美国阿贡国家实验室发布快速自动扫描套件 FAST，助力显微技术「快速阅读」成为可能...

HyperAI超神经 HyperAI超神经 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 100+累计阅读 188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7年
关注
原创 最新推荐文章于 2026-11-14 14:45:05 发布 188 阅读 AI 写同款· GEO 优化 ›
「文智助手」全场景办公AI助理AI+OPC全流程实践方案（大赛作品） 阅读详情

4c22bd1cc4041376840a831fd7de005b.png

By 超神经

「我高兴地在北京市的天安门广场上看红色的国旗升起」

快速阅读一下这个句子，大家可能会发现，只需「我在天安门广场看升旗」几个字，就能概述我们需要的信息，也就是说，无需逐字逐句地阅读，抓住重点即可破译全部信息。那么，科学研究是不是也能如此呢？

受此启发，研究人员将人工智能 (AI) 与显微技术结合，训练 AI 主动识别样本中的关键特征，供研究者分析。不同于传统显微技术中对样本的全点式扫描，AI + 显微技术的方法彻底改变了研究人员获取样本数据的方式，显著加快实验进程，实现了微观层面的「快速阅读」。

作者 | 加零

编辑 | 雪菜、三羊

显微镜的原理是通过扫描样品产生空间分辨信号，收集信号进行分析，从而形成样品图像。随着仪器仪表技术的不断进步，显微镜的扫描速度和分辨率都有了很大提升。

但是，高分辨率的显微扫描实验有一些明显的缺点：产生的数据量庞大，且探针对样品的损伤也很大。以在 ≈10 nm 的分辨率下进行 1mm^3 体积的 X 射线成像为例，传统扫描方式会产生 10^15 体素的数据，并且需要相当大剂量的探针。

同时，样本中的大多区域信息密度低、可以直接忽略，反而是少部分的「边界、缺陷、特殊元素」区域包含丰富的信息量，需要重点研究。

精准定位信息密度大的关键区域，传统方法主要依赖经验丰富的操作员分析数据、指导探针扫描，这极大增加了工作量，拖慢实验进度。

那么，有没有可能引入 AI ，让它帮助研究者识别样本中的研究重点，加速数据采集和分析呢？

e3e07aa3a4a11ad60e826c34922c247c.png

在 APS 进行自动暗场扫描显微实验的艺术图示

为此，美国阿贡国家实验室 (Argonne National Laboratory) 的研究人员开发了 FAST (Fast Autonomous Scanning Toolkit)，它是一个快速自动扫描套件，与传统显微镜研究样本的全点式扫描不同，FAST 允许 AI 自动识别扫描的位置，从而高效精准的获取样本信息。目前相关成果已发表于「Nature Communications」。

434063fc7bab5090cf1ce067eb7b2320.png

相关成果已发表于「Advanced Science」

FAST 科研人员在模拟测试 (simulations) 及暗场 X 射线 (dark-field X-ray) 显微镜实验中，对 WSe2 film 进行了 FAST 扫描，结果表明，<25% 的 FAST 扫描就足以准确地成像并分析样本。

论文链接：

https://www.nature.com/articles/s41467-023-40339-1

关注公众号，后台回复「显微」获取完整论文 PDF

e5a6a886d1297335ebd3b467122cda94.jpeg

实验过程

训练数据

利用通用图像训练算法

FAST 所采用的算法不需要利用大型数据集开展训练，AI 可利用通用图像识别感兴趣的区域。

训练数据由 MIT Libraries，USC-SIPI Image Database 和 Scikit-image software package 公开提供的图像生成。

083ee79ce99e3abb4bc2532fb5024ab8.png

所用的测试图像示例

FAST

快速自主扫描工具套件

FAST 全称 Fast Autonomous Scanning Toolkit，它结合了 SLADS-Net 方法、路径优化技术以及高效且模块化的硬件控制，是一个快速自主扫描工具套件，可用于基于同步加速器的扫描显微镜 (synchrotron-based scanning microscopy) 的实时采样和扫描路径选择。

