AI 成足球比赛「关键先生」:DeepMind 发布 TacticAI,战术布局实用性高达 90%

「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

在刚刚结束的世界杯预选赛中,国足在天津主场以 4:1 的得分大胜新加坡,一扫上一场在领先优势下被对方逼平的阴霾,也迎来了球队 2024 年的首场胜利。目前,中国队暂居 C 组第 2 位,保住了晋级 18 强赛的希望。

享受胜利喜悦之余,也有球迷通过回顾比赛数据发现,整场比赛中双方获得的角球机会为 10:1,国足遥遥领先,但却并未借此成功破门,反而错失空门,实在令人唏嘘。

其实,角球这一类「定位球」能够在高强度奔跑对抗中为球员提供短暂的中断,在对方禁区内排兵布阵,往往是执行教练战术的绝佳机会,足球史上有多场经典比赛都印证了其重要性。

2019 年 5 月 7 日,欧冠半决赛的第二回合在安菲尔德展开角逐,在上半场 0:3 的巨大差距下,利物浦连追 3 球,最终由阿诺德出其不意的角球助攻完成绝杀。

当时,阿诺德开始走离角旗区,所有人都以为他要让给一旁的沙奇里罚角球,他却快速返回、大脚开出角球传给禁区内的奥里吉,最终完成 4:3 的逆转,完美诠释了角球战术的魅力。

图片

而每一次的战术制定不仅要考虑己方球员的能力特点,还要根据过往比赛记录总结对方球队的战术特点,二者都需要教练组人员复盘大量的影像资料,抽丝剥茧。

幸运的是,随着科技的发展,足球领域已积累了大量数据资源,人工智能通过对运动员的力量、速度、射门精准度等进行全面的统计与分析,并由此生成数据报告,可以让教练更直观地识别运动员的优势与短板,制定出更具针对性的训练计划与比赛战术,这极大地缓解了教练与管理人员的压力。

基于此,谷歌 DeepMind 与利物浦足球俱乐部携手推出了 TacticAI 足球教练人工智能助手 。该系统通过使用几何深度学习方法,借助预测与生成模型,为专业人士提供在角球战术方面的见解。与实践中的布局相比,TacticAI 提出的战术在 90% 的情况下都会受到人类专家的认同。

研究亮点:

  • TacticAI 提出的战术布局在 90% 的情况下都会受到人类专家评估者的青睐。

  • 接球预测准确率高达 74%,射门机会提升 13%。

  • 为定位球或其他拥有暂停比赛情况活动的战术布局研究提供参考。

图片

论文地址:
https://www.nature.com/articles/s41467-024-45965-x
关注公众号,后台回复「角球」获取完整 PDF

数据集:四大数据源,全方位收集特征信息

原始数据集包括从 2020-21、2021-22 和 2022-23 赛季中英超联赛收集的 9,693 个角球,由利物浦足球俱乐部提供,包括以下 4 个数据来源:

时空球员跟踪框架数据,跟踪了每场比赛中所有在场的球员和球的位置和速度。

事件流数据 ,对发生在相应跟踪框架中的事件或行为(例如,传球、射门和进球)进行了注释。

比赛团队数据 ,记录了球员的个人资料,包括他们的身高、体重和位置。

杂项比赛数据 ,包括比赛日期、体育场信息以及场地长度和宽度。

研究人员对上述数据进行筛选和过滤,最终剩下 7,176 个有效角球。将这些数据进行随机抽样,按照 8 : 2 的比例划分为训练集与验证集,并在之后的所有任务都采用了相同的拆分方式。

数据集地址:

https://my5353.com/p30375

实验方法:通过几何深度学习预测角球结果

图片

角球局势图形化

首先,为了有效的利用角球数据,研究人员对球员之间的隐含关系进行建模,将角球形式转化为图形表示。 其中,每个节点代表一名球员(包括位置、速度、高度等特征),边表示它们之间的关系,每个节点通过与相邻节点传递消息来进行更新。

