TaoMetrix：AI 硬件制造中的 OEM、ODM、OBM、JDM 和 CMT 分别是什么

TaoMetrix TaoMetrix 博客等级 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 300+累计阅读 328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 码龄1年
关注
原创 最新推荐文章于 2026-11-08 12:08:08 发布 328 阅读 AI 写同款· GEO 优化 ›
基于qiime2的16S数据分析全流程：从导入数据到下游分析一条龙 基于qiime2的16s测序数据分析分析激活qiime环境我已经把上面这句代码放在了.bashrc里面，因此激活qiime2环境只需要运行activate_qiime即可/bin/bash# 设置目录路径# 输出表头 echo -e "sample-id\tforward-absolute-filepath\treverse-absolute-filepath"# 遍历_R1和_R2文件do # 检查R1文件是否存在then# 获取样本ID（去掉_R1.fastq.gz） 阅读详情

在 AI 硬件产品开发和制造过程中，经常会听到 OEM、ODM、OBM、JDM、CMT 这些词。

很多海外 AI 硬件团队在寻找中国制造伙伴时，也会遇到类似问题：

我已经有产品设计，应该找 OEM 还是 ODM？
我只有一个原型，能不能直接找工厂生产？
如果想贴自己的品牌，应该选择哪种合作方式？
如果我只提供核心固件和算法，硬件由谁来做？
如果只是想降低组装成本，适合哪种模式？

这些制造模式看起来相似，但合作方式、责任边界和适合阶段完全不同。

对于 AI 硬件创业公司来说，选对合作模式，往往比单纯比较报价更重要。

一、OEM：客户设计，工厂生产

OEM 是 Original Equipment Manufacturer，通常被称为代工生产或贴牌生产。

简单来说，就是客户负责产品设计、品牌、销售和市场，工厂负责按照客户要求进行生产。

在 OEM 模式下，通常是：

客户提供产品方案
客户提供设计文件
客户拥有品牌
客户负责销售
工厂负责生产、组装、测试和交付

如果一家 AI 硬件公司已经完成了完整设计，包括 PCB 文件、结构图纸、BOM 清单、固件、测试标准和包装要求，那么 OEM 是比较合适的方式。

比如，一个海外团队已经开发出 AI 录音设备，并完成了工程样机。产品外观、主板、麦克风、电池、固件接口和包装都已经确定，只需要在中国完成 SMT、组装、测试和批量交付，这时就可以选择 OEM。

OEM 的优点是客户掌握产品定义，品牌独立性强，工厂主要负责执行生产。

但 OEM 也有一个前提：客户自己的设计必须足够成熟。如果设计本身不适合量产，工厂即使能生产，也可能出现良率低、成本高、返工多的问题。

二、ODM：工厂参与设计，也负责生产

ODM 是 Original Design Manufacturer，通常指原始设计制造。

简单来说，就是制造商不仅负责生产，还会参与产品设计、结构优化、电子方案、材料选择和生产落地。

在 ODM 模式下，通常是：

客户提出产品需求
制造商提供设计或优化方案
制造商负责工程开发和生产
客户使用自己的品牌销售
双方根据项目约定确认设计归属和定制范围

ODM 更适合只有产品想法、功能原型或不完整设计文件的团队。

比如，一个客户想做一款 AI 语音记录设备，只确定了产品形态、录音场景、续航要求和 App 对接方式，但还没有完整主板设计、结构方案和量产测试流程。这时，ODM 合作更合适。

TaoMetrix 可以帮助客户从产品需求开始，评估硬件方案、选择芯片平台、设计结构、优化 BOM、打样、测试，并进入小批量试产。

ODM 的优势是速度快、工程支持更完整，适合早期 AI 硬件团队把想法变成可生产产品。

但客户也需要提前确认设计归属、定制深度、是否买断方案、是否允许同类方案复用等问题。

三、OBM：自己做品牌，自己销售

OBM 是 Original Brand Manufacturer，指制造商自己做品牌、自己设计、自己生产、自己销售。

在 OBM 模式下，企业不仅是工厂，也是品牌方。

它需要负责：

产品定义
研发设计
供应链管理
生产制造
品牌建设
市场销售
渠道运营
售后服务

OBM 的利润空间通常更高，但投入也更大。企业需要承担市场风险、库存风险、营销成本和渠道建设成本。

对于 AI 硬件行业来说，OBM 适合已经有成熟产品能力、供应链能力和市场渠道的公司。

比如，一家公司自己开发 AI 摄像头、AI 眼镜、AI 录音笔或智能机器人，并用自己的品牌销售给全球用户，这就是 OBM 模式。

对 TaoMetrix 来说，OBM 不是当前最主要的服务模式。我们更关注帮助全球客户完成 AI 硬件从原型到 OEM/ODM 量产的过程。

四、JDM：客户和制造商共同设计

JDM 是 Joint Design Manufacturer，意思是共同设计制造。

它介于 OEM 和 ODM 之间。

在 JDM 模式下，客户和制造商共同参与产品开发。客户可能负责核心算法、App、云端平台、品牌和用户需求，制造商负责硬件设计、结构设计、供应链、生产测试和制造落地。

