最强铁基超导磁体诞生！科学家基于机器学习设计新研究体系，磁场强度超过先前记录2.7倍

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 1.1k累计阅读 1.1k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 2026-11-11 00:07:53 发布 1.1k 阅读 AI 写同款· GEO 优化 ›
损失函数与优化器：从「梯度是怎么被造出来的」到「梯度是怎么被用掉的」 本文揭示损失函数与优化器本质一体：优化器仅依赖损失产生的梯度，而损失决定梯度的方向、尺度与噪声特性。错误的损失选择（如分类用MSE）会导致梯度失衡，使优化器失效；不同损失（如Huber、Focal）通过调控梯度分布影响优化过程。实测表明，归约方式、标签结构与损失配对直接决定梯度行为，进而影响收敛性与泛化。核心观点：选对损失，才是让优化器“看得懂”的前提。 阅读详情

超导现象，自 1911 年被发现以来，始终保持着前沿性与高价值，吸引了大批学者投身其研究中。超导现象是指某些材料在低于特定温度时电阻突然降为零，这不仅是材料学的革命性突破，也为电力传输、磁悬浮交通和医疗成像等领域带来了应用创新的巨大动力。然而，传统的超导材料往往需要在极低的温度下才能实现超导状态， 这限制了它们的实际应用。直到铁基高温超导体 (IBSs) 的出现，这一局面才得到了根本性的改变。

IBSs 能够在相对较高的温度下实现超导，超导临界温度 (Tc) 可达约 60K，比传统超导材料的转变温度高出许多。这一特性不仅降低了超导应用的制冷成本，也为超导材料的广泛使用铺平了道路。此外，IBSs 的高上临界场 (Hc2) 特性，使其在高磁场环境下也能保持超导状态， 这为粒子加速器、医学成像等技术的发展提供了新的可能。

近日，来自英国和日本的科学家 Akiyasu Yamamoto 等人，利用机器学习技术，设计了一种将 researcher-driven 与 data-driven 方法相结合的研究体系，成功制造出世界上已知最强的铁基超导磁体。 最新研究有望促进新一代磁共振成像 (MRI) 技术和未来电气化运输技术的发展。

相关论文以「Superstrength permanent magnets with iron-based superconductors by data- and researcher-driven process design」为题，已发表于 Nature 子刊 NPG Asia Materials 上。

研究亮点：

  • 该研究成功研制出一种实用的铁基超导永磁体，磁场强度明显超过了先前的记录 2.7 倍

  • 通过将研究人员的专业知识与机器学习的能力相结合，设计了一套成功的研究流程

  • 数值模拟结果与实验结果吻合良好，表明材料内部存在均匀的超电流分布 Jc

论文地址：
https://doi.org/10.1038/s41427-024-00549-5
开源项目「awesome-ai4s」汇集了百余篇 AI4S 论文解读，还提供海量数据集与工具：

https://github.com/hyperai/awesome-ai4s

全新研究体系：researcher-driven 与 data-driven 相结合

该研究使用 BOXVIA 机器学习系统，将 researcher-driven 与 data-driven 方法相结合，设计了全新的研究体系。

过程设计的概念示意图

首先， 研究人员基于过往研究经验，提供了各类工艺参数和初始数据，并将这些数据输入到机器学习算法中，用来预测产生性能优越的合成条件。

随后， 研究人员可以根据提出的条件合成样品，并更新数据库。在机器学习算法中，研究人员为机器学习和设计过程提供了一个总体框架，从数据驱动循环 (data-driven loop) 中获得的数据，在下一步工艺中合成样品。这种「数据驱动循环」被重复使用，有助于扩展机器学习数据，并提高流程设计的效率。

在第一阶段，研究人员系统地梳理了可量化的工艺参数，以确定对最终性能有重大影响的因素。 进而，研究人员选择专注于 3 个关键的工艺参数，分别表示为 x（升温和速率）、y（最大温度）和 z（保持时间）。 这些参数控制电火花放电烧结 (spark plasma sintering) 过程，可以应用于通过高能研磨法 (high-energy milling)，获得的机械合金化 (Ba0.6K0.4) Fe2As2 前驱体粉末。

