【转载】使用图灵机器人接口开发微信公众号聊天功能、设置自定义菜单及申请测试账号

腾讯云图灵机器人接入微信号 所需材料: 微信公众号:https://mp.weixin.qq.com/ 腾讯云服务器:https://cloud.tencent.com/product/cvm 1、公众号申请 首先进入《微信公众号平台》,然后注册一个账号,类型选择订阅号,然后根据相应的提示完成信息的填写和验证。注册微信公众号这里就不再详述。 2、后台服务器的搭建 安装 NodeJS 首先执行以下命令 sudo su 下载最新的稳定版 v6.10.3 到本地 wget https://nodejs.org/dist/v6.10.3/no 阅读详情

使用图灵机器人接口开发微信公众号聊天功能

  准备电商比赛的时候申请了个公众号,因为之前错误地申请了订阅号,还是个人类型的,所以基本也没法开发什么功能了。于是就想到之前很火的小黄鸡聊天机器人。不过小黄鸡的接口是要收费的,所以选用了图灵机器人(http://www.tuling123.com/);也能实现自动聊天。

  图灵机器人后台提供了两种接入方式,一种是API接入,一种是微信接入。使用微信接入非常简单,只要在微信后台-开发-基本配置里填写图灵机器人提供的URL和token值就可以。不过这样一来整个公众号只能实现图灵机器人的功能,几乎浪费了一个公众号。所以选择使用API接入。这里使用新浪云提供的SAE。下面是代码。



    <?php
        header("Content-type: text/html; charset=utf-8");
        //以下为固定用法,实现和微信的对接、验证
        define("TOKEN", "callTuling");

        $wechatObj = new wechatCallbackapiTest();
        if (isset($_GET['echostr'])) {
            $wechatObj-&gt;valid();
        }else{
            $wechatObj-&gt;responseMsg();
        }

        class wechatCallbackapiTest
        {
            public function valid()
            {
                $echoStr = $_GET["echostr"];
                if($this-&gt;checkSignature()){
                    echo $echoStr;
                    exit;
                }
            }

            private function checkSignature()
            {
                $signature = $_GET["signature"];
                $timestamp = $_GET["timestamp"];
                $nonce = $_GET["nonce"];

                $token = TOKEN;
                $tmpArr = array($token, $timestamp, $nonce);
                sort($tmpArr);
                $tmpStr = implode( $tmpArr );
                $tmpStr = sha1( $tmpStr );

                if( $tmpStr == $signature ){
                    return true;
                }else{
                return false;
                }
            }

            public function responseMsg()
            {
                $postStr = $GLOBALS["HTTP_RAW_POST_DATA"];
                if (!empty($postStr)){
                    $postObj = simplexml_load_string($postStr, 'SimpleXMLElement', LIBXML_NOCDATA);
                    $RX_TYPE = trim($postObj-&gt;MsgType);

                    switch ($RX_TYPE)
                    {
                        case "text":
                            $resultStr = $this-&gt;receiveText($postObj);
                            break;
                        case "event":
                            $resultStr = $this-&gt;receiveEvent($postObj);
                            break;
                    }
                    echo $resultStr;
                }else {
                    echo "";
                    exit;
                }
            }
            //处理接受到用户消息的事件
            private function receiveText($object)
            {
                $funcFlag = 0;
                $keyword = trim($object-&gt;Content);
                $contentStr = callTuling($keyword);
                $resultStr = $this-&gt;transmitText($object, $contentStr, $funcFlag);
                return $resultStr;
            }
            //处理公众号被关注的事件
            private function receiveEvent($object)
            {
                $contentStr = "";
                switch ($object-&gt;Event)
                {
                    case "subscribe":
                        $contentStr = "你终于来了";
                }
                $resultStr = $this-&gt;transmitText($object, $contentStr);
                return $resultStr;
            }
            //把图灵机器人返回的数据转换成微信使用的数据格式
            private function transmitText($object, $content, $flag = 0)
            {
                $textTpl = "&lt;xml&gt;
&lt;ToUserName&gt;&lt;![CDATA[%s]]&gt;&lt;/ToUserName&gt;
&lt;FromUserName&gt;&lt;![CDATA[%s]]&gt;&lt;/FromUserName&gt;
&lt;CreateTime&gt;%s&lt;/CreateTime&gt;
&lt;MsgType&gt;&lt;![CDATA[text]]&gt;&lt;/MsgType&gt;
&lt;Content&gt;&lt;![CDATA[%s]]&gt;&lt;/Content&gt;
&lt;FuncFlag&gt;%d&lt;/FuncFlag&gt;
&lt;/xml&gt;";
                $resultStr = sprintf($textTpl, $object-&gt;FromUserName, $object-&gt;ToUserName,     time(), $content, $flag);
                return $resultStr;
            }
        }
        //创建函数调用图灵机器人接口
        function callTuling($keyword)
        {
            $apiKey = "******"; //填写后台提供的key
            $apiURL = "http://www.tuling123.com/openapi/api?key=KEY&amp;info=INFO"; 