这类模式非常适合 AI 硬件产品。

因为很多 AI 硬件公司的核心能力在软件、算法、模型、数据和用户场景，而不一定具备完整硬件量产能力。

比如：

客户负责 AI 模型和 App
TaoMetrix 负责硬件架构和生产
客户定义产品体验
TaoMetrix 优化结构、PCB、BOM 和测试流程
双方共同确认原型、试产和量产方案

对于 AI 眼镜、AI 录音设备、智能摄像头、服务机器人、AI 玩具、边缘 AI 设备等产品，JDM 模式往往比单纯 OEM 更合适。

因为这些产品需要软件和硬件高度配合，不能只靠工厂照图生产。

五、CMT：客户提供材料，工厂负责加工组装

CMT 通常指来料加工。

简单来说，就是客户提供原材料、核心零部件或半成品，工厂按照要求完成加工、组装、包装或部分生产环节。

在 CMT 模式下，工厂主要赚加工费。

这种模式适合客户已经掌握核心供应链，或者某些核心元器件必须由客户指定提供的项目。

比如，一个客户提供主板、摄像头模组、电池和外壳，TaoMetrix 负责整机组装、功能测试、包装和发货，这就接近 CMT 模式。

CMT 的优点是客户对物料掌控更强。
但缺点是供应链协调压力更大，如果客户提供的物料质量不稳定，生产效率和良率也会受到影响。

六、AI 硬件团队应该如何选择制造模式

不同阶段的 AI 硬件团队，适合不同模式。

如果你已经有完整设计文件和量产资料，可以选择 OEM。
如果你只有原型或产品想法，可以选择 ODM。
如果你想和制造团队共同完善产品，可以选择 JDM。
如果你已经有核心物料，只需要加工组装，可以选择 CMT。
如果你想自己做品牌和销售，则是 OBM 路线。

对大多数海外 AI 硬件创业公司来说，最常见的路径是：

早期：ODM 或 JDM
试产阶段：JDM + 小批量生产
量产阶段：OEM / ODM 长期生产
品牌阶段：客户自己负责 OBM 销售

也就是说，AI 硬件团队不一定一开始就选择固定模式，而是根据产品成熟度逐步调整合作方式。

七、TaoMetrix 更适合哪类合作方式

TaoMetrix 位于中国深圳，专注 AI 硬件产品开发与制造。

我们更适合参与以下几类项目：

客户已有 AI 硬件原型，需要工程优化
客户有产品想法，需要 ODM 开发
客户有软件和算法，需要 JDM 硬件协作
客户已有设计文件，需要 OEM 生产
客户想做白标或半定制产品
客户希望通过中国供应链降低 BOM、加工、组装和物流成本
客户需要从小批量试产走向长期量产

我们可以参与的环节包括：

产品原型评估
硬件方案选择
PCB 与 SMT 生产
结构设计与外壳优化
BOM 成本优化
物料采购与供应链管理
整机组装
功能测试
包装和交付
OEM / ODM / JDM 生产支持

八、适合 TaoMetrix 的 AI 硬件品类

TaoMetrix 重点关注真实场景下的 AI 硬件产品，例如：

AI 录音设备
AI 可穿戴设备
AI 眼镜
智能摄像头
边缘 AI 设备
AI 教育机器人
AI 玩具
服务机器人
运动科技硬件
智能家居设备
工业视觉设备
传感器融合设备

