AI assistant本地部署Continue.dev + Ollama + MCP Server

MCP Server:让本地AI模型像操作系统资源一样被调用 Model Communication Protocol(MCP)是一种面向本地AI模型的轻量级通信协议,旨在解决传统REST/gRPC在AI工作流中状态管理混乱、接入成本高、元数据缺失等根本性问题。其核心原理是将模型能力抽象为可发现、可会话、可结构化交互的标准端点,依托WebSocket+JSON-RPC实现跨语言低门槛集成,并通过/server_info统一暴露模型能力、输入输出Schema与工具集。技术价值在于推动AI从‘胶水脚本’走向‘可复用能力单元’,支撑VS Code插件、Notion连接器、E 阅读详情
AI摘要

本文介绍了AI assistant本地部署Continue.dev + Ollama + MCP Server的方法。选择用Visual Studio Code + Continue.dev插件集成AI IDE,配置Ollama本地运行qwen2.5 - coder模型,并添加PG MCP server。详细说明了操作步骤,包括安装插件、部署模型、配置服务器等,最后完成配通并成功调用Tool call。

AI assistant本地部署Continue.dev + Ollama + MCP Server

本文选择用Visual Studio Code + Continue.dev插件集成配套的AI IDE,配置Ollama本地运行qwen2.5-coder (7b)模型,并添加一个PG MCP server以提供相应的Tool功能。


为什么这么做?

  • 为了理解和实操MCP
  • 地区问题用不了Claude Desktop
  • 优先想到CodeLLM的使用场景
  • 免费,不想花钱买API key

技术介绍

  • Model Context Protocol 是一种开放协议,旨在为AI应用提供标准化的接口以安全访问和操作本地及远程数据,被形容为AI领域的“USB-C接口”。
  • Continue.dev 是一款功能强大且高度可扩展的AI编程助手,支持多任务并行处理与开发流水线工具集成,为开发者提供全方位的智能编码支持。
  • Ollama 是一个开源框架,专门设计用于在本地运行大型语言模型,通过将模型权重、配置和数据捆绑到一个包中,简化了模型的设置和使用。

(以上文字介绍来自qwq生成,可能代表、也可能不代表作者观点)

那么本文的这个案例中,各个工具或者应用承担的是什么角色呢?

  • MCP host and client: Visual Studio Code + Continue.dev
  • LLM: Ollama running qwen2.5-coder
  • MCP server: 一个用MCP Typescript SDK实现的Node.js应用(被Continue.dev初始化应用)

在这里插入图片描述


操作步骤

1. Visual Studio Code中安装Continue.dev插件

在这里插入图片描述

为了与主流AI IDE布局一致,装完之后我把插件入口拖至right side bar 🐶


2. 使用Ollama本地部署LLM

Ollama的本地安装比较傻瓜,就不赘述了,follow官方文档就好。我这里选择运行一个阿里的qwen2.5-coder 7b作为Continue.dev的模型Provider,用下来感觉跑着不费力。

这里也想问一下,有没有哪位同学试过MacBook Pro (Apple M4 Pro)能跑得动多大参数体量的LLM?32b?

ollama run qwen2.5-coder

# 下载好image安装运行成功后,可以直接Ctrl + c退出,Ollama会自己按需启动/停止模型服务

3. 本地配置PG MCP server

这里先使用官方实现的PG MCP server,https://github.com/modelcontextprotocol/servers/tree/main/src/postgres,下次再尝试自己实现一个。

git clone git@github.com:modelcontextprotocol/servers.git
cd servers/src/postgres
npm ci

这里可以使用MCP inspector来测试一下本地MCP server部署成功与否:

# debug
npx -y @modelcontextprotocol/inspector npx @modelcontextprotocol/server-postgres postgresql://postgres:postgres@localhost:30432/developer_ems

Starting MCP inspector...
⚙️ Proxy server listening on port 6277
🔍 MCP Inspector is up and running at http://127.0.0.1:6274 🚀

