【ChatGPT从瀑布模式到水母模式】如何赋能软件研发全流程?

如何解决 ChatGPT 在科研学术写作中“不说人话”? 短视频真正改变的,是知识抵达人的方式。真正该改的是信息顺序:先给结论,再讲原因和证据,最后补充必要的边界,边界在这里是护栏,不该挡在正文前面。读者还没质疑,例外和边界已经先摆好了,不敢把话说透,真正好的文章会先把核心判断稳稳立住,再补充复杂性,不会让读者猜半天你到底想说什么。观点还没展开,就先回应并不存在的反对意见,大量篇幅都在证明我没这么说,不过度防御的文章都是前者忙着管理风险,后者才是在推进认识。逐句查看文章中的转折、退让和补充说明,追问一句,如果拿掉这句话,事实是否仍然准确,推理是否依然成立。 阅读详情

【文末送书】今天推荐一本强大工具书《ChatGPT 驱动软件开发:AI 在软件研发全流程中的革新与实践》,本文将从其亮点与结构出发,详细阐发其对于运维、项目经理、程序员等的重要性与益处。

导语

计算机技术的发展和互联网的普及,使信息处理和传输变得更加高效,极大地改变了金融、商业、教育、娱乐等领域的运作方式。数据分析、人工智能和云计算等新兴技术,也在不断地影响和改变着各个行业。

如今,我们正在见证人工智能技术的突破性发展。以OpenAI的ChatGPT为代表的人工智能技术,使我们有机会站在人类知识总和的巅峰上完成工作。ChatGPT的强大文本生成能力,使我们能够在软件开发过程中迅速提高需求分析、方案设计和代码生成的效率。因此,我们需要从ChatGPT的新角度,重新审视软件开发过程中的需求分析、架构设计、代码实现、软件测试、系统运维和项目管理的理论与实践,认真思考如何运用人工智能的新技术创新工作方式和优化产业格局。

为此,本书应运而生。

在这里插入图片描述

内容

本书全面、深入地介绍了使用ChatGPT进行软件产品需求分析、架构设计、技术栈选择、高层设计、数据库设计、UI/UX 设计、后端应用开发、Web前端开发、软件测试、系统运维、技术管理等的方法与经验,目标是帮助产品经理、架构师、数据库管理员、UI/UX设计师、程序员、测试工程师、运维工程师和项目经理更深入地理解ChatGPT的实际应用和潜力,并为他们提供实用的操作建议。

通过阅读本书,读者能够掌握ChatGPT在软件产品需求分析、架构设计、代码实现、系统优化、软件测试和团队协作等方面的核心概念和方法。这将有助于软件开发企业和个人在人工智能时代迅速利用这一强大工具武装自己,实现价值创新并形成竞争优势,为未来发展奠定坚实的基础。

在这里插入图片描述

这是一本讲解以ChatGPT/GPT-4为代表的大模型如何为软件研发全生命周期赋能的实战性著作。它以软件研发全生命周期为主线,详细讲解了ChatGPT/GPT-4在软件产品的需求分析、架构设计、技术栈选择、高层设计、数据库设计、UI/UX 设计、后端应用开发、Web 前端开发、软件测试、系统运维、技术管理等各个环节的应用场景和方法,让读者深刻地感受到ChatGPT/GPT-4在革新传统软件工程的方式和方法的同时,还带来了研发效率和研发质量的大幅度提升。

更为重要的是,本书能帮助架构师、开发工程师、数据库工程师、测试工程师、运维工程师、项目经理、产品经理、UI/UX工程师和技术管理者深入地理解ChatGPT/GPT-4的原理和应用,全面塑造他们在AI时代的核心竞争力,实现价值创新并形成竞争优势,为未来的发展奠定基础。

作者在本书中创新性地提出了大模型时代的软件研发新范式——水母开发模式(顶部大、底部小)。该模式将研发活动分成6个层次,分别对应软件研发生命周期的分析、设计、编码、测试、部署和维护。其中分析和设计层的工作量大很多,类似水母的头部;其余4个层次的工作量较少,类似水母的触手。