图片

TacticAI 对给定角球的处理方式示意图

接着,研究人员对给定角球的处理方式进行分析,采用几何深度学习并利用足球场的近似对称性,生成了给定情况 (original、H-flipped、V-flipped 和 HV-flipped) 的四种可能反射。其中,几何深度学习是从对称性出发,将几何性质嵌入到机器学习中,更好地刻画数据的内在结构和变化规律,提高算法的表示、泛化、通用能力。

最后,所有的四种反射组合被应用到角球区的图神经网络结构中,并进一步馈送到 TacticAI 中。TacticAI 由三个预测和生成式模型(generative models)组成,这些神经网络模型均采用了相同的编码器-解码器架构。编码器在所有任务中结构相同,而解码器模型则根据每个基准任务的需求生成相应形状的输出。三个模型分别对应着本研究的三个基准任务,即接球预测、射门预测、生成战术布局策略。

综上,在接球预测中,TacticAI 能够以 71% 的准确率预测角球是否会射门。在射门预测中,研究人员发现,防守队平均射门概率从真实角球的 75% 左右降至调整后的 69% 左右,进攻队的射门概率从 18% 左右升至 31% 左右。

实验结论:四大案例分析 TacticAI 的实际有效性

为了评估 TacticAI 的实际有效性,研究人员邀请了 5 名足球专家,其中有 3 名数据科学家,1 名视频分析师和 1 名教练助理,结合 4 个案例对 TacticAI 进行定量分析。

1. TacticAI 生成角球样本的真实性

图片

(A.1)分配的评分分布

(A.2)评分值直方图

首先,为了评估生成调整的真实性,研究人员合成了一个数据集,并评估了 TacticAI 生成的合成角球与真实角球之间的差异性。

具体而言,研究人员为每个样本分配了评分,如果被人工评定为真实则为 +1,否则为 0。计算五名评审人员对每个样本的平均评分。结果发现,实际角球和生成的角球之间的平均评分没有显著差异 (z = -0.34,p > 0.05)。因此,TacticAI 生成的角球样本具备真实性。
z 和 p 是统计学中常用于假设检验的统计指标。

2. TacticAI 预测接球者可信度

图片

(B.1)样本前三名准确性的接球预测分布(B.2)每个样本平均评分的相应直方图

其次,对于预测接球者,如果 TacticAI 的前 3 个预测中出现至少 1 个接球者,那么评审人员对 TacticAI 的预测评定为 +1,否则评定为 0。

将样本接球者的预测评分进行平均后,研究人员发现,预测接球者在对实际样本和生成样本的平均评分上,并不存在统计学上的显著差异 (z = 0.97, p > 0.05)。

不同评估人员对接球预测的评分存在个性化差异,在这种情况下,TacticAI 仍然能够保持高的前 3 名准确性,这表明了它在预测接球者任务上的高可信度。

3. TacticAI 用于检索角球的有效性

在这里插入图片描述

角球的有效相似性评分

第三,专家对 TacticAI 检索到的角球和参考角球进行相似度分析,如果角球是相似的,则打分为 +1,否则为 0。

最终发现,不同评估人员的评分分布之间没有显著差异,这表明他们对 TacticAI 检索类似角球能力的有效性存在高度一致意见 (F1,4 = 1.01, p > 0.1)。
F1,4 和 p 是用来评判一致性或无显著差异的统计指标。

4. TacticAI 调整策略的实用性

在这里插入图片描述

调整建议的评分

最后,研究人员评估了 TacticAI 对球员调整建议在现实中的实用性。具体而言,每位评审人员都获得了 50 个战术调整以及相应的真实角球设置,评审人员将每个调整评定为显着改善战术 +1、显着使其变差 -1 ,没有显着差异 0。

结果发现,所有五名评审人员的评分平均值为 0.7 ± 0.1。其中,人类评审人员发现 TacticAI 的建议 90% 是有利的。此外,他们的评分也具有高度一致 (F1,4 = 0.45,p > 0.05),表明这种实用性在人类专家中得到了普遍认可。