PG的本地部署我就不赘述了,一个docker desktop直接搞定的事。下面是访问MCP inspector的一些截图:

在这里插入图片描述

在这里插入图片描述


4. 在Continue.dev中添加MCP server并使用

完成以上步骤之后,我们就已经拥有了:

  • 一个AI IDE作为MCP host
  • 一个能访问PG的MCP server应用

最后我们需要将二者配通,即可完成。

4.1 在Continue.dev的配置中添加如下

通过“Add MCP Servers”直接打开config.json进行编辑

在这里插入图片描述

"experimental": {
    "modelContextProtocolServers": [
      {
        "transport": {
          "type": "stdio",
          "command": "npx",
          "args": [
            "-y",
            "@modelcontextprotocol/server-postgres",
            "postgresql://postgres:postgres@localhost:35432/postgres"
          ]
        }  
      }
    ]
  },

保存config.json,Continue.dev就会自动加载添加的MCP Server。

4.2 检查Tools是否正常被detect

完成上面的步骤后,Continue.dev就可以自动检测出MCP server所提供的Tools,此文章的例子中即是query这个Tool:

在这里插入图片描述

4.3 开始使用Prompt来检测Tool call

此处作者使用如下Prompt:

请帮我执行sql语句查询db中所有的tables

这是由于我们使用的MCP server的实现导致的:

在这里插入图片描述

好,发送Prompt!

在这里插入图片描述

好,完美失败。。。

经过一杯咖啡的思考时间,作者想起来,我们还没有切换成Agent模式。。。于是重启IDE并切换至Agent mode:

在这里插入图片描述

回车发送后即会发现此次Tool call被调用了:(出现double confirm是因为Continue.dev默认MCP server提供的Tools为“Ask first”模式)
在这里插入图片描述

在这里插入图片描述

成功!!!🚀🚀🚀

总结

那么至此,本次没什么卵用的MCP初体验就算完工了~

虽然本案例对实际开发帮助不大,但万事开头难,相信(我自己都不信)此次0-1的工作完成后,将来1-N的丰富多彩的有效案例将如雨后春笋般涌现!!!

vs code2025与MCP中的Continue 注意到这个图上面可以看到Accept|Reject这个是因为我操作了两次,有同名文件的相关代码,所以产生了版本冲突,这里在询问我接受与拒绝的情况。关于vs code2025的安装,详见: https://mp.weixin.qq.com/s/FvqSUrJFFXSVxFpZ6Q2-jg。操作: 选中代码,右键,选择Continue,选择Write a Dostring for this code。操作: 选中代码,右键,选择Continue,选择Write Comments for this Code。 阅读详情

相关推荐

OpenClaw本地AI助手部署实战:从环境配置到多场景应用

大语言模型(LLM)作为当前人工智能的核心技术,通过其强大的自然语言理解和生成能力,正在深刻改变人机交互方式。其工作原理基于Transformer架构,通过海量数据训练获得通用知识表示。在工程实践中,LLM的价值在于能够作为智能中枢,连接和调度各类工具与服务,实现自动化任务处理。模型上下文协议(MCP)作为一种新兴的标准化接口协议,使得AI智能体(Agent)能够像乐高积木一样灵活、安全地调用外部工具(如文件系统、搜索引擎、数据库),极大地扩展了其应用边界。基于此,OpenClaw框架应运而生,它作为一个开

weixin_30420305的博客 427

MCP Server 初探:从安装到接入的完整实践

通过上述步骤,我们完成了从安装 Ollama、CherryStudio 到安装开发 MCP 以及接入 CherryStudio 的全过程。这使我们能够利用 Ollama 的强大模型能力和 CherryStudio 的便捷开发环境,快速搭建起 MCP Server,为各种应用场景提供智能化支持。在实践过程中,若遇到问题或有新的见解,欢迎在评论区留言交流,共同探索 MCP Server 更多的可能性。