除此之外,本书还给出了工程师们与ChatGPT互动(Prompt)的步骤和注意事项,整个过程分为6步,只要遵循这6步就能比较容易地获得较为满意的输出结果。

作者简介

陈 斌
资深技术专家,IT技术领域的领军人物,有超过30年的支付、软件研发、技术架构、系统运维、技术管理经验。对人工智能技术及其应用有深入研究,对大模型在软件工程中的应用有丰富的实践经验。现任职日本华人支付创业企业NetStars的CTO,曾担任易宝支付的CTO、ebay/PayPal的高级架构师、Nokia美国的首席工程师。

CTO领袖联盟的联席主席和中国互联网技术百人会的理事长。从传统的大型计算机核心技术,到互联网技术应用,再到大数据、云计算、生物特征识别和金融科技,他都有非常丰富的实践经验。努力推动互联网技术与传统产业的结合,曾经多次参加“互联网大篷车”活动,足迹遍及中国大江南北的传统企业。

经常在中国、美国和日本的互联网行业论坛分享知识和经验,也在多所中国和日本的知名大学里教授互联网支付、金融科技和互联网技术管理等课程。著有畅销书《一本书读懂支付》,翻译并出版了《架构即未来》《架构真经》《数据即未来》等多部经典著作。

专家推荐

ChatGPT的横空出世,是大数据和人工智能发展到一定阶段的必然产物。陈斌先生的这部著作出版非常及时,他结合自己在软件开发和技术管理方面的丰富经验,针对如何在软件开发的需求分析、架构设计、代码生成、系统优化、测试等各环节应用ChatGPT给出了建议,对于软件工程师和产品经理等各类IT人员都很有帮助,值得一读。
—— 刘震 日本工程院外籍院士/长崎综合科学大学教授/博士生导师

本书详细探讨了ChatGPT在软件开发过程中的应用,为AI和软件开发的结合提供了一条新途径。这本书不仅理论深入,讲解了ChatGPT的工作原理,而且实践性强,包含大量案例,充满启示与智慧,将AI在软件开发领域的可能性面面俱到。对于任何对AI和软件开发感兴趣的人来说,这都是一本必读之书。
—— 李刚 NETSTARS创始人兼董事长

AI技术的突破为包括软件研发在内的各行各业带来了新的发展机遇。如何充分利用以ChatGPT为代表的AI新技术来革新软件开发的新模式和新方法,成为软件行业的一个重要课题。作者通过总结和分析在软件开发中使用ChatGPT的经验与教训,为软件开发探索了一条新路。如果你有兴趣使用ChatGPT来提升软件开发的效率,那么本书就是一本不可或缺的指南。
—— 张云泉 中国科学院计算技术研究所研究员/博士生导师/全国政协委员/九三中央科技委副主任

软件行业一直致力于为人类提供高效的自动化工具。然而,颇具讽刺的是,这个充满创新力的领域却仍然大量依赖人力,是一个脑力劳动密集型行业,时间长、效率低、成本高是众多软件项目的顽疾。幸运地是,ChatGPT的问世带来了前所未有的改变,软件开发的效率将获得极大的提升,甚至可能重塑整个行业的风貌。如果你是一位软件行业从业者,渴望借助ChatGPT引领软件行业变革,那么这本书无疑将为你提供宝贵的指导,成为你的得力助手。
—— 向江旭 澳门产业技术研究院执行院长/境成资本管理合伙人

多年来,工程师们一直在不断优化软件开发工具来提高软件的工程化效率,GPT大模型正是优化软件工程效率的一把利器。陈斌先生对AI技术的理解与丰富的软件工程经验,必将极大地促进AI技术在软件开发领域中的应用。本书将晦涩难懂的技术通俗地表达出来,并配有大量的案例,不仅是一场GPT大模型的实践之旅,更是对软件开发过程理解的升华。
—— 赵国光 中信云网首席技术官

读者对象

对ChatGPT感兴趣并希望在实际项目中应用这一先进技术的研究人员和开发工程师。本书将通过实际应用案例深入解析ChatGPT在软件开发方面的应用,帮助读者快速掌握利用ChatGPT助力软件开发的技能。