综上所述,TacticAI 可以高效完成三个基准任务,在角球的预测、检索和战术调整方面是实际有效的。

打破传统足球格局,AI 成为新时代「前锋」

未来学家和趋势观察家 Richard van Hooijdonk 曾表示:「对于现在这代人来说,他们所做的每件事和经历都包含着某种科技元素。为了让体育运动对这一代人和后代人保持吸引力,我们别无选择,只能不断整合科技。」当我们聚焦于足球世界的科技革新,不难发现,AI 已不仅仅是教练团队的秘密武器,它正以其无处不在的影响力悄然重塑着整个足球行业的布局。

从球员选拔、到日常训练、再到战术制定,我们能够在越来越多的环节中看到 AI 的身影。例如:

Adidas 为 2022 年世界杯设计制作的比赛用球 Al Rihla , 内置的惯性测量单元能精确检测到足球的 kick point,通过将球员肢体追踪以及球体追踪的数据相结合,能够监测处于越位位置的进攻方是否触球。(点击查看详细报道:进 4 球得 1 分,阿根廷败北背后的科技与狠活)

AiSCOUT 公司推出 AI 辅助球探平台 , 打破了传统选拔机制的地域与资源限制,为球探们提供足球运动员的运动能力、认知能力和技术能力等数据,球探们因此能够更精准地选拔球员。

Zone7 公司推出 AI 球员伤病预测平台 , 利用人工智能识别预测球员受伤情况,可以帮助运动员和教练在最佳运动和伤害风险之间寻找最佳平衡点。

ChyronHego 公司推出 AI 辅助裁判平台 ,通过人工智能驱动的球跟踪、肢体跟踪与骨骼建模技术,将裁判的「火眼金睛」升级为「电子眼」,精确捕捉关键传球瞬间的球员肢体位置,助力裁判作出更准确、及时的判罚。

从球员发掘、伤病预防到裁判和教练助手,AI 已经遍布足球领域的各个环节,一个前所未有的足球智能化时代正在到来,而俱乐部之间的「贫富差距」是否会影响球员常规训练的 AI 含量、进而加剧球队之间的马太效应?恐怕整个生态的各方角色,都还需要有更充分的思考。

参考资料:
https://zhuanlan.zhihu.com/p/447351207
https://zhidao.baidu.com/question/161044184.html
https://soft.zhiding.cn/software_zone/2022/0622/3141934.shtml

https://www.sports-idea.com/news/12456.html
https://www.sohu.com/a/624410973_100111861

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

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1322

英超引入 AI 球探,寻找下一个足球巨星

By 超神经内容提要:球探对于很多人来说是一个略显神秘的群体,他们对一个球队的建设和发展至关重要。为了提高球探的工作效率,英超伯恩利足球俱乐部最近启用了 AI 球探。关键词:AI 球探 计...

HyperAI超神经 7102

昇腾Ascend310b部署deepseek-r1-7b的学习记录

9.鲲鹏服务器+昇腾卡(Atlas 300I pro)搭建DeepSeek-R1-Distill-Qwen-7B(自己存档详细版)5.如何使用昇腾Ascend 300I Pro 310P芯片 单卡运行DeepSeek-R1-Distilled-Qwen-7B。6.鲲鹏服务器+昇腾卡(Atlas 300I pro)搭建DeepSeek-R1-Distill-Qwen-7B。7.鲲鹏+昇腾部署DeepSeek-R1-Distill-Qwen-32B+Open-webui。

maken 2385

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 338

LLVM实战:如何用Clang+LLVM打造你的第一个C++编译器(附完整配置步骤)