316dd54abfeadecabf7705538906fa62.png

FAST 工作流程

A：一组准随机 (quasi-random) 初始测量值被传输到边缘设备，依次生成初始样本估计，计算下一个要测量的候选点 (candidate points)，并计算出测量路径。新测量值与现有的测量值结合，计算新估计值，重复该过程直至达到完成标准。

B：候选点运算开始时会检查每个未被测量 point P（半径为 r）的局部邻域，已经测量过的点会高亮，从而生成 6 维特征向量。使用径向基核函数 (RBF) 内核将特征向量转换为 50 维向量，并作为多层神经网络 (NN) 的输入。接下来神经网络 (NN) 会通过测量 point P 对图像预期改进进行预测 (ERD)。选择 ERD 最高的一组未测量像素，作为下次测量的候选。

FAST 的训练不依赖具体的样本数据，就可以动态测量和重构一个复杂的（非二进制）样本，这与现有的基于 SLADS 的工作流程有所不同。此外，与获取时间 (acquisition time) 相比，其计算成本可以忽略不计，即使运行在低功耗边缘计算设备（放在同步加速器束线）上也是如此，这对于更通用的自主实验技术而言具有显著优势。

这些特性使得 FAST 能够应用于 APS hard X-ray nanoprobe beamline 上现有的高精度纳米级扫描 X 射线显微镜仪器。

c2f70b4350a87e595f15ca96b15f2f1d.jpeg

性能验证

FAST

优于静态取样方法

为了验证 FAST 的性能，研究人员将其与另外 3 种静态取样技术进行了对比实验。

实验对象：即测试数据集，为一张 600 × 400 像素的暗场图像，代表 24 万个可能的测量位置，覆盖 900 × 600 μm 的物理区域，并包含多片不同厚度的 WSe2 切片；

对比方式：3 种静态采样技术分别为栅格 (RG, Raster grid) 采样、均匀随机 (UR, Uniform random) 采样、低差异 (LDR, Low-discrepancy) 准随机采样；

