墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
94平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
近年来，人工智能（AI）和神经网络领域取得了显著的进展。神经网络是一种模拟大脑神经元之间相互连接的计算模型，通过学习从输入数据中提取特征并进行预测。然而，神经网络是黑盒模型，难以解释其内部工作机制。最近的研究表明，神经网络的隐藏层在学习过程中可以涌现出具有符号性质的概念，这为我们重新审视AI提供了新的视角。
在本文中，我们将探讨神经网络中概念符号涌现的现象，并提供相应的编程示例来验证这一观察。我们将使用Python和深度学习库TensorFlow来构建和训练一个简单的神经网络模型。
首先，让我们定义一个简单的问题，以便能够观察到概念符号的涌现。假设我们要构建一个神经网络来对手写数字进行分类。我们将使用MNIST数据集，该数据集包含大量的手写数字图像及其对应的标签。
import tensorflow as tf
# 加载MNIST数据集
mnist = tf.keras.datasets.mnist
(x_train大语言模型智能涌现原理与Transformer架构解析
语言模型作为自然语言处理的核心技术，通过Transformer架构实现上下文感知的token预测。其核心在于自注意力机制能够动态计算token间关联权重，配合嵌入层的高维语义表示，使模型在预测下一个token的过程中自动学习语言规律。这种基于海量数据训练的预测机制，催生了包括代码生成、逻辑推理等涌现能力。关键技术如BPE分词算法平衡了词典效率与未登录词处理，而温度调节、Top-p采样等生成策略则控制输出质量。当前大模型在编程辅助、知识问答等场景展现价值，但需注意其事实性错误和逻辑局限。
认知架构设计：平衡约束与涌现的智能系统框架
认知架构是构建智能系统的底层框架，其核心在于处理约束与涌现的辩证关系。从技术原理看，这类架构需要结合自由能原理等理论基础，在确保系统安全可控的同时保持环境适应性。工程实践中，分层约束设计和神经符号集成成为关键技术路径，广泛应用于医疗诊断、自动驾驶等场景。随着AI对齐问题日益突出，认知架构需要解决意图失真、价值漂移等挑战。当前最前沿的应用体现在多智能体系统的分布式共识机制和知识迁移框架上，这些技术正在重塑智慧城市、工业4.0等领域的智能化进程。
AI如何从语言中‘读心’：涌现式情感计算原理与实践
情感计算已从传统情感分析升级为基于大语言模型的涌现式心理建模。其核心原理在于：语言是人类心理状态的统计性外显，而大模型通过海量对话数据，在预测下一个词的过程中，自发习得情绪-行为特征的联合概率分布。这种能力不依赖人工规则或情感词典，而是源于句法韵律、语义语用与动态时序等多维微观语言特征的交叉验证，形成可量化的‘行为表型’。技术价值在于实现毫米级心理状态追踪与实时响应同步，支撑AI陪伴、心理健康筛查、人机交互优化等场景。本文深入解析其信息论基础、特征工程方法与生产级落地路径。
AI三大流派：符号、连接与行为主义的演进与协同
本文深入探讨了人工智能的三大流派——符号主义、连接主义与行为主义的演进与协同。通过具体案例展示了符号主义在逻辑推理、连接主义在数据驱动学习以及行为主义在试错优化中的独特优势，并分析了如何将这些方法融合应用，如工业质检和金融风控等领域，以实现更高效的AI解决方案。
AI世界模型的三重属性：持久性、代理性与涌现性
世界模型是智能系统理解环境的核心框架，其通过分层表示和预测验证机制构建对物理规律的稳定认知（持久性）。在机器学习领域，强化学习等技术赋予系统目标导向的决策能力（代理性），而模块化设计则促使简单组件交互产生创新行为（涌现性）。这些特性在游戏AI和工业机器人等场景中展现出协同价值——持久性维持基础认知，代理性实现动态交互，涌现性创造意外突破。理解世界模型的三重属性，对开发适应性强的人工智能系统具有关键意义，特别是在需要处理开放环境的强化学习应用和复杂系统建模中。
ArcGIS中地理坐标系与投影坐标系以及投影转换
简单介绍arcgis软件中坐标系定义、设置和常见问题。
电商产品组合策略：引流品与利润品的实战方法论
在电商运营中，产品组合策略是提升流量转化与利润增长的核心技术。其基本原理是通过数据化选品构建产品矩阵，利用引流品吸引用户流量，再通过利润品实现商业变现。这种策略不仅能优化广告投放的ROAS（广告投入产出比），还能显著提升客单价。技术实现上需要结合Google Analytics等工具进行归因分析，并运用动态库存管理模型控制风险。该方案特别适用于Amazon、Shopify等电商平台，能有效解决跨境电商业内流量获取与利润创造的平衡难题。通过实战案例可见，合理的产品组合可使客单价提升30-50%，是电商运营必备
Cesium+Three.js融合实战：从零构建GIS与BIM一体化场景
本文详细介绍了如何将Cesium与Three.js进行技术融合，从零构建GIS与BIM一体化场景。通过环境配置、核心场景搭建、坐标转换、性能优化及交互处理等实战步骤，阐述了Cesium负责宏观地理空间渲染、Three.js处理微观精细BIM模型的协同方案，为智慧城市、数字孪生等应用提供关键技术实现路径。
Ubuntu断网环境下的系统更新：apt-offline保姆级教程（附常见问题排查）
本文详细介绍了在Ubuntu断网环境下使用apt-offline进行系统更新的完整教程，包括环境准备、签名文件生成、数据传输方案对比及常见问题排查。特别适用于企业级开发环境或安全敏感场景，帮助运维人员高效完成离线系统更新，确保系统安全与稳定。
【Telephony】Telephony总纲！Phone进程流程(AOSP)
整个Framework层的Telephony框架运行在一个叫做Phone（com.android.phone）的进程中。 Phone进程启动的过程中，会初始化非常多的分支功能，SIM卡流程初始化就是其中之一，所以我觉得有必要写一下Phone进程的框架
【深度解析】解决 NVIDIA 显卡“掉卡”与 Xid 79 错误：开启持久化模式 (Persistence Mode)
【深度解析】解决 NVIDIA 显卡“掉卡”与 Xid 79 错误：开启持久化模式 (Persistence Mode)
第二十一：Python接口自动化-处理Json数据
【代码】第二十一：Python接口自动化-处理Json数据。
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。
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
450
扫一扫