            $reqInfo = $keyword; 
            $url = str_replace("INFO", $reqInfo, str_replace("KEY", $apiKey, $apiURL));
            $ch = curl_init(); 
            curl_setopt ($ch, CURLOPT_URL, $url); 
        curl_setopt ($ch, CURLOPT_RETURNTRANSFER, 1); 
            $file_contents = curl_exec($ch);
            curl_close($ch); 
            //获取图灵机器人返回的数据,并根据code值的不同获取到不用的数据
            $message = json_decode($file_contents,true);
            $result = "";
            if ($message['code'] == 100000){
                $result = $message['text'];
            }else if ($message['code'] == 200000){
                $text = $message['text'];
                $url = $message['url'];
                $result = $text . " " . $url;
            }else if ($message['code'] == 302000){
                $text = $message['text'];
                $url = $message['list'][0]['detailurl'];
                $result = $text . " " . $url;
            }else {
                $result = "好好说话我们还是基佬";
            }
            return $result;
        }
    ?>  



补充

(1)转载:
【使用图灵机器人接口开发微信公众号聊天功能】、
【如何在微信公众号调用图灵机器人】、
【微信公众号(订阅号)如何设置自定义菜单】、
【怎样申请微信公众平台接口测试帐号】、
【公众号自定义菜单添加外部链接,设置图文目录】、
【微信公众平台开发文档】、
【BAE官网】、
【SAE官网】、
【图灵机器人官网】。
(2)图灵机器人官方教程:
   【微信公众号接入教程】、【创建机器人篇 ——图灵机器人产品使用教程】

图灵测试:打造一个聊天机器人[爬虫专题(12)] 接下来的俩篇文章,都是从整体到各个细节,而不是从各个细节到整体。 因为我们已经来到了人工智能的领域,我们将用爬虫实现 图灵测试、自然语言处理,这些东西太好玩了,以至于我想先给成品。 人和计算机的区别,仅仅在于“意识”,其实计算机完全可以假装自己有意识、假装自己是智能的。 那该如何评估计算机是否智能呢 ?(这个问题在《人工智能的未来趋势》里单独讨论)   图灵测试 大家应该知道计算机之父... 阅读详情

相关推荐

微信公众号开发带有图灵机器人接口

微信公众号开发,内容带有图灵机器人接口,图灵机器人接口需要自己在图灵机器人网站注册。

Python微信公众号接入图灵机器人

微信公众号配置 网上大部分都是用itchat插件。微信公众号官网上的代码复制下来格式会乱掉。对于python这样严格依赖格式的语言简直是噩梦。这里没有使用itchat,而是使用request直接post请求图灵api 微信公众平台 后台配置   Python配置 [官方文档] 安装依赖库: 1、[Python2.7] python3版本的web.py有一些bug,无法使用。...

sika的学习理解 2599

微信公众号接入图灵机器人

微信公众号接入图灵机器人,实现微信公众号自定义开发

微信公众号中接入图灵机器人

首先打开图灵机器人网址:在百度搜索"图灵机器人",进入官网 1.点击注册按钮,进行注册: 2.注册成功后,就可以创建自己的机器人了 选择创建机器人: 我是在微信公众号中聊天使用的,所以选择“微信公众号—其他—粉丝活跃-聊天调侃”,可以按照你的使用场景进行创建,如果是微信公众号,选择完毕后点击“创建”按钮,需要用微信公众号管理员账号扫描一下二维码,进行授权,授权成功入下图: ...

happy_xiaoru的专栏 1163

图灵机器人开发文档

这是一个关于引入图灵机器人的专业开发指导教程

Springboot开发微信公众号智能机器人(基于图灵api)

使用springboot技术开发的微信智能机器人,,机器人问答模块是使用图灵机器人的免费问答api接口,每天可以免费使用2000余次。 代码下载到本地之后,建议最好使用idea打开,作为maven工程导入。。(建议对springboot和微信开发有点了解的人下载。)导入好之后,只需要修改一些微信端的配置参数和图灵机器人api的配置参数即可使用。。如果还不清楚,可去我的博客下的微信分类下找我写的微信智能机器人开发这篇文章。。

微信点击上传功能

package cn.com.shdmt.service; import cn.com.shdmt.BizConstants;import cn.com.shdmt.entity.*;import cn.com.shdmt.framework.util.MessageUtil;import cn.com.shdmt.framework.util.weXinUtil;import cn....