实验过程：在相同的扫描覆盖率下，生成 FAST、RG、UR 和 LDR 采样重建图像。

对比一：

a4b215a806c5cbff882c6c1c6efd0ff5.png

FAST 与静态采样重建图像对比

A ：ground truth 图像，颜色刻度代表归一化强度

B-D：10% 扫描覆盖率下 RG、LDR 和 FAST 重建图像

结果显示：FAST 采样能够高保真地再现实验对象中边界、气泡和不同厚度水平之间的过渡区域。

对比二：

5918d348bbb6a36c3dd42a36f04a2b85.png

不同扫描覆盖率下

FAST 与静态采样方法性能对比

A：归一化平方平均数误差 (NRMSE) 随扫描覆盖率的变化，值越低性能越优；

B：结构相似性度量 (SSIM) 随扫描覆盖率的变化，值越高性能越优。

结果显示：FAST 采样效率高，在扫描覆盖率达到 27% 时，实现了稳定重建；静态取样的 3 种方法要达到同样的效果，则需要更长的时间。

对比三：

3297b44f697d1a9dbb64190a085538b0.png

相同取样条件下，覆盖率 10% 时 

FAST 及 2 种静态取样方法的实际测量位置

结果显示，FAST 重建结构相似性高，误差低。

未来可通过在 FAST 方法中使用更复杂的修复技术 (inpainting technique)，来进一步改善结果。

以上 3 组对比结果显示：

FAST 优于静态采样技术。FAST 会优先选择具有显著异质性的区域进行采样，而非均匀区域。这极大减少了在空白区域无效取样的时间，对稀疏样本特别有效。

FAST

具备高效、精准的暗场图像重建能力

在同步加速器光束线实验中，FAST 进一步展现了卓越性能。

此实验过程完全由 AI 自驱动进行，研究人员除启动 FAST 脚本外没有进行任何干扰。实验样本是变形的 WSe2 薄片，空间分辨率为 100 nm。

e3232b03cc4fa5295b22e2a9565cf852.png

FAST 扫描的演进

A、C、E ：5% 、15% 和 20% 扫描覆盖率下 FAST 重建暗场图像；

B、D、F ：相应的实际测量点；

G ：通过全网格逐点扫描（100% 覆盖率）获得的图像；

A-G：颜色刻度显示了归一化强度；

H：仅显示在 15%-20% 覆盖率之间的采样点。

上图显示，低扫描覆盖率的情况下，FAST 方法优先识别了一些异质性区域，如气泡的边缘；随着扫描覆盖率逐步上升，重建结果越发清晰，在 15%-20% 的扫描覆盖率之间重建图像达到稳定。

20% 扫描覆盖率下，FAST 可清晰、准确地复制全扫描图像中所有主要特征，同时帮助实验节省约 80 分钟 (≈65%) 的时间，大大提高了实验效率。

5cfcf29d061e3bf8e94887586c5d6d75.jpeg

AI + 显微技术的未来

FAST 流程的优势不仅在提升显微数据采集效率，还在于广泛的应用范围。来自美国阿贡国家实验室的科学家 Tao Zhou 说「从 X 射线显微镜到电子显微镜再到原子探针显微镜，这种技术可以为任何需要二维扫描的显微镜研究赋能」。

未来，AI 技术也将在显微技术领域迎来更深入地应用。通过训练，AI 正逐步接手如自动化图像分析和识别、图像增强和重建、定量分析和疾病诊断等任务。

AI + 显微技术，朝着更清晰、更高效、更精准的未来走去，科学研究的边界也将不断拓宽。

参考链接：

[1]https://www.nature.com/articles/s41467-023-40339-1

[2]https://phys.org/news/2023-10-artificial-intelligence-scientists-self-driving-microscopy.html

[3]A Supervised Learning Approach for Dynamic Sampling

—— 完 ——

 往期推荐 

清华大学利用可解释机器学习，优化光阳极催化剂，助力光解水制氢

生物信息学 | 借助 AI 更高效地开启研究

山东大学开发可解释深度学习算法 RetroExplainer，4 步识别有机物的逆合成路线

970ce26ee97b4b786279382d701dfd8a.jpeg

扫描二维码，加入讨论群

获得更多优质数据集

了解人工智能落地应用

关注顶会&论文

回复「读者」了解更多

91557b6568910877eebdcd790e45a362.gif

9f3cbdf979bb090848e8a361d5726b2c.gif

戳“阅读原文”，免费获取海量数据集资源！

标签
#人工智能 #计算机视觉 #深度学习 #机器学习
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。
船载 OpenHarmony AIS 航海工作台：告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统，集成十余类告警（超速、偏航、会遇、SOS等），通过网格空间索引实现高效邻近判定，保障实时性。告警管理器统一调度规则、去重、通知与日志，支持悬浮球、语音、跑马灯、弹窗多渠道触达，确保航行安全。SOS紧急通道独立运行，避免干扰。系统设计强调性能优化与多场景适配，为航海安全提供核心支撑。 阅读详情

相关推荐

ZedBoard+Vivado(二)——PS + PL实现流水灯

硬件：Zedboard 软件：Vivado2018.2 + Win10 本文参考了http://blog.chinaaet.com/cuter521/p/35978的设计 1 设计 功能：PS + PL流水灯 语言：C 流程：创建工程-&amp;gt;IP Integrator-&amp;gt;综合、实现、生成Bitstream-&amp;gt;SDK 2 流程 2.1 创建工程 跟上一篇步骤完全相同，这里不用添加源文...

q416524389的博客 3701

美国阿贡国家实验室发布快速自动扫描套件 FAST，助力显微技术「快速阅读」成为可能

我高兴地在北京市的天安门广场上看红色的国旗升起」快速阅读一下这个句子，大家可能会发现，只需「我在天安门广场看升旗」几个字，就能概述我们需要的信息，也就是说，无需逐字逐句地阅读，抓住重点即可破译全部信息。那么，科学研究是不是也能如此呢？受此启发，研究人员将人工智能 (AI) 与显微技术结合，训练 AI 主动识别样本中的关键特征，供研究者分析。不同于传统显微技术中对样本的全点式扫描，AI + 显微技术的方法彻底改变了研究人员获取样本数据的方式，显著加快实验进程，实现了微观层面的「快速阅读」。