分享平时的学习心得和笔记 1209

Codex+MCP+Agent:重构AI编程工作流的协议栈演进

AI编程正从单点插件式辅助,迈向基于标准化协议的可编排、可运维、可审计的工程化范式。其核心在于理解运行时(Codex)、通信标准(MCP)、执行体(Agent)三者的分层关系:Codex作为轻量级模型调度中枢,解耦UI与计算;MCP协议定义AI服务间互操作的统一接口,使Figma、Blender等工具可被统一调用;Agent则依托前两者实现状态感知、工具自治与失败自愈。这一架构显著提升AI能力在真实开发场景(如设计稿转代码、CI/CD智能审查)中的稳定性与复用性。本文聚焦Claude Code向Codex迁

weixin_34279246的博客 274

使用cline(VSCode插件)、continue(IDEA插件)、cherry-studio玩转MCP

使用 uv 时无需进行特定安装。使用 uvx 直接运行。⚡️ 比pip快10-100x。

站在知识源头搞技术 6022

JetBrains AI IDE AIR:基于MCP协议的IDE架构重构

现代AI编程工具正从单向调用插件演进为上下文感知的智能开发环境。Model Context Protocol(MCP)作为新一代开发语义总线,通过结构化建模代码、Git、终端、调试等多维上下文,实现IDE与大模型间的低延迟、高保真协同。其技术价值在于解耦上下文采集与模型推理,支持Claude、DeepSeek、Qwen等异构服务无缝接入,并天然适配Figma、Playwright、Arduino等跨工具链场景。本文聚焦MCP协议原理、AIR三层架构设计及实战配置,详解如何将传统IDE升级为具备实时响应、自适

转些好文章,促进分享。 434

Agent Skill落地实战:MCP协议、运行时契约与七步部署避坑指南

Agent Skill并非简单封装函数,而是基于MCP(Model Communication Protocol)构建的可注册、可发现、带状态契约的网络服务。其核心原理在于解耦LLM决策、Skill执行与MCP运行时治理——后者承担超时熔断、签名验证、心跳监控与协议标准化等关键职责。技术价值体现在跨工具互操作性(如playwright mcp、figma mcp)、生产级弹性(并发熔断、进程隔离)与统一可观测性。典型应用场景包括智能文档处理、法务合规校验、RPA流程升级等需多系统协同的AI工程任务。本文聚焦

weixin_33885676的博客 395

Vscode+Continue+Cline打造属于自己的cursor!

Cline:用于基于当前项目多文件编辑创建,命令执行,MCP服务能力扩展调用.硅基流动统一登录 硅基流动用户系统,统一登录 SSO。Continue:主要适用于代码补全和知识库提问查询。里面有很多免费模型.

qq_40703755的博客 4991

CC-Switch:AI编程工作流的协议桥接器详解

AI编程助手(如Codex、PyCharm AI Assistant)依赖标准化API协议与后端模型通信,但主流模型服务(Ollama、DeepSeek、Kimi、通义千问)各自采用私有接口规范,导致前端工具无法通用接入。CC-Switch作为轻量级本地网关,通过协议适配层将异构模型API统一转换为OpenAI兼容格式,实现‘一次配置、多端复用’。其核心价值在于解耦前端调用逻辑与后端模型协议差异,显著降低多模型集成门槛,并支撑离线开发、MySQL MCP工具调用、规则化路由等工程化场景。本文聚焦跨平台部署验

weixin_33672109的博客 418

AI assistant本地部署Continue.dev + Ollama + MCP Server:TaoToken统一Key接入与config.toml骨架

在 VS Code 用 Continue.dev 接入 Ollama 与 MCP Server 时,配置易散落难排查。本文提供可直接复制的 config.toml 骨架,用 TaoToken 统一 Key 与 API 通道收敛多模型接入,并给出 MCP 工具调用验证与排错步骤。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