dianji4156的博客 370

使用 Mid360 从零开始搭建实物机器人入门级导航系统 —— 基于 Fast_Lio 和 Move_Base

本文详细介绍了如何使用Mid360机器人从零开始搭建一个基于Fast_Lio和Move_Base的入门级导航系统。通过配置 ROS2、集成激光雷达、IMU、Fast_Lio、Move_Base 等模块,我们成功构建了一个能够实现自动导航的机器人系统。在实际开发中,随着需求的变化,你可以不断调整参数、优化路径规划算法、增加新的传感器等,逐步提升机器人的智能与功能。

小蜗牛的珍贵百宝箱 3563

手把手教你用图灵机器人做微信公众号自动回复助手

本文首发于我的个人博客:尾尾部落 阅读这篇文章,你将会学会以下内容: 如何用flask搭建微信公众平台服务 如何将在微信公众平台调用图灵机器人 如何用uwsgi+supervisor+nginx部署flask应用 实验前提 一个可供外网访问的主机(比如云服务器) 一个微信公众号 一个图灵机器人账号 一、创建图灵机器人 登陆图灵机器人后,在个人...

尾尾部落 2万+

pyinstaller+scrapy打包出现错误:OSError: could not get source code

错误如下: Traceback (most recent call last): File "scrapy\utils\defer.py", line 55, in mustbe_deferred File "scrapy\core\spidermw.py", line 60, in process_spider_input File "scrapy\core\scraper.py", line 152, in call_spider File "scrapy\utils\misc.py

kin的博客 1759

学习心得——COMSOL Multiphysics with MATLAB联合仿真及寻优计算

学习心得——COMSOL Multiphysics with MATLAB联合仿真及寻优计算

weixin_41678956的博客 8657

如何在微信公众号调用图灵机器人(智能聊天)

最近在研究微信公众号,有人问我可以找你的公众号聊天吗?我的第一反应是我很忙我要上班没有时间,后面就度娘了一下,发现了这个神奇的图灵机器人,可以替你跟用户聊天!是否期待你的公众号有一个萌萌哒机器人陪客人聊天呢?不需要任何开发知识,手把手教小白设置微信公众号机器人!

jueyi1127的博客 2万+

霍尔编码器 vs 磁编码器:如何为你的电机控制项目选择最佳传感器(附实战对比)

本文深入对比了霍尔编码器和磁编码器在电机控制项目中的应用,从技术原理、性能参数、成本效益到实际场景选择提供了全面分析。通过实验室测试和项目案例,帮助工程师根据精度、环境抗性和预算选择最佳传感器方案,特别适合机器人、伺服驱动等领域的开发者参考。

weixin_28312391的博客 349

微信公众号接入图灵机器人实现自动回复消息

1、创建图灵机器人 进入图灵机器人网址:http://www.tuling123.com/ 登录/注册,进入机器人管理,然后点击创建机器人 然后我们选择或填写机器人的相关属性,这里我选择的是聊天社交,模拟真人聊天的机器人,应用终端由于是微信公众号接入,机器人设置里面,我们可以拿到接口api相关的信息。。直接上图: 2、后端代码开始接入 常量类 public f...

小小渔夫 7558

Ubuntu升级遇到grub-efi-amd64-signed安装失败?3步搞定这个烦人错误

本文深度解析Ubuntu系统升级时grub-efi-amd64-signed安装失败并提示“cannot find EFI directory”错误的根本原因。该错误通常由EFI系统分区挂载异常、BIOS/UEFI引导模式不匹配或dpkg包状态死锁导致。文章提供了三步精准修复流程:首先检查并修复ESP分区挂载,其次处理dpkg依赖问题,最后针对传统BIOS系统提供适配方案,帮助用户安全彻底地解决这一常见升级难题。

r7s8t的博客 398

OpenClaw赚钱实录:从“养龙虾“到可持续变现的实践指南——OpenClaw的赚钱底层逻辑与“记忆”革命

AI 的商业价值不在于替代思考,而在于沉淀关系。当 Agent 记住你的偏好、你的历史、你的目标,它就不再是冷冰冰的软件,而是成为数字化的关系资产。这种资产的稀缺性不在于技术复杂度,而在于时间无法被压缩——你无法用更好的算法替代 3 个月的协作记忆。在这场“记忆革命”中,护城河不是模型参数,而是用户与 AI 共同书写的历史。OpenClaw 用一套优雅的文件系统架构,将这种历史转化为可积累、可复用、可变现的数字资产。从“计算即服务”(CaaS)到“记忆即服务”(MaaS)。

冯·诺依曼 1341

图灵机器人加入微信公众号

首先注册图灵机器人:http://www.tuling123.com/ 然后加入图灵机器人: 加入微信进行扫描: 但是:菜单出不来,要进行重新开启!把服务关闭!