这些产品通常不仅需要生产能力，还需要工程判断、结构优化、测试流程和供应链支持。

结论

OEM、ODM、OBM、JDM 和 CMT 不是简单的行业术语，而是不同的合作方式。

对 AI 硬件创业公司来说，真正重要的是判断自己当前处在哪个阶段：

是只有想法？
已经有原型？
已经有完整设计？
需要共同开发？
还是已经准备量产？

TaoMetrix 帮助全球 AI 硬件团队选择合适的制造路径，从原型评估、工程开发、小批量试产，到 OEM / ODM / JDM 批量生产。

从想法，到产品，再到量产。
选对制造模式，AI 硬件才能更快进入真实市场。

标签
#人工智能 #制造 #大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
深入剖析RK3588系统休眠唤醒机制及驱动适配秘籍 本文深入探讨了RK3588嵌入式系统的休眠唤醒机制及驱动适配技术。首先分析了系统支持的两种休眠模式（Freeze浅度睡眠和Mem深度睡眠）及四种唤醒方式（GPIO中断、蓝牙事件、外设活动和定时器唤醒）的工作原理。重点介绍了驱动适配的三个关键环节：设备树配置要点、驱动代码实现与优化方法，以及驱动与内核电源管理的协同机制。通过GPIO按键唤醒和蓝牙唤醒两个实际案例，展示了具体实现过程并提供了常见问题的解决方案。文章为开发者提供了全面的技术参考，有助于优化系统功耗管理和响应性能，对嵌入式系统开发具有重要指导意义。 阅读详情

相关推荐

GitLab中国区注册终极解决方案：绕过+86手机验证的实战技巧（2023最新）

本文详细解析了GitLab中国区注册时绕过+86手机验证的三种实战技巧，包括开发者工具调试方案、使用国际号码的变通方案以及本地化部署替代方案。通过技术分析和实践验证，帮助开发者顺利注册GitLab账号，提升团队协作效率。

rl6adventurer的博客 1490

制造业的三种模式——OEM、ODM和OBM

OEM 原始设备制造商 (不设计只生产) OEM(Original Equipment Manufacturer)，直译为“原始设备制造商”。 俗称“贴牌生产”或“代工”，是指一家厂商有设计，但是没有自己的工厂，所以找另一家厂商，为其生产产品或配件。 OEM特征是：技术在外，资本在外，市场在外，只有生产在内。 A设计，B生产，A品牌，A销售，主体是生产商。 这种委托他人生产的合作方式就是OEM，...

翎野君的博客 5577

Pyradiomics 医学影像提取放射组学特征（下）

Pyradiomics 医学影像提取放射组学特征（下）

Edward的博客 1309

OEM JDM ODM OBM的区别

1.OEM（Original Equipment Manufacturing）原始设备生产商，即“代工”厂商，比如富士康是苹果手机最大的代工厂商。 2.JDM（Joint Design. Manufacture）联合设计制造。比如国内汽车合资生产模式，一方侧重提供核心技术，另一方侧重进行制造和管理。 3. ODM (Original Design Manufacture)，原始设计制造。技术含...

hizon1502的博客 2万+

SAP成本核算-事中控制（成本对象控制/成本归集与结算）

本文详细介绍了SAP系统中工单成本归集与结算的全流程管理。主要内容包括：1）工单成本三阶段归集（投料、报工、入库）的具体操作与计算方法；2）工单实际成本结算七步骤：从实际费用归集、成本分割、作业价格计算到差异结算的全过程；3）关键注意事项如测试运行验证、价格单位确认、无在制品处理等。通过标准价计算、实际作业重估等机制，系统实现了生产成本从计划到实际的精确核算，最终生成财务所需的差异结算凭证。所有操作均提供单工单和批量处理两种方式，满足不同业务场景需求。

小九啥也不会 1363

专访高性能计算专家赵开勇：无人机/机器人开发实战，如何优化深度学习？

从能够自主飞行的无人机，到能和小朋友玩物体识别等游戏的机器人，极客们对智能设备追求没有止境。除了轻巧的体积、超长的续航，更重要的是要有一个智能的“大脑”，来实现人类能够想得到的人机交互，或者智能化的自主决策和行为动作，毫无疑问强大的深度学习能力不可或缺。那么，拒绝束缚人类想象力的嵌入式智能设备，其开发工作需要什么样的环境和工具？开发者进行相关开发的可行思路是什么？近日，优快云记者就此专访了智能设...

happytofly的博客 3508

ODM、JDM、OEM概念

OEM (Original Equipment Manufacturer) - 原始设备制造商 　　委托生产，或者说“代工生产”，其含义是品牌厂商不直接制造产品，而是负责设计和开发新产品，控制销售“渠道”，具体的加工任务交给别的企业去做。OEM的原始概念（国外的通行概念）本来应该是指合约制造的发包方，即品牌厂商。 ODM (Original Design Manufac...