HyperAI超神经 1201

Win10/Win11系统下冒险岛V128单机版一键搭建教程（含MySQL配置避坑指南）

本文提供Win10/Win11系统下冒险岛V128单机版一键搭建的详细教程，涵盖服务端部署、MySQL配置优化及常见问题解决方案。通过本指南，玩家可轻松实现单机版冒险岛的一键启动，重温经典游戏体验，同时避免常见的技术陷阱。

weixin_29261711的博客 655

HyperAI超神经 x 中关村科金 | 重构未来 · 产业智能跃迁——2023 大模型产业前沿论坛...

By 超神经与来自全国200位行业CTO、CIO、IT总监和信息化负责人一起，共享思想的力量、广阔的认知、丰富的经验，与并肩作战的伙伴，链接不可复制的智慧。重构未来· 产业智能跃迁2023大模型产业前沿论坛2023年11月23日 14:00 ～ 18:00北京海淀区北京丽亭华苑酒店嘉宾分享：人工智能领域副部级院士专家分享前沿技术趋势与洞察重磅发布：中关村科金大模型新技术范式和ChatPilot...

HyperAI超神经 151

【光学仿真】基于Matlab的LG/BG/PV/HG光束生成与特性分析【附完整源码】

本文详细介绍了如何使用Matlab进行拉盖尔-高斯（LG）、贝塞尔-高斯（BG）、完美涡旋（PV）和厄米-高斯（HG）四种特殊光束的仿真与特性分析。通过提供完整的Matlab源码，手把手指导读者生成光束、分析其强度、相位、传播特性及轨道角动量，为光学研究、激光应用及教学提供了直观高效的数值实验平台。

3a9bq4r8t2y的博客 495

地理空间智能体（GI Agent）

地理空间智能体（Geospatial Intelligence Agent, GI Agent）是AI Agent技术与地理信息系统（GIS）深度融合的产物。其核心是以大型语言模型（LLM）为驱动，通过自然语言理解、任务分解和工具调用能力，实现地理空间任务的自动化执行。​关键特性​自主性​：独立规划任务流程（如空间数据检索、分析、可视化）；​交互性​：支持自然语言对话交互，替代传统图形界面操作；​扩展性​：灵活集成第三方工具和API，支持跨平台协作。

百态·数智思维 | 聚焦大数据、量化与未来AI 2035

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 379

相似贴子推荐：基于 LangChain4j + Milvus 的混合检索实战

本文提出了一种基于LangChain4j和Milvus的混合检索方案，用于解决论坛社区中的相似帖子推荐问题。该方案结合稠密向量语义检索和BM25关键词检索的优势，通过RRF算法实现结果融合。系统采用bge-small-zh模型生成语义向量，利用Milvus 2.5+原生支持的BM25功能和混合搜索API，在百万级数据规模下实现50ms内的检索延迟，召回率和精确率分别提升15%和22%。文章详细介绍了从数据预处理、向量化到混合检索的完整实现流程，并探讨了进阶优化方向，为推荐系统和RAG应用提供了高效解决方案。

分享AI、区块链技术及应用，未来已来 89

AI 问数真的能替代 BI 报表吗？

AI问数赋能自然语言查询，提升临时分析效率，但无法替代传统报表。报表适用于稳定输出与持续监控，AI则擅长探索性提问。企业用好AI问数，关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI，才能实现高效、准确的业务洞察。