点点的博客 1157

多周期路径约束(set_multicycle_path )

1.由慢到快的多周期约束 如下图所示,发射时钟周期是接受时钟周期的4倍。默认情况下,按照1T原则来进行静态时序分析和布局布线的。即建立时间是在发射沿后的第一个捕获沿检查,而保持时间是同一时刻下源时钟和捕获时钟的触发边沿下检查的(建立时间检查边沿的前一个触发沿)。 但是这样导致的问题就是该路径过于苛刻,为了满足这条路径的要求,不得不放弃其他路径。或者根本没办法保证这个默认的约束。总之最终造成...

Arist. 5506

使用图灵机器人接口开发微信公众号聊天功能

准备电商比赛的时候申请了个公众号,因为之前错误地申请了订阅号,还是个人类型的,所以基本也没法开发什么功能了。于是就想到之前很火的小黄鸡聊天机器人。不过小黄鸡的接口是要收费的,所以选用了图灵机器人(http://www.tuling123.com/);也能实现自动聊天。 图灵机器人后台提供了两种接入方式,一种是API接入,一种是微信接入。使用微信接入非常简单,只要在微信后台-开发-基本配置里填写图

baba的博客 6876

Python爬虫实战:逆向工程与异步爬虫技术,高效抓取国家知识产权局专利数据

相比于传统的Selenium,Playwright由微软开发,支持多浏览器(Chromium, Firefox, WebKit),API更现代,执行速度更快,并且能轻松录制用户操作生成代码。通常,列表中的摘要信息是缩略的,我们需要进入每个专利的详情页获取完整信息(如主权要求、法律状态等)。我们的第一步是手动操作一遍搜索流程,并用Playwright的“录制”功能或开发者工具,找出真正返回专利数据的那一个或多个网络请求。以友好的、对人类行为模拟的方式爬取数据是基本的网络礼仪,也能有效避免你的IP被封锁。

2201_76125261的博客 2418

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

微信个人公众号接入图灵机器人

打开http://www.tuling123.com/,进行注册图灵机器人在机器人设置中添加个人公众号人物设置里面可设置机器人基本信息技能拓展里面可设置其功能开关闭状态。打开公众号直接回复聊天信息即可感谢您的阅读。如果感觉文章对您有用,麻烦您动动手指点个赞,以资鼓励。谢谢!...

Mr.Xie的博客 4022

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

微信个人公众号加入图灵机器人

前段时间搭建了自己的个人微信公众号,但是具体的开发还没有进行, 今天看www.tuling123.com的时候,注册了自己的账号,创建了一个小机器人。 迷迷糊糊的来到了我的机器人页面下: 直接将自己的公众号接入,就完成了自己个人公众号的智能回复功能,想想还是挺开心的。 而微信公众平台的二次开发,也会随后继续进行。

rachel__lin的博客 1946

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

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")

如何在微信公众号调用图灵机器人

百度图灵机器人 进入官网并注册账号 并创建机器人实例 进入机器人管理 点击添加公众号剩下的就是傻瓜式操作了 屏幕快照 2017-11-11 上午9.28.45.png (386.32 KB, 下载次数: 0) 屏幕快照 2017-11-11 上午9.31.27.png (73.49

Mr. 亮先生的博客 1660

python调用图灵机器人实现微信公众号的自动回复功能

​ 刚刚创建这个公众号的时候,我的一个同事就找我的公众号聊天,但是那个时候我的公众号还是仅支持根据关键词,如果要做到支持智能回复,那基本上就是不可能。然后我结合我之前做的微信自动回复机器人的经历,我首先就想到了图灵机器人。是不是可以把图灵机器人和微信公众号进行连接呢?于是我开始查看 图灵机器人的接口文档 微信公众号 发现其实只要我们拥有一个公网的web服务器地址,微信公众号和web服务器进行通信,我们对接收的微信公众号消息进行解析转发给图灵机器人,图灵机器人根据我们请求的内容返回对应的回复,我们再将回

菜鸟小白的学习分享 1299

java对接图灵机器人搭建自己的智能机器人

一、概述 1、图灵机器人大脑具备强大的中文语义分析能力,可准确理解中文含义并作出回应,是最擅长聊中文的机器人大脑,赋予软硬件产品自然流畅的人机对话能力。 2、我们熟悉的案例有QQ小冰,通过用户的输入能够达到智能对话,当然,图灵机器人的运用不止于此。 3、作为一个 java 初学者,可以利用图灵的 Api ,搭建一个智能对话系统,玩一点有意思的东西,哈哈。 案例:图灵机器人支持自定义词库,这......

码坑中的咸鱼 8429
上一篇: 阅读随笔
下一篇: 【转载】meta 详解,html5 meta 标签日常设置
评论 1
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
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