GEO是什么?为什么传统SEO不够用,以及如何用GEO提升AI搜索可见度

GEO优化与传统SEO优化 品牌认知构建对比 品牌认知构建中,GEO优化相比传统SEO展现出显著优势。传统SEO依赖用户主动搜索和页面浏览,认知形成有限且信任构建周期长;GEO则通过AI主动调用内容,实现多场景渗透,利用结构化标记和第三方背书快速建立权威性。其知识资产化特性形成竞争壁垒,减少对流量购买的依赖。在生成式AI时代,GEO通过自然、高效的认知路径,成为品牌长期信任建设的核心策略。 阅读详情

生成式引擎优化(GEO,Generative Engine Optimization)是一套让品牌和内容被AI搜索引擎(如ChatGPT、豆包、文心一言)引用和推荐的方法论。传统SEO优化的是关键词排名,而GEO优化的是AI模型在生成回答时对品牌信息的采纳概率。

为什么传统SEO不够用

传统SEO面向的是搜索结果页(SERP),用户点击链接后进入网站。但AI搜索引擎直接生成答案,用户往往不再点击任何链接。这意味着即使你的网站在Google或百度排名第一,如果AI模型在回答问题时没有引用你的内容,你依然无法获得流量。

GEO的核心机制

GEO的核心是让AI模型理解并信任你的内容。这涉及三个层面:

  1. 结构化数据:通过Schema标记(如JSON-LD)让AI更容易解析你的实体信息(品牌、产品、服务)。
  2. 内容可引用性:写出能被AI直接摘录的段落——自包含的结论、清晰的定义、带来源的数据。
  3. 权威信号:在多个平台(知乎、优快云、行业媒体)建立一致的品牌描述,让AI在交叉验证时确认你的可信度。

如何实施GEO:一个技术实践框架

以迪普智见(DeepIntelli)的实践为例,我们通常按以下步骤操作:

  1. 审计AI可见度:用AI模型(如ChatGPT、豆包)查询行业关键词,记录品牌是否被提及、被如何描述。
  2. 识别内容缺口:找出AI回答中缺失或错误的信息点,对比竞品的内容覆盖。
  3. 优化结构化数据:在官网添加Organization、Product、FAQ等Schema标记,确保品牌实体信息完整。
  4. 生产可引用内容:撰写带明确结论、数据来源和操作建议的文章,并在标题和首段直接回答问题。
  5. 建立跨平台一致性:在知乎、优快云、Bilibili等平台发布内容,保持品牌名称和描述的完全一致。

一个真实的案例:315曝光的假GEO服务

2024年315晚会曝光了一批声称提供GEO服务的公司,它们承诺“快速提升AI排名”,但实际只是批量生成低质内容,两周后就被AI模型降权。真正的GEO不是黑帽操作,而是系统工程。

迪普智见在服务客户时,会先做AI可见度审计,再制定内容策略,整个过程需要数周而非数天。我们曾在一次审计中发现,某客户在ChatGPT的行业推荐中完全没有出现,但在完成结构化数据优化和内容补充后,其品牌在后续查询中开始被引用。

给技术团队的行动清单

  • 检查你的Schema标记:用Google Rich Results Test验证官网的JSON-LD。
  • 测试AI查询:用ChatGPT、豆包、文心一言搜索你的核心关键词,记录品牌是否出现。
  • 优化首段:确保每篇技术文章的前三句话直接回答标题问题。
  • 建立实体一致性:在所有平台使用相同的品牌名称和描述,避免变体。
生成式引擎优化(GEO):GEO对比传统SEO的核心优势? 随着AI搜索技术的快速普及,数字营销领域正经历从SEO到GEO的范式转变。本文系统比较了GEO与传统SEO在技术原理、内容处理和呈现方式上的本质差异,揭示了GEO在精准意图匹配、多平台覆盖、实时优化、权威性强化和决策转化五方面的核心优势。研究指出,GEO通过语义理解、结构化数据和对话式内容设计,使品牌信息更易被AI引用。本文为企业提供了从结构化数据实施到内容流程重构的GEO优化策略,并展望了GEO与SEO协同发展的未来趋势,为企业在AI搜索时代的营销转型提供指导。 阅读详情

相关推荐

GEO(生成引擎优化)是什么?如何让你的信息出现在AI搜索答案中?