葡萄城技术团队博客 298

R语言机器学习 频谱分析

由傅里叶理论可知，时域中的任何信号都可以由一个或多个具有适当频率、幅度和相位的正弦 波叠加而成。也就是说，任何时域信号都可以变换成相应的频域信号，通过频域测量可以得到信号在某个特定频率.上的能量值。频谱分析就是在频域上分析时间序列的方法,它使用傅里叶分析方法，将时域信号转换到频域，并从频域中找出信号频谱的变化规律。原始周期图不是谱密度的一致估计量，但相邻值是渐近独立的。0点的周期图在理论上是0，因为去掉了级数的均值(但这可能会受到渐减的影响):在平滑过程中，它被相邻值的插值所取代，并且该频率不返回任何值。

Mrrunsen的博客 1176

LPDDR5 学习笔记01：功能概述

LPDDR5/LPDDR5X SDRAM设备采用8/16DQ通道架构，支持2Gb-32Gb容量。通过CK命令时钟和更快的WCK数据时钟协同工作，7个CA引脚传输控制信息，支持2:1或4:1的WCK:CK比例。设备提供BG/8B/16B三种存储模式选择，分别支持不同数据速率（最高8.533Gbps）和突发长度。采用0.5V VDDQ电源电压，实现高速双倍数据速率传输，并通过差分WCK时钟完成数据采样。读写采用突发访问机制，需先激活命令再执行读写操作。新型LPDDR5X仅支持BG和16B模式，优化了高速性能。

一只豌豆象的博客 2205

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 263

博途PLC模糊PID控制(量化因子和比例因子)

参数"量化因子和比例因子"，都是为了对清晰值进行比例变换而设置的，其作用是使变量按一定比例进行放大或缩小，以便和我们的模糊论域相匹配完成一一映射。这种变换对整个系统的工作性能也是有影响的。（其实相当于额外引入了比例作用，所以说模糊PID的调节是个系统工程）。限于本人能力，文中难免出现错误和不足，欢迎大家批评和指正。博途PLC的模糊PID控制完整算法可以参看下面这篇文章博途PLC模糊PID控制详解（SCL完整源代码+参数）_RXXW_Dor的博客-优快云博客。......

RXXW_Dor的博客 5272

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比：谁的引用更可信

AI 引擎的引用机制差异很大：ChatGPT 以行内引用加 Sources 列表呈现来源，Perplexity 几乎逐句可溯源，Gemini 在回答中内嵌相关来源链接，AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎，并给出 GEO 的 3 点启示，帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 228

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。

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

【从零理解 Spring AI · 12】MCP 的两种角色：做客户端还是做服务端

上一篇讲了 MCP 的概念：标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 577

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 635

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")

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式，批判符号主义、连接主义、行为主义剥离生命本体的误区，确立“智能是现象，生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体，提出“生命体AI理论”，构建七层演化阶梯与自闭环工程框架，强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界，推动从“仿真表象”向“原生智能”的范式跃迁，开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 178

OpenAI Control Room 架构拆解：给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计，并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 327

OpenClaw 深度调查：把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调：Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图，全部数字标注口径，数据截至 2026-10-31。

厚积薄发 310

AI赋能智慧港口建设｜造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进，港口三维场景的需求日益旺盛。传统港口三维建模，往往需要航拍倾斜摄影采集数据，再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型，项目周期长、人力成本高，修改迭代繁琐，制约港口可视化项目落地效率。国产AI三维建模工具，依托卫星影像 AI 识别能力，无需航拍作业，一键快速搭建港口完整三维场景，为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 66

从设备增点到治理闭环：老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账，执行到期提醒、收入核验、异常标色和月度对账，让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题，津南以6类小区为试点场景，统一建设物业数字化底座，关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理，将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账，解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库，辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题；

wuyeshuzhihua的博客 136

企业微信iPad协议详解：接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路，涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化，帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安！ 464
上一篇： 美国阿贡国家实验室发布快速自动扫描套件 FAST，助力显微技术「快速阅读」成为可能...
下一篇： 美国阿贡国家实验室发布快速自动扫描套件 FAST，助力显微技术「快速阅读」成为可能
点赞 0
评论 0
书签 书签 0
HyperAI超神经
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753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