希望运用ChatGPT为产品创新和用户体验带来价值的产品经理和设计师。本书将提供如何将ChatGPT与产品设计相结合的方法和实践案例。

需要管理和指导具有ChatGPT相关技术背景的技术团队的领导者。他们将从本书中学到如何更有效地组织和协调团队资源,以及如何进行技术规划和战略部署。

负责企业或项目的系统运维和管理工作的专业人员。他们将在本书中了解到如何维护和优化基于ChatGPT的系统,以确保其高效、稳定地运行。

从事人工智能教育的教师、讲师及相关专业的学生。他们可以通过阅读本书系统地学习和了解ChatGPT及其在实际项目中的应用,为教学和学术研究提供参考。

对人工智能和ChatGPT有浓厚兴趣的普通读者。他们可以从本书中获取对ChatGPT的发展历程、应用领域以及未来前景的全面认识,丰富自己的知识体系。

本文给出部分目录:

第3章 ChatGPT驱动架构设计  54

3.1 架构设计的过程  54

3.2 微服务架构简介  56

3.3 微服务架构设计原则  58

3.4 架构设计的思维框架  58

3.5 ChatGPT生成TMS微服务架构  60

3.6 小结  65

第4章 ChatGPT驱动技术栈选择  66

4.1 技术栈的基本概念  66

4.2 目前的主流技术栈及其比较  67

4.3 选择技术栈的原则  69

4.4 TMS技术栈选择  71

4.5 小结  78

第5章 ChatGPT驱动高层设计  79

5.1 高层设计的主要文档  79

5.2 高层设计的原则  81

5.3 ChatGPT辅助TMS高层设计  81

5.4 小结  90

第6章 ChatGPT驱动数据库设计  91

6.1 数据库设计与ChatGPT的协作  91

6.2 生成数据库表结构应该遵循的

原则  92

6.3 利用ChatGPT完成数据库设计  94

6.4 利用ChatGPT基于数据生成

数据库表结构  103

6.5 ChatGPT驱动TMS数据库

创建  107

6.6 小结  115

第7章 ChatGPT驱动UI/UX设计  116

7.1 利用ChatGPT指导UI/UX 的

设计原则  116

7.2 利用ChatGPT从UI/UX角度

分析用户需求  118

7.3 利用ChatGPT完成TMS界面

设计  128

7.4 小结  132

第8章 ChatGPT驱动后端应用

开发  133

8.1 后端概述  133

8.2 API基本概念  135

8.3 API设计原则  136

8.4 ChatGPT助力Web API开发  142

8.5 ChatGPT助力数据库API开发  143

8.6 ChatGPT生成TMS后端代码  145

8.7 小结  155

第9章 ChatGPT驱动Web前端开发  156

9.1 利用ChatGPT优化HTML

结构  156

9.2 借助ChatGPT提升CSS样式

效果  159

9.3 使用ChatGPT加速JavaScript

开发  162

直播预告

GPT的出现不但解决了很多自然语言的处理和内容生成问题,而且也对利用计算机语言进行软件开发提供了新的方便。在GPT或者AI新技术的现实条件下,采用什么样的软件开发模式能更好地提升软件开发的效率、改善软件开发的效果是很多人都在思考的问题。

11月1日周三19:00,资深技术专家陈斌、腾讯Tech Lead茹炳晟、南京云问科技NLP研究院院长杜振东三位嘉宾与您分享“从瀑布模式到水母模式:ChatGPT如何赋能软件研发全流程”

在这里插入图片描述

文末送书

本次活动一共赠2本,评论区抽取2位粉丝免费送出。

参与方式如下:
点赞收藏文章、评论不少于10字,即可参加。
活动时间:截至2023-11-5 17:00:00
通知方式:通过私信联系中奖粉丝。

Bright Data ChatGPT 搜索抓取器(Python) 使用 GitHub 登录,然后 fork 该仓库开始进行更改。本项目提供一个使用 Bright Data Web Scraper API 抓取结果的简易 Python 样板代码。 阅读详情