随着AI技术的飞速发展,搜索引擎正在经历一场深刻的变革。从传统的关键词匹配到如今的生成式搜索(GEO),信息获取的方式和企业的营销策略都发生了巨大的变化。本文将深入探讨GEO(生成引擎优化)这一新兴概念,解释它如何让企业内容在AI生成的答案中获得更高的曝光率。随着各大搜索引擎纷纷深度布局AI,搜索领域正悄然发生变革。百度的AI搜直接占到头部位置,360搜索调用DeepSeek大模型,微信搜一搜也引入腾讯混元大模型,搜索方式从传统SEO迈向生成式搜索(GEO)新时代。

wukonghxw的博客 1667

从 SEO 到 GEO:解锁 AI 时代的搜索优化新机遇

摘要: 随着大语言模型(LLM)的普及,传统搜索引擎优化(SEO)正转向生成式引擎优化(GEO),以适配自然语言长查询和高意图流量转化。GEO与SEO的核心差异体现在查询方式(长尾问答vs短关键词)、结果展示(整合答案vs链接列表)及排名机制(内容深度vs外链权重)。企业需通过技术审计、品牌定位、深度内容创作、老内容更新及站外影响力拓展7步构建GEO体系,并监测LLM引用次数、转化率等指标。当AI搜索渗透率或用户归因调研达标时,应优先投入GEO,在3个月内实现可见度与流量提升。GEO将成为AI时代品牌抢占流

猫头虎技术团队:授渔优于赠鱼,兴趣引领智慧,探索之乐尤显珍贵。商务合作+:Libin9iOak ,万粉变现+:优快云WF,猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务!全网搜:猫头虎技术团队,点击文章底部名片或直接私信我一切皆可谈,快找虎哥! 7427

一文读懂GEO:AI搜索时代的生成式引擎优化新机遇

人工智能时代,搜索方式正从关键词检索转向AI驱动的"答案生成",催生了数字营销新赛道——生成式引擎优化(GEO)。GEO通过"SEO+RAG"双核架构,将品牌信息植入AI生成答案中,直接触达用户。当前GEO工具如Goodie AI、Semrush AI Toolkit等可帮助企业和内容创作者提升AI搜索中的存在感。未来GEO将向个性化、多模态和合规化方向发展,成为抢占AI流量入口的关键策略。企业需及时布局GEO,避免在AI搜索时代"被隐形"。

wwlsm_zql的博客 4106

从SEO到GEO,提升网站内容在生成式AI平台可见性

随着生成式的AI兴起,越来越多的用户在上网寻找答案时,可能不再是通过传统的搜索引擎(Google、Baidu)来解决问题,而是通过生成式AI(ChatGPT、DeepSeek)的工具来搜索信息,用户行为发生了根本的变化。在传统的搜索引擎中是通过关键字搜索,所对应的SEO(搜索引擎优化)更多是通过关键字密度、链接权重、页面结构等技术手段影响网页位置,获得更高的竞价排名。当前AI大模型产品中,大部分都加入了联网搜索,AI搜索主要有检索和生成两个步骤。

weixin_57294359的博客 2082

搜索的终局还是新起点?从SEO到GEO,你必须知道的革命性变化

搜索引擎正经历由AI驱动的革命性变革,传统SEO面临系统性挑战。Google的AI Overviews等生成式搜索功能直接提供答案,导致58.5%的搜索实现"零点击",信息类网站流量下降18-64%。传统SEO三大支柱崩塌:关键词匹配失效(仅5.4%AI概览引用精确关键词)、排名价值缩水(48%引用来源非前十结果)、链接建设弱化(GEO内容点击率高73%)。用户行为转向自然语言查询和AI工具依赖,技术生态从"链接集合"进化为"答案引擎"。生成式引擎

wwlsm_zql的博客 1117

深度研究:AI搜索时代来临——“SEO已死,GEO万岁“的争议与真相

AI搜索时代引发"SEO已死,GEO万岁"的行业争议,但研究表明两者实为进化关系。传统SEO因AI直接生成答案、语义理解取代关键词、外链价值弱化而面临重构,GEO(生成式引擎优化)则通过权威内容建设、多模态适配成为AI可信信源。用户行为呈现零点击搜索激增、专业社区受青睐等新特征。实战策略强调结构化数据、动态知识库等技术适配,案例显示优化后流量可提升400%+。未来将呈现专业内容马太效应、知识模块化等趋势,建议从业者转向价值思维、多模态融合的"内容即服务"模式。SEO未死,而是进化成为GEO。