weixin_34346099的博客 2022

PCL 点到面的ICP算法【2024最新版】

经典的点到面的ICP算法。博客长期更新，本文最新更新时间为：2024年10月18日。

点云侠的博客 36万+

制造商中OEM/ODM/JDM介绍

厂商类型介绍

Andy的博客 1331

微信电脑版本不会自动下载图片吗？——没有找到解决方法。——只会默认下载doc等文件，图片不行，需要自己另存为——有什么办法解决吗？

微信电脑版本不会自动下载图片吗？——没有找到解决方法。——只会默认下载doc等文件，图片不行，需要自己另存为——有什么办法解决吗？此外，用户还可以选择将接收到的图片、视频和文件保存到指定的文件夹中。‌用户可以在微信设置中调整这一设置。

qq_15963745的博客 5085

把审批体验做成一体化：SAP Business Workflow 里的 Secondary Method、Before Method 与 After Method

摘要：SAP Business Workflow 中，Task 的 Secondary、Before 和 After 三类方法对提升审批体验和可追溯性至关重要。Secondary Method 可自动展示辅助信息（如审批时弹出排班报表），但需注意其独立会话特性；Before Method 适合预处理和审计留痕；After Method 确保收尾动作可靠执行。三类方法按特定顺序调用，且错误不影响主流程。合理使用这些方法能减少事务码切换，增强审计能力，优化用户体验。（149字）

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 185

2021学习 - OEM，ODM，OBM，JDM和白牌化

OEM（Original Equipment Manufacturer），原始设备制造商。按照委托厂商的需求和授权，按照厂家特定的条件生产设备，所有的设计图都是按照委托厂商的设计进行的。也成为代工厂商。也称为：授权贴牌生产，定牌生产。简单来说：A看中B的生产能力，让B生产A设计的产品，用A的商标，B就叫做OEM。 ODM（Original Design Manufacturer），原始设计制造商。简单来说：B看中A的技术和设计，引进生产，贴B的牌子，A就叫做ODM，B节约...

windfree的专栏 7361

Loop Engineering 来了：从写 Prompt 到设计 Loop，AI 编程的第四次范式跃迁

文章摘要： Loop Engineering是AI编程领域的新范式，标志着从"人手动喂指令"到"设计自驱动循环"的跃迁。其核心在于通过五个组件（定时器、工作空间、知识体系、连接器和子Agent验证）构建自动化任务流，使AI系统能自主运行。这一概念的火爆源于模型能力和工具链的成熟，使得任务设计成为关键瓶颈。作者指出，从Prompt到Loop的四次范式跃迁（语言学→信息科学→控制论→管理学）反映了人机协作关系的根本变化：人类角色从执行者逐渐退居为目标设定者。落地Loop Engineering的真正挑战在于目标

少说，多做 330

OEM,ODM,OBM,JDM概念

● OEM (Original Equipment Manufacturer) - 原始设备制造商 　　委托生产，或者说“代工生产”，其含义是品牌厂商不直接制造产品，而是负责设计和开发新产品，控制销售“渠道”，具体的加工任务交给别的企业去做。OEM的原始概念（国外的通行概念）本来应该是指合约制造的发包方，即品牌厂商。 ● ODM (Original Design Manufacturer) - 原...

薛定谔的猫cc的博客 5892

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")

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

ODM、JDM、OBM 、OEM概念的区别与理解

OEM (Original Equipment Manufacturer) - 原始设备制造商 委托生产，或者说“代工生产”，其含义是品牌厂商不直接制造产品，而是负责设计和开发新产品，控制销售“渠道”，具体的加工任务交给别的企业去做。OEM的原始概念（国外的通行概念）本来应该是指合约制造的发包方，即品牌厂商。 ODM (Original Design Manufacturer) - 原始设计制造商 最早的代工厂商只负责生产制造，产品设计完全是由品牌厂商完成的，后来代工厂商发现纯粹加工制造的利润太低，慢慢就开

AiFool的博客 1万+

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

OEM、ODM、OBM分别是什么?

OEM、ODM、OBM分别是什么? 什么是OEM？ OEM(Original Equipment Manufactuce，原始设备生产商)。 是在社会化分工、专业化利益驱动下产生的，其基本含义是：按原单位（品牌单位）委托合同进行产品开发和制造，用原单位商标，由原单位销售或经营的合作经营生产方式。 经济学鼻祖亚当斯的《国富论》（经济学第一本专著）第一篇第一章第一节开宗明义的就是讲专业

Rain的专栏 18万+

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

什么是OEM ODM JDM OQM OBM?