相关推荐

【Coze 扣子案例】第 23 期・商业篇:一键获取精准商机,自动化招标信息查询与分析

通过地区和项目类型等多维度组合查询全国招标信息网数据,实现招标公告的快速定位。自动解析招标公告内容,提取关键信息,并生成结构化摘要。帮助企业高效获取精准商机,提升市场竞争力,降低人工成本,解决 “信息过载” 与 “精准匹配难” 的双重问题。

weixin_72689845的博客 1927

从瀑布模式到水母模式:ChatGPT引领软件研发的革新之路

计算机技术的发展和互联网的普及,使信息处理和传输变得更加高效,极大地改变了金融、商业、教育、娱乐等领域的运作方式。数据分析、人工智能和云计算等新兴技术,也在不断地影响和改变着各个行业。如今,我们正在见证人工智能技术的突破性发展。以OpenAI的ChatGPT为代表的人工智能技术,使我们有机会站在人类知识总和的巅峰上完成工作。ChatGPT的强大文本生成能力,使我们能够在软件开发过程中迅速提高需求分析、方案设计和代码生成的效率。

爱媳妇儿爱编程 8704

速腾Helios-16P使用Lego-loam实时构建点云地图(二)——Lego-loam的编译与运行

不兼容的问题,打开lego-loam的~/lego-loam_ws/src/LeGO-LOAM/LeGO-LOAM/src下的4个源码文件,搜索/camera_init,将所有/camera_init改成camera_init,也就是去掉斜杠,这样再回到工作空间重新编译lego-loam。3、速腾16线激光雷达RS-16 ----- 3D建图算法LeGO-LOAM的使用(Ubuntu18.04 + ROS Melodic)_速腾16线 lego loam_杰尼君的博客-优快云博客。

qq_59475883的博客 2568

【牛牛送书 | 第二期】《ChatGPT 驱动软件开发:AI 在软件研发全流程中的革新与实践》

现如今,随着计算机技术的不断发展和互联网的普及,我们已经迈入了一个高效的信息处理和传输时代。这种变革对金融、商业、教育、娱乐等领域的运作方式产生了巨大影响。而新兴技术如数据分析、人工智能和云计算更是不断给各行各业带来革新。尤其是现在,我们正在目睹人工智能技术的重大突破。比如说OpenAI的ChatGPT,它代表了人工智能技术的最新成果,让我们有机会站在人类知识的顶峰上完成工作。ChatGPT的强大文本生成能力让我们在软件开发中能够更快、更高效地进行需求分析、方案设计和代码生成。

fckbb的博客 6643

PSINS工具箱学习(四)捷联惯导更新算法

原始 Markdown文档、Visio流程图、XMind思维导图见:https://github.com/LiZhengXiao99/Navigation-Learning。

实践出真理,接毕设/课设项目开发指导 607

1. SAP Business Application Studio 里创建一个基于 CAP 模型的最简单的 OData 服务

本文基于 SAP Cloud Application Programming 编程模型的 OData 服务开发教程的第一步,简述了 SAP Business Technology Platform 里 Business Application Studio 开发工具的打开方式,创建 Dev Space 以及 CAP 项目的创建步骤,以及如何通过 schema.cds 和 service.cds 分别创建 OData 模型和 OData 服务,最后通过 ports preview 打开 OData 服务预览页

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1798

2024 AI进阶指南:AIGC、AGI和GhatGPT相关书籍精选

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;这里主要整理了大模型相关PDF书籍、行业报告、文档,有几百本,都是目前行业最新的。

2401_85343303的博客 1139

uniApp微信小程序:利用live-pusher人脸活体检测功能+完整示例代码,uniapp使用live-pusher直播推流组件实现人脸验证-活体检测,检测人脸中的动作包括眨眼、张嘴、左右摇头动作

UniApp 使用 live-pusher 实现人脸活体检测(附完整源码)uniapp开发微信小程序人脸检测活体检测,在uni-app的微信小程序项目中使用live-pusher实现人脸识别,uniapp使用live-pusher实现模拟人脸识别效果,张张嘴、眨眨眼、向左摇头、向右摇头等动作,免费使用人脸活体检测的插件方案,uniapp小程序怎么免费使用人脸活体,直播推流,UNIAPP微信小程序使用live-pusher实现人脸识别(拍照)功能,在uni-app项目中实现人脸识别,既使用uni-app中的l