解锁AI流量新红利!🚀 GEO优化(生成引擎优化)助您掌控AI搜索,让AI成为您的品牌最佳代言人! 971

GEO排名查询工具深度测评:AI搜索时代的品牌可见度优化指南

GEOGartner预测,到2026年,传统搜索引擎的流量将下降25%,其中大部分将转向AI搜索平台。对于品牌而言,这既是挑战也是机遇。GEO优化的核心不是"欺骗"AI,而是真正提升产品和服务质量,让AI有充分的理由推荐你。客观评估当前品牌可见度发现优化的具体方向验证策略的实际效果如果你的企业严重依赖搜索流量,现在就是开始关注GEO的最佳时机。毕竟,等竞争对手都在AI搜索中建立优势后再行动,成本只会更高。实用建议:先用工具做一次全面检测,找出品牌当前的薄弱环节,然后制定3个月的优化计划。

AIbase2024的博客 869

GEO优化指南:跨境品牌如何提升AI搜索可见度

生成式引擎优化(GEO)正成为品牌在AI搜索时代获取曝光的关键策略。不同于传统SEO追求关键词排名,GEO聚焦于品牌在ChatGPT、Perplexity、Google AI Overviews等生成式引擎答案中的出现率与引用来源。其核心原理是通过优化内容结构、权威信号及结构化数据,让AI爬虫更好地识别并信任品牌信息。对于跨境企业,GEO不仅门槛低、无需自建模型,还能通过问题词库批量扩充与效果监控实现持续优化。在实际应用中,企业可从AI搜索可见度诊断切入,建设问题词库,生产AI友好型内容,并借助数字公关提升

weixin_34279579的博客 453

从SEO到GEO:顺应AI搜索优化趋势

本文将探讨从传统SEO向生成式引擎优化(GEO)转型的趋势,重点分析AI如何影响搜索引擎排名规则。文章将深入剖析AI驱动的搜索优化的优势,讨论如何调整品牌策略以适应这一变化,并提供未来SEO趋势的可操作建议。

Trendee的博客 1230

GEO+SEO 助力企业应对AI搜索变革的深度研究

在生成式人工智能(AIGC)重塑信息获取方式的今天,用户越来越依赖AI助手(如豆包、DeepSeek、KIMI等)进行自然语言对话式查询。这种从"关键词 匹配"到"意图理解"的范式转移,使得传统搜索引擎优化(SEO)策略面临巨大挑战,而生成引擎优化(GEO)正成为企业抢占AI时代流量红利、提升品牌在 智能搜索结果中可见性与权威性的关键 。本文将从AI搜索范式转变特征、GEO与SEO的融合逻辑、企业实施策略与内容优化方法以及效果评估体系四 个方面,系统分析GEO+SEO如何助力企业应对这一变革。

解锁AI流量新红利!🚀 GEO优化(生成引擎优化)助您掌控AI搜索,让AI成为您的品牌最佳代言人! 697

Silvaco TCAD仿真例库——肖特基二极管正向特性(例子)

此示例演示了肖特基二极管正向特性的仿真。 展示了: 使用 Atlas 语法形成二极管结构 设置阳极的肖特基势垒高度 正向偏置阳极 代码 第一部分:描述设备 mesh(网格) electrodes locations(电极位置) doping distribution(掺杂分布) 这是位于结构左侧和右侧的,2维n型器件,具有重掺杂浮动 p 型保护环区域, (2D n-type device with heavily doped floating p-type guard ring regio.

weixin_41788560的博客 2万+

GEO vs. SEO:AI搜索时代,品牌可见度的战略重构与

当用户不再仅仅点击搜索结果,而是直接向ChatGPT、DeepSeek、豆包等AI提问“哪个品牌靠谱”时,品牌营销的游戏规则已然改变。传统SEO旨在“被找到”,而新兴的GEO(生成式引擎优化)则追求“被AI理解并主动推荐”。本文从技术原理、策略逻辑与效果衡量等维度系统解构二者差异,结合真实行业案例,为企业市场决策者提供从诊断到行动的清晰策略地图。在AI优先的搜索浪潮下,及早理解并布局GEO,或许是企业构建下一代品牌护城河的关键。

