemo:适配微信小游戏的Phaser以及它的demo集合

phaser-wxdemo 基于arcadephysics编译出来的phaser,做了一些修改。 解决了以下移植问题: PIXI not defined canvas的指定 touch事件问题 音频播放问题 atlas文件加载 飞机大战demo完工,源码目录:js/plane 完成了demo展示的基本框架 完成了主菜单和子菜单的功能 basic移植完毕 开放域相关功能完毕 中文插件移植完工,源码目录:js/plugins/ChineseTextPlugin.js

小游戏-基于Phaser开发的小游戏之切水果.zip

小游戏_基于Phaser开发的小游戏之切水果

适配微信小游戏的Phaser以及它的demo集合phaser-wxdemo-master.zip

适配微信小游戏的Phaser以及它的demo集合phaser-wxdemo-master.zip

基于Phaser.JS做的夹娃娃(抓娃娃)小游戏源代码,可在微信中使用

基于Phaser.JS做的夹娃娃(抓娃娃)小游戏源代码,可在微信中使用

移相变压器Simulink建模与HVDC系统仿真实践

移相变压器是电力电子领域实现精确相位调节的核心设备,其通过特殊绕组设计改变输出电压相位角,在解决环网潮流不均、阻尼功率振荡等场景具有关键作用。本文基于MATLAB/Simulink环境,详细解析移相变压器的建模原理与技术实现,包括磁路耦合特性模拟、参数计算方法和控制策略设计。针对HVDC高压直流输电和FACTS柔性交流输电系统等典型应用,提供仿真模型搭建技巧与问题排查指南,特别涵盖新能源并网场景下的相位调节优化方案。通过实测数据验证,所建模型在稳态精度和动态响应方面均满足工程要求,为电力系统稳定性分析提供有

weixin_28278377的博客 275

RoCE Overlay

1. RoCE over vxlan 配置vxlan封装的RoCE流量,可以在PF switchdev模式下利用ovs bridge,或直接设置tc rules。下面将基于一对NIC互联的服务器介绍两种方式的使用,并分析封装后的数据包结构。 1.1. 基本配置 - VF与switchdev 首先创建VF,并为两个host设置PF的switchdev模式。使用ovs bridge或tc rules,...

sunshuying1010的博客 3064

zemax光线光扇图

通过入瞳某一坐标(PX,PY)的光线在像面上有唯一的位置(EX,EY),以EX,EY为纵坐标,以PX,PY为横坐标,分别建立坐标系,把通过入瞳的光线都在坐标系里描点就得到了光扇图。对于视场内任意一点,取其子午面内的光线,以光线在光阑面上的透射点坐标为横坐标,同时以该光线在像面上的坐标为纵坐标,描出所有点,构成的图形即为子午面光扇图。在焦点位置,曲线的斜率为0,也就是说,不管入射时的横坐标(光阑面上的位置)是多少,离轴多远,都将汇聚在焦点处。此时,子午面和弧矢面有不同的分布,两条曲线不重合。

fendoudecheng的博客 8107

Linux 4.19、Linux 5.10、Linux 6.1 三个版本详细分析

Linux 4.19发布日期:2018年10月22日LTS 状态:是长期支持版本,官方支持到2024年12月。Linux 5.10发布日期:2020年12月13日LTS 状态:LTS 版本,官方支持到2026年12月。Linux 6.1发布日期:2022年12月11日LTS 状态:不是官方的LTS版本,但通常社区会为新的版本提供一定时间的支持。定位:稳定性和长期支持,广泛应用于多种平台,尤其是嵌入式系统和服务器。主要优势:稳定性高,广泛的硬件支持,核心功能可靠。

小灰灰的博客 5965

SCADA|测试KingSCADA4.0信创版采集汇川PLC AC810数据

摘要:雷工分享KingSCADA4.0信创版采集汇川PLC数据的配置过程。由于项目繁忙,笔记更新延迟。信创产业要求采用国产化产品,此次通过ModbusTCP协议连接AC810 PLC。主要步骤包括:新建IOServer应用(需厂家协助从3.8升级至4.0)、安装ModbusTCP驱动、配置设备地址(192.168.1.88:5021)、运行IOServer并通过网页监控变量。尽管信创版操作体验较差,但出于国产化战略需要仍需使用。雷工表示理解产品初期不足,相信未来会逐步优化。2025年4月11日记录于四川绵阳

做有价值的事,积累有价值的笔记! 867

基于多智能体架构的AI模拟法庭系统:律师案件预演的革命性工具

多智能体系统(Multi-Agent System)是人工智能领域的重要分支,它通过多个自主或半自主的智能体协同工作,模拟复杂的社会交互与决策过程。其核心原理在于分布式问题求解,每个智能体具备感知、推理和行动能力,通过通信与协作实现整体目标。在工程实践中,多智能体架构的价值在于能够模拟真实世界中的信息不对称与策略独立性,从而在复杂决策场景中提供更贴近现实的推演。这一技术正被应用于法律科技领域,通过构建物理隔离的智能体环境,模拟法庭对抗中的信息屏障与策略博弈。例如,在AI模拟法庭系统中,原告、被告、法官等角色

weixin_42561249的博客 395

Vue - 超强实现网页禁止浏览器缩放功能,浏览器缩放时保持网页不变形、元素不会被挤压等,屏蔽浏览器鼠标滚轮缩放页面(提供详细示例代码,一次引入整个网站无人可以搞乱你的页面布局及样式)

vue,nuxt,禁止浏览器缩放,如何用户缩放浏览器导致页面变形,网页缩放后页面变形了怎么办,怎么解决网站被缩放后元素乱套错乱,vue怎么禁止网页不被缩放,vue如何禁止浏览器缩放,vue缩放网页变形影响布局怎么办,vue电脑分辨率及缩放导致页面变形的问题,前端页面解决浏览器或者系统被放大和缩小导致的显示问题,Vue中页面自适应缩放,如何防止Vue页面缩放时变形/调整大小,Vue项目中,防止页面被缩放和放大,vue等比例缩放网页,网页缩放后界面变形咋办,禁止页面缩放,vue禁止浏览器改变窗口大小,Vue项目

🏆 前端领域优质创作者 1万+

遇到问题--OpenClaw--API rate limit reached. Please try again later429 您的账户已达到速率限制,请您控制请求频率

OpenClaw调用glm-4.7-flash模型时触发智谱AI平台429速率限制错误。分析发现当前重试策略采用固定间隔(7-11秒)导致连续失败,且未记录关键响应头信息。解决方案分三步:1)开启响应头日志获取配额详情;2)将重试策略改为带抖动的指数退避(初始1秒,最大60秒);3)在网关层实现令牌桶限流主动控制请求频率。需特别注意令牌配额(TPM)可能比请求次数(RPM)更早触达限制。

直到世界的尽头 2632

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 基于NE555的智能车电源自锁开关电路设计与实战
下一篇: 大模型量化实战:使用llama.cpp将百亿参数模型压缩至手机端运行
weixin_33743248
博客等级 码龄11年 6970粉丝 1517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