Ceshi01的博客 11

pccharm配置continue使用deepseek-R1:8B

pccharm配置continue使用deepseek-R1:8B。

swj868的博客 380

交流电路计算方法:复阻抗和相量法

一,复阻抗 电容电路,电压与电流的大小比值是XC=1/WC,相位上电流比电压超前90度 这样描述很麻烦,在复平面里,相位超前90度,可以用什么数学表示呢? 也就是说,一个相量,乘以j之后,大小没变化,相位变得超前90度了 同样的,大小不变,相位落后90度应该除以j 原来我们说电容电路,给个电压,算电流又要算XC,又要另外说相位超前90度,现在可以简单点 在这个计算式里,1/wc还是原来的容抗大...

theory and practice的博客 3万+

AI assistant本地部署实战:Continue.dev + Ollama + MCP Server 全链路配置与验证

在 VS Code 中用 Continue.dev 接入本地 Ollama 并挂载 MCP Server,常卡在模型不回话或工具检测不到。本文给出可直接复制的 config.json 片段与 MCP 启动参数,以 qwen2.5-coder 7b 和 postgres server 为例逐项验证,并对照 401、local proxy failed、reading choices 等报错排查。统一通道可参考 TaoToken 官网 https://taotoken.net/?utm_source=taoto

weixin_42601702的博客 50

团结引擎+OpenHarmony 2实战篇:从零构建鸿蒙应用开发环境

本文详细介绍了如何从零开始构建鸿蒙应用开发环境,重点讲解了团结引擎与OpenHarmony 2的实战配置步骤。内容包括DevEco Studio安装、OpenHarmony SDK配置、团结引擎集成及项目创建等关键环节,帮助开发者快速搭建高效的开发环境,提升鸿蒙应用开发效率。

weixin_29294395的博客 265

Continue开源AI编程助手:JetBrains终极配置与实战指南

还在为复杂代码调试而头疼?是否渴望一个能理解你编程意图的智能助手?Continue开源AI编程助手正是为JetBrains用户量身打造的终极编程伙伴!本文将带你从零开始,5分钟内完成配置并体验AI编程的魅力,让你的开发效率提升300%。 ## 一、项目概览:重新定义智能编程体验 Continue是一个开源的AI编程助手,专为JetBrains IDE用户设计。它不仅仅是一个代码补全工具,更是一

gitblog_01050的博客 527

STGCN+YOLOV8行为分类

使用关节点追踪网络获取关节点数据,以yolo-v8网络为例,获取2D关节点数据。此次实验采用KTH动作识别数据集,包含人步行、慢跑、跑步、拳击、挥手和拍手等动作。

SDADASDAF的博客 3893

postgresql 数据库 timescaledb 函数time_bucket_gapfill()报错解决及更换 license

最近在工作中使用postgresql 和 timescaledb 的time_bucket_gapfill()函数 报错,让更换license,在网上找了一大圈,没有找到,最后解决了这个问题,这篇文章记录我的解决办法查看timescaledb.license参数命令:show timescaledb.license;修改命令: 结果不行,报错如下:lter system set timescaledb.license=‘timescale’;那只能换包了如果出现上面那种情况,那我们只能先从官网上下载带 '

yang_z_1的博客 3251

IntelliJ IDEA 接入多种AI大模型插件全面指南(2026.1 版本)

摘要 IntelliJ IDEA 2026.1版本全面支持多种AI大模型接入,提供ACP协议、MCP服务器和插件三种集成方式。本文详细介绍了Codex、Claude Code、Cursor、GitHub Copilot及本地大模型的配置方法,包含环境准备、核心概念解析和具体实现步骤。重点讲解了ACP协议作为官方推荐的标准接入方式,以及MCP服务器实现外部工具访问IDE功能的机制。文章还提供了系统要求、前置软件安装指南、配置文件示例和常见问题解决方案,帮助开发者高效集成AI辅助编程功能。