本文详细介绍了如何使用Clang+LLVM构建C++编译器的完整配置步骤,从环境准备到编译流程剖析,再到调试与优化技巧。通过实战指南,帮助开发者深入理解LLVM编译器框架的工作原理,并掌握交叉编译与性能分析等高级功能。

sprite的博客 750

数字孪生模型构建理论及应用

源自:计算机集成制造系统作者:陶飞 张贺 戚庆林 徐 俊 孙铮 胡天亮 刘晓军 刘庭煜 关俊涛 陈畅宇 孟凡伟 张辰源 李志远 魏永利 朱铭浩 肖斌数字孪生作为实现数字化转型和促进智能化升级的重要使能途径,一直备受各行各业关注,已从理论研究走向了实际应用阶段。数字孪生是以多维虚拟模型和融合数据双驱动,通过虚实闭环交互,来实现监控、仿真、预测、优化等实际功能服务和应用需求,其中数字孪生模型构建是实现数字孪生落地应用的前提。

renhongxia1的博客 1万+

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 276

Codesys入门-新建工程+任务调用+编译+调试

程序组织单元(Program Organization Unit, POU)由声明区和代码区组成,是用户程序的最小软件单元,它相当于传统编程系统中的块(Block),按功能程序组织单元(POU)可分为函数(FUN)、功能块(FB)、程序(PRG)。:Codesys采用多任务的方式来执行用户程序的“任务”,而每个“任务”分配了不同的执行周期,有些全局变量可能要在不同的POU之间被访问和修改,于是需要对全局变量进行交互同步,也是在任务的“时间对准点”进行的,实例:声明了INT类型,变量名为输入;

刺客 1万+

【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 615

【机器学习系列】一文搞懂 零知识机器学习(zkML)

位串行乘法器:实现了Booth编码优化,将乘法分解为移位-加法序列,减少部分积数量50%:模拟脉动阵列的2D网格计算,支持分块(tiling)策略优化内存层次卷积映射:提供直接卷积(行缓冲+滑动窗口)和im2col+GEMM两种硬件映射策略。

VectorShift的博客 158

【MATLAB代码】基于水声通信(ACOMMS)下的到达时间差(TDOA)定位的AUV自主导航例程,附完整代码

水下AUV导航系统仿真研究 本研究基于到达时间差(TDOA)技术实现了水下自主航行器(AUV)的三维导航仿真系统。系统采用四个声学信标作为定位基准,通过TDOA测量数据迭代求解AUV位置。仿真结果表明: 导航性能:系统能够有效跟踪AUV从起点(30,30,-20)到目标点(70,70,-20)的航行轨迹,定位误差保持在合理范围内。 误差分析:定位误差变化曲线显示系统具有稳定的定位精度,平均误差为0.5米左右。 技术特点:采用两步最小二乘迭代算法求解非线性TDOA方程,提高了定位精度和计算效率。 该仿真系统为

985工科博士毕业,专攻定位、导航和滤波等算法研究。从业10年,主要使用MATLAB 323

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 207

第十四节《OpenCascade集成Qt》

将 OpenCascade 与 Qt 集成是开发图形界面应用的常见需求。通过将 OpenCascade 的几何建模与 Qt 的图形用户界面(GUI)功能结合,可以创建强大而灵活的 CAD 或建模工具。OpenCascade 提供了与 Qt 的集成接口,允许你在 Qt 应用程序中嵌入 OpenCascade 的视图,执行几何操作,并与用户进行交互。以下是 OpenCascade 与 Qt 集成的详细步骤:首先,确保已安装 OpenCascade 和 Qt。你可以从 OpenCascade 官方网站或通过包管理

yumeiguo的博客 597

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 343

回答网友提问:Word 里如何调用 DeepSeek API?

上面的 Visual Basic 定义了名叫 DeepSeekV3 的 subroutine,同理我们可以让 Trae 再写一个调用开启了 DeepThink(R1) 模式的 DeepSeek API,步骤类似,这里不再赘述。在 Word 的 File->Options 选项里,选择 Customize Ribbon,将 Developer 标签从左侧移到右侧,然后在 Developer 标签下新建一个 Group,随便起个名称。API 调用的 response,自动填充到了 Word 里。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 280

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

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 349

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。

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 85

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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")

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 161

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! 512

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 616

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

406

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 401

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5161

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 568

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 181
上一篇: 老药新用,中南大学团队发布 AdaDR,基于自适应图卷积网络进行药物重定位
下一篇: 每周编辑精选|免费使用 Sora 平替、在线运行 Python 基础教程、MCFEND 中国假新闻检测数据集上线
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753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