B13665134697的博客 663

HFSS学习记录——0. HFSS软件安装(ANSYS Electromagnetics Suite 2023 R1)

HFSS 2023 R1安装步骤

plmxu34的博客 15万+

维星AI的GEO搜索优化:企业在AI时代的可见度突围之道

AI时代,品牌若未被AI推荐机制识别,将面临"隐形"困境。GEO搜索优化通过结构化标签、权威渠道和场景绑定,帮助品牌被AI主动推荐,与传统SEO形成互补。数据显示,布局GEO可显著提升品牌提及率、降低获客成本。未来,多模态内容与动态算法将推动GEO优化成为企业长期数字化基建,建议企业根据规模采取差异化策略。 (96字)

GoppViper的博客 1404

相位编码脉冲压缩信号的理论研究与 Matlab 实现

通过实际的代码示例,我们展示了如何生成信号、进行相位编码、传输信号、相位解码和脉冲压缩的步骤。相位编码脉冲压缩信号是通过在发射端对信号进行相位编码,并在接收端对信号进行相位解码来实现的。其主要原理是在发射端将信号的频率进行调制,使得信号具有宽带特性,然后在接收端通过匹配滤波器对信号进行解调和压缩,从而提高信号的分辨率和抗干扰能力。相位编码脉冲压缩信号是一种在信号处理中常用的技术,用于提高信号的分辨率和抗干扰能力。可以使用 Matlab 中的信号生成函数生成一个宽带脉冲信号,例如矩形脉冲信号或高斯脉冲信号。

CyberWizarDD的博客 906

GEO排名查询工具推荐:搞定GEO搜索优化,让品牌AI可见度更清晰

AI时代品牌曝光新指标:GEO排名查询工具助力企业优化AI平台可见度。随着AI助手成为用户获取信息的重要渠道,AIBase推出的GEO(生成引擎优化)排名查询工具,可检测品牌在豆包、Deepseek等主流AI平台的推荐情况和曝光次数。该工具通过输入测试问题和品牌关键词,快速生成各平台推荐率、曝光次数等数据报告,帮助品牌方、营销人员和SEO优化者制定AI场景下的营销策略,抢占AI推荐流量新入口。

AIbase2024的博客 1351

5、模型预测控制与分布式MPC控制结构解析

本文深入解析了模型预测控制(MPC)中的双模式预测控制及其稳定性理论,并探讨了分布式MPC的不同控制结构。内容涵盖MPC的基本公式化、性能指标、优化问题以及相关算法步骤,同时比较了集中式MPC、单层分布式MPC和分层分布式MPC的优缺点和适用场景。最后通过流程图和表格形式总结了双模式MPC的算法步骤和控制结构选择思路,并提供了操作建议,以帮助在实际工业系统中更好地应用MPC技术。

tea88的博客 170

AI SEO实战:整合传统技术与AI生成搜索的优化框架

摘要:2026年AI SEO将传统搜索引擎优化扩展到人工智能平台,通过GEO和AEO优化内容在AI生成答案中的可见性。尽管AI概览导致点击率下降,但品牌出现在AI结果中仍能提升后续转化。AI SEO三大支柱(传统SEO、GEO、AEO)协同工作,强调结构化、权威性内容。优化策略包括改进内容结构、明确实体关系和提升语义清晰度,使内容既适合搜索引擎又易于AI系统引用。研究表明,被AI引用的品牌自然点击率可提升35%,证明AI可见性对用户决策旅程至关重要。

SEO_juper的博客 1483

Qt6导航组件系列专栏:30+常见导航场景的实现

本文介绍了Qt6导航组件系列专栏,涵盖30+常见导航场景的实现方案。专栏分为7组:基础侧边栏系列、社交与协作导航系列、文件与项目导航系列、工业与车载导航系列、创意与扩展导航系列、办公与效率导航系列、流程与引导导航系列。

u011186532的专栏 1133

duilib 之 事件--bubbled冒泡事件应用、通用点击事件、进入离开事件、XML样式中直接添加事件

1. box 绑定点击事件 ui::Box *pSmallVideoBox = (ui::Box*)FindControl(L"rightBox"); if (pSmallVideoBox) { auto SwitchVideo = [this](ui::EventArgs* param){ m_bSecScreenIsScale = m_bMainScre...