独坐一隅,凝神遐想,是种幸福! —— 独隅 3599

从零完成 STM32 + ESP-01S + 云服务器 TCP 通信测试

STM32 通过 USART3 控制 ESP-01S 接入手机 2.4 GHz 热点,随后连接公网云服务器 8.152.204.86:9002。云端在同一 TCP 连接中连续收到 seq=1~6 的测试报文,5 个发送间隔平均约 5.4 秒,说明本次 TCP 上行链路已经打通。

weixin_51387720的博客 321

Openwork 接入 MemOS:本地优先 AI 桌面智能体与长期记忆集成实战解析

Openwork 是一个完全本地运行的 AI 桌面智能体,能够自动化文件管理、文档创作与浏览器任务,并支持自带 API Key(OpenAI、Anthropic、Google、xAI 或本地 Ollama)。在本仓库中,Openwork 以 `apps/openwork-memos-integration` 的形式与 MemOS 深度集成:设置 MemOS API Key 后,任务开始前会把相关记

gitblog_00289的博客 954

华硕 NUC 对比 Mac mini:跑 OpenClaw 谁性价比更高?

在选择本地 AI 服务器硬件时,华硕 NUC 和 Mac mini 是两个热门选择。本文将从硬件规格、性能、成本、功耗、易用性等多个维度对比这两款设备,帮助您决定哪款更适合运行 OpenClaw。

博客 1025

软件设计师---计算机系统

软件设计师---计算机系统

我从不打没有准备的仗! 3万+

本机 AI 模型接入 SAP 实施手册

本机 AI 模型接入 SAP 实施手册Ollama + Qwen3 本地模型 · sap-adt MCP · NW RFC 注册服务器 · ABAP 聊天程序项目内容文档版本1.0日期2026-10-13适用系统S/4HANA DT1(开发,集团 111);QT1 仅用于 MCP 读写测试适用读者ABAP 开发人员、SAP Basis,以及要在另一台 Windows 电脑上重新搭建本方案的人配套代码包code\ 目录(与本文件同目录),附录 B 亦收录全部源代码本文档不含任何密码。DT1 走 SNC / K

缘起缘灭皆为因果,看到就是缘分,点赞收藏一键三连吧! 176

华为OD机试双机位C卷 - 高矮个子排队 (C++/Py/Java/Js/Go/C)

华为OD机试双机位C卷 高矮个子排队,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解。华为OD机试 - 高矮个子排队。

qq_45776114的博客 2160

Kiln:构建评测、自动优化、RAG、微调与 Agent 一体化的 AI 开发工作台——仓库结构、快速上手与源码解析

本文以 Kiln 仓库根目录 README 为主线,完整梳理这套「构建、评测、优化 AI 系统」的工作台的产品定位与核心能力,并结合仓库源码与构建配置,讲清 monorepo 的四个子项目如何协同、桌面应用与开源 Python 库 `kiln-ai` 如何使用、以及本地开发与质量检查的完整流程。读完本文,你可以直接按仓库内配置跑起开发环境,并理解各功能模块在源码中的对应位置。 ## Kiln 是

gitblog_00145的博客 221

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")

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

xiaozhi-esp32-server 后端服务技术指南:从部署、配置到全模块扩展

`xiaozhi-esp32-server` 是为开源智能硬件项目 [xiaozhi-esp32](https://link.gitcode.com/i/7ba8ad8b720790e3c49b7598165e7c6a))为核心骨架,结合仓库源码与真实配置文件展开,帮助读者掌握:两种部署方式(最简化安装与全模块安装)的选型与实操、入门全免费与流式两套配置方案的落地细节、语音全链路(VAD→ASR→

gitblog_00453的博客 262

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。

上一篇: 为什么HashMap、HashSet是线程不安全的(JDK 1.8)
下一篇: 使用Wireshark抓包看看MCP背后的请求链路
Hank_dev
博客等级 码龄7年 25粉丝 5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