✅ 精选推荐文章 3013

【码银送书第九期】《ChatGPT 驱动软件开发:AI 在软件研发全流程中的革新与实践》

这是一本讲解以ChatGPT/GPT-4为代表的大模型如何为软件研发全生命周期赋能的实战性著作。它以软件研发全生命周期为主线,详细讲解了ChatGPT/GPT-4在软件产品的需求分析、架构设计、技术栈选择、高层设计、数据库设计、UI/UX 设计、后端应用开发、Web 前端开发、软件测试、系统运维、技术管理等各个环节的应用场景和方法,让读者深刻地感受到ChatGPT/GPT-4在革新传统软件工程的方式和方法的同时,还带来了研发效率和研发质量的大幅度提升。

码银的博客 4455

metahuman 下载材质 脸部灰白 脸部过亮

metahuman 下载材质 脸部灰白 脸部过亮

jacke121的专栏 243

Android 13.0 framework默认沉浸式导航栏功能实现

​ 在13.0的系统rom定制化开发中,在实现导航栏的某些定制化开发中,在某些产品需要实现沉浸式导航栏,就是需要app 能全屏显示同样也能显示导航栏,接下来就来分析下相关的功能实现 ​

安卓兼职framework和app工程师的博客 467

【从瀑布模式到水母模式】ChatGPT如何赋能软件研发全流程

计算机技术的发展和互联网的普及,使信息处理和传输变得更加高效,极大地改变了金融、商业、教育、娱乐等领域的运作方式。数据分析、人工智能和云计算等新兴技术,也在不断地影响和改变着各个行业。如今,我们正在见证人工智能技术的突破性发展。以OpenAI的ChatGPT为代表的人工智能技术,使我们有机会站在人类知识总和的巅峰上完成工作。ChatGPT的强大文本生成能力,使我们能够在软件开发过程中迅速提高需求分析、方案设计和代码生成的效率。

小吉妙妙屋 2726

Autosar模式管理入门系列02-EcuM

对EcuM状态机切换过程及模块中重要API进行介绍。

initiallizer的博客 7092

从瀑布模式到水母模式:ChatGPT如何赋能软件研发全流程

计算机技术的发展和互联网的普及,使信息处理和传输变得更加高效,极大地改变了金融、商业、教育、娱乐等领域的运作方式。数据分析、人工智能和云计算等新兴技术,也在不断地影响和改变着各个行业

H1727548的博客 6018

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

【赠书活动】从瀑布模式到水母模式:ChatGPT如何赋能软件研发全流程

这是一本讲解以ChatGPT/GPT-4为代表的大模型如何为软件研发全生命周期赋能的实战性著作。它以软件研发全生命周期为主线,详细讲解了ChatGPT/GPT-4在软件产品的需求分析、架构设计、技术栈选择、高层设计、数据库设计、UI/UX 设计、后端应用开发、Web 前端开发、软件测试、系统运维、技术管理等各个环节的应用场景和方法,让读者深刻地感受到ChatGPT/GPT-4在革新传统软件工程的方式和方法的同时,还带来了研发效率和研发质量的大幅度提升。

测试开发自动化 5746

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

软件开发分享:从瀑布模式到水母模式——ChatGPT如何赋能软件研发全流程

计算机技术的发展和互联网的普及,使信息处理和传输变得更加高效,极大地改变了金融、商业、教育、娱乐等领域的运作方式。数据分析、人工智能和云计算等新兴技术,也在不断地影响和改变着各个行业。

黛琳ghz的博客,期待你的关注。 1万+

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")

【从瀑布模式到水母模式:ChatGPT如何赋能软件研发全流程】

计算机技术的发展和互联网的普及,使信息处理和传输变得更加高效,极大地改变了金融、商业、教育、娱乐等领域的运作方式。数据分析、人工智能和云计算等新兴技术,也在不断地影响和改变着各个行业。如今,我们正在见证人工智能技术的突破性发展。以OpenAI的ChatGPT为代表的人工智能技术,使我们有机会站在人类知识总和的巅峰上完成工作。ChatGPT的强大文本生成能力,使我们能够在软件开发过程中迅速提高需求分析、方案设计和代码生成的效率。