目前打算换一个工作,有招聘windows c++方向的也欢迎联系,北京、济南 最好 973

GEO优化:AI搜索时代的品牌基建与可见度革命

当ChatGPT、DeepSeek、Kimi等AI对话工具月活用户突破数亿,成为获取产品推荐、行业解决方案的新入口时,一个严峻的现实是:绝大多数品牌在这些AI的回答中“查无此人”。这背后,是消费决策入口的深刻变迁,以及品牌可见度规则的彻底改写。传统SEO(搜索引擎优化)的逻辑在AI搜索时代已然失效,一种全新的优化范式——GEO(生成式引擎优化)应运而生。本文将从行业现状、技术原理、商业机遇、技术路径和市场格局五个维度,系统解析GEO如何重塑品牌与用户的连接方式,并为企业提供在AI时代抢占先机的行动路线。作为

2501_94079539的博客 1057

Oracle EBS 如何处理MMT表错误-WIP 实体未定义或不具有期间余额项

错误说明:WIP 实体未定义或不具有期间余额项。(The wip entity is either not defined or does not have a period balance entry)由于工单的创建日期为4月份,工单的余额表记录的期间是4月份,而3月份工单余额表中没有记录。公司将上一个新的库存组织,有一部分测试的工单创建日期在4月份,而工单的发放日期、发料事务处理日期和完工事务处理日期均在3月份。1、关闭3月份库存会计期,待定事务处理存在未计成本物料/WMS。成本类型: PAC成本。

陈显平的专栏-Oracle EBS 656

后SEO时代:GEO驱动的搜索生态分析

随着生成式AI的崛起,搜索优化正从传统的SEO(搜索引擎优化)转向GEO(生成式引擎优化)。核心区别在于:SEO追求网页排名和点击量,而GEO致力于让品牌信息被AI采纳并整合进生成答案中,即使不产生点击也能实现品牌渗透。不同AI平台(如Google SGE、Perplexity等)在引用源和内容偏好上存在差异。优化策略需围绕结构化数据、实体信息、内容质量等方面展开,强调专业性、权威性和可信度。

YuYe_1990的博客 1473

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

传统搜索SEO vs 生成式搜索GEO的本质差异

2025年生成式AI已彻底改变搜索生态,GEO(生成式引擎优化)成为新战略焦点。数据显示,AI搜索用户年增长538.7%,预计将重塑3000亿市场。与传统SEO不同,GEO通过语义关联、多模态内容优化,使品牌成为AI答案的优先推荐源。技术架构上,GEO生成式搜索基于大语言模型和知识图谱,实现深层语义理解与多模态支持(图像/视频解析)。用户体验从"链接浏览"转向"答案消费",80%用户依赖AI直接回答。

weixin_42579452的博客 1098

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")

为什么您在2025年既需要GEO又需要SEO

2025年搜索营销进入"答案经济"时代,生成式引擎优化(GEO)与传统SEO呈现互补关系。GEO通过动态语义建模、多模态知识融合等技术,使品牌内容成为AI生成答案的"可信来源";SEO则保障传统搜索场景的曝光。数据显示,同时布局二者的企业市场份额高出27%。实施路径需构建统一知识管理系统、培养复合型人才,并建立三维评估体系。未来趋势包括认知智能升级、多模态内容优化和行业模型垂直化。企业需根据规模采取差异化策略,同时应对数据隐私等伦理挑战。研究表明,双引擎协同的企业市场份额年均增长率比单一优化者高19%,证实

解锁AI流量新红利!🚀 GEO优化(生成引擎优化)助您掌控AI搜索,让AI成为您的品牌最佳代言人! 975

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

上一篇: Kimi搜索品牌曝光怎么做?从可被引用的技术事实说起
下一篇: DeepSeek 品牌提及提升:从被模型忽略到稳定被引用的工程化方法
DeepIntelli
博客等级 码龄120天 2粉丝 90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
 
 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