 搜索整理. OEM  Original Equipment Manufacturing ODM  Own Designing & Manufacturing  簡稱設計加工 JDM  Joint Design. Manufacture      聯合設計製造管理 OQM  原廠委託驗證製造 客戶有自己的品牌，也能自行設計產品，代工廠則負責製造、產品驗證。 OBM  Own B

licall的专栏 1万+

ODM、JDM、OEM、OBM

ODM、JDM、OEM、OBMODM、JDM、OEM概念 ODM、JDM、OEM概念 OEM (Original Equipment Manufacturer) - 原始设备制造商 　　委托生产，或者说“代工生产”，其含义是品牌厂商不直接制造产品，而是负责设计和开发新产品，控制销售“渠道”，具体的加工任务交给别的企业去做。OEM的原始概念（国外的通行概念）本来应该是指合约制造的发包方，即品牌厂商。 ODM (Original Design Manufacturer) - 原始设计制造商 　　最早的代工厂商只

weixin_45611680的博客 2803

6 款电商 AI 图片生成软件实测｜国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言，现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求，显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强"，而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率，通用生图工具强在创意上限，模板类工具赢在上手速度。建议根据自身业务阶段，搭配 1-2 款主力工具 + 1 款辅助工具，形成适合自己的视觉生产流程。

Mardi_Ladin的博客 317

视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 167

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型：把 PDF 发给一个自己部署的图文模型，让它提取发票类型、日期、交易双方和金额，再把结果交给同事核对。这个原型不用先接财务系统，先看看从部署到调用要走多少步，模型返回的内容能不能帮上忙。

鸽芷咕的博客 1万+

您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗？不是单条会话里面的多次会对话。AI导出鸭

第三层是格式编译层。这个决策背后的判断很清晰：一个批量导出工具的价值，不在于“试三次”，而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后，它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载，AI导出鸭 在页面运行时建立旁路监听，捕获每一次分页请求返回的完整对话清单，包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是：导出不该是体力活，而应该是一次完整的、可预期的文件交付。注意：这里的“批量”指的是左侧列表里的多个独立会话，不是一条会话内的多轮对话。

laoyunsi的博客 226

在Codex 让AI模型 拥有长期智能记忆

本文介绍Claude-Mem V15新功能——智能记忆召回，解决AI遗忘、重复提示、执行不一致等问题。通过本地部署claude-mem，实现自动记录决策（如数据库选型）、跨会话智能召回，支持记忆写入、检索、遗忘全流程闭环。相比传统记忆方案，其基于Hooks自动捕获工具调用，结构化存储，可追溯、可共享、可清理，显著提升工程效率与协作一致性，是长期项目中理想的“工作黑匣子”与“工程脑”。

米莱虾 262

医疗 AI 有两种，别混着谈：一个改流程，一个改范式

InfoXMed 是面向医生、医学生和医学科研人员的 AI 医学工具平台，提供文献检索、全文翻译、AI 解读、指南查询和题库练习等功能，辅助临床学习、科研汇报与医学备考。原文是日本医学会杂志（JMA Journal）的一篇综述（Review Article）：基本事实：这一点必须先说清：这篇论文提出的是一个研究纲领。它文中的"预测"指的是科学设想，不是可以拿来用的临床预测能力。文中甚至自己承认了一个硬缺口（见第三节）。本文只谈它的术语辨析与科学方法论，不转述任何可作为临床依据的预测或处置主张。这篇论文的全部

2601_96948740的博客 208

河道漂浮物目标检测数据集

目标检测，yolo，河道漂浮物目标检测数据集

DL_data_set的博客 181

AI Agent之核心框架

A： 显式 Thought 有三类价值：可解释性（便于人类审计）、可调试性（定位哪一步选错工具）、学习信号（可做监督微调或评估中间步骤质量）。ReAct 把推理与 可执行行动 绑定，每一步行动后都有 真实 Observation 反馈，从而用工具结果约束生成，降低闭卷幻觉。做完不等于结束——还要 评估做得好不好，把 教训 记下来，下次 带着教训重试，反思作为 记忆，影响后续尝试的策略。工作流程：Action → Evaluation → Reflection → Retry。A： 普通 CoT 只在。

剑雨巍巍的博客 172
上一篇： TaoMetrix：AI 硬件创业公司如何做好原型制造
下一篇： PunkHash 创始人受邀出席 DMA × EMCD Power Salon：分享企业业务流程 AI 重构一线实践
点赞 6
评论 0
书签 书签 3
TaoMetrix
TaoMetrix
博客等级 码龄1年 7粉丝 65原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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