鱼干的博客 538

ChatGPT 广告技术栈架构拆解:多轮意图、LLM 工具编排、ANN 召回与拍卖闭环

基于 OpenAI 官方工程文章,拆解 ChatGPT 广告系统如何用有状态会话理解多轮意图,以独立链路隔离自然回答,再由 LLM 编排召回、过滤、相关性评分、拍卖和最终交付,并给出可复用的超时、观测、安全与反馈闭环设计。

jerry764的博客 361

ChatGPT Projects 使用教程:项目指令、文件管理与上下文复用

使用ChatGPT的Projects功能可高效处理长期任务,避免重复说明背景与要求。通过设置项目指令、上传参考文件、复用上下文,实现代码分析、文档维护等任务的持续优化。建议按任务类型建项目,配置简洁规则,重要结论存为独立文档,避免依赖记忆遗漏。适用于有固定流程、需多资料协作的场景,但不可替代Git版本管理。

carriedream的博客 276

ChatGPT、Codex工程实战:数据库迁移脚本开发环境测试通过,为什么生产上线仍可能锁表甚至丢数据?

ChatGPT、Codex生成的数据库迁移脚本开发环境测试通过,为什么生产上线仍可能锁表甚至造成数据不一致?本文从Java订单系统生产变更切入,分析MySQL DDL、元数据锁、大批量数据回填、新旧版本兼容和数据迁移风险,并介绍Expand-Contract分阶段迁移方案。

lb654509656的博客 308

《C++ 项目:手写大模型接入 SDK》ChatGPT接口设计(中):全量响应实现和测试

本文详细实现了ChatGPTProvider对接OpenAI ResponsesAPI的全量响应sendMessage接口,涵盖模型可用性校验、请求参数解析、JSON报文组装、HTTP客户端配置(含代理与超时)、网络请求发送及响应解析全流程。通过GTest编写测试用例,发现并修复了因Content-Type重复设置导致的400错误,揭示了不同厂商网关对请求头规范的宽容度差异,最终提出一套兼容多模型服务商的标准写法,提升了代码通用性与鲁棒性。

2501_91275995的博客 581

ChatGPT Images 2.6 实测解读:一句话直出 GIF,Flare 提速 46%,API 支持 2~64 帧动图

过去两年,AI 生图解决了"画得像不像""字写得对不对"的问题,但交付物始终是一张静态图。想让它动起来,通常要另外找视频模型,或者自己拆帧、用 PS、ffmpeg 合成 GIF——对运营、设计、做表情包的人来说,这一步既麻烦又容易翻车:帧之间画风跳变、角色走样、文件体积失控。这次 OpenAI 发布的,把这一步直接收进了生图本身:在对话里说一句"能做成 GIF 吗",返回的就是一张可循环播放的动图,而且生成后还能接着改。按 OpenAI 的说法,这是第一个原生直出 GIF 的主流生图产品。

JEECG官方博客 220

ChatGPT Images 2.6 入门:保存角色参考图并生成循环 GIF

按官方 Images in ChatGPT 说明,介绍在 ChatGPT 中把照片存成角色参考并用 @名字复用,再用提示词或静图生成循环 GIF、打开后调速并保存分享的完整步骤。

死磕音视频 193

ChatGPT和Codex怎么选?看任务、环境与验收方式

想让AI解释一个报错,打开ChatGPT就能问;想让它进入现有项目,定位问题、修改文件并运行测试,Codex通常更合适。它们都能回答问题,也都能处理不止一步的任务。区别在于任务需要哪些上下文、工具,以及你准备怎样检查结果。[1][2]**答案可以在对话中看完,先用ChatGPT;结果要落到代码仓库,还要看改动和测试,先用Codex。**需要处理文件、研究资料或写报告时,也可以从ChatGPT开始;Codex并不局限于写代码。[1]

2601_96207100的博客 271
上一篇: 【MySQL进阶之路丨第十三篇】MySQL之ALTER命令及序列使用
下一篇: 【C/PTA】循环结构进阶练习(一)
秋说
秋说 优质创作者: 编程框架、信息安全技术领域 优质创作者: 编程框架、信息安全技术领域
博客等级 码龄4年 3万+粉丝 1906原创
评论 81
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

秋说

感谢打赏

¥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