通过上述工艺，该研究首先合成了两个较大的钾掺杂 Ba122 (Ba0.6K0.4Fe2As2) 永磁体原型 Bulk1 和 Bulk2， 分别对应 data-driven 和 researcher-driven 驱动，每个样品直径为 30mm，厚度为 6mm。其中，Bulk1 的参数 (x, y, z) 设置为 (+49.8°C/min, 556°C 和 32.47min)，Bulk2 的参数设置为 (+50°C/min, 600°C 和 5min)。

温度为 5k 时临界电流密度的磁场依赖性

在合成样品之后， 该研究进一步研究了 5K 时确定了临界电流密度 (Jc) 对磁场的依赖关系，确定了 Jc，从而识别出最佳参数。研究表明，两种方法的优化工作都导致了 Jc 的提高，但趋势存在一定差异。在 researcher-driven 的方法下，临界电流密度与磁场强度的关系表现出急剧增加的趋势，如上图红色线条所示，在 0T 时 Jc 值达到最大。而data-driven 的方法显示出磁场强度的渐进性影响，如上图蓝色线条所示，在 3T 时实现了最高的 Jc 值。

为了优化临界电流密度，该研究为机器学习算法开发了专门用于贝叶斯优化的 BOXVIA 软件包，建立了与实验参数之间的相关性， 即 Jc =f(x,y,z)，其中 f 为超参数黑盒函数 (black-box function)，在假设 f(x,y,z) 及其变量 x、y 和 z 连续的前提下，这一过程无需定义一个具体的方程来描述 f(x,y,z)。 在贝叶斯优化算法中，利用初步数据集对函数 f 进行了建模，并使用高斯过程回归。因此，临界电流密度 Jc 被描述为高斯分布。

在局部优化方面， researcher-driven 的方法 (Bulk2) 通过以 50°C 为增量来优化最大烧结温度 x，从而得到优化后的 x=600°C。相比之下，贝叶斯优化是以 1°C 为增量进行的，将结果精确到了 556℃。

样品的微观结构和纳米结构

研究人员对 Bulk1 和 Bulk2 进行了纳米结构和成分分析，结果显示，Bulk2 的显微结构（上图 a）表现出由数十纳米大小的非晶相组成的致密网络结构。这种特征是由研究人员在 600°C 下采用短烧结时间获得的。相比之下， Bulk1（上图 b） 通过贝叶斯优化程序制备（涉及低温下的长时间烧结），显示出分离成几个十纳米的细小颗粒的趋势。

Ba122 永磁体：磁场强度是先前报道的 2.7 倍

为了进一步分析 Ba122 永磁体对磁场和温度的依赖性，该研究在温度约为 5K 时，通过制冷机进行了快速的磁场冷却，并且外加 7T 磁场。

捕获磁场随温度的变化

在磁场冷却过程之后，可记录的最大磁场为 2.83T，位于这一对样品的中心。这个测量值约为之前铁基超导磁体实现的最大磁场记录的 2.7 倍。

在 5k 时以 4.8 T/h 的速度扫描外磁场时获得的磁滞回线

在零场冷却 (zero-field cooling) 至 5k 后，该研究通过 0T→7T→- 7T→7T 的扫描顺序进行扫描。在 7T 时，由于强磁钉和高度不可逆的磁场，磁滞回线表现出明显的增加。这与数值模型的结果非常吻合。同时，研究表明，磁化及磁流变实验结果与模型结果之间存在显著的一致性。

数值有限元模拟结果

在场冷磁化 (FCM) 模型中，样品的中心区域观察到了高磁通量密度，并伴随有相关电流密度的降低。相反，在向样品边缘移动的过程中，由于临界电流密度 Jc(B) 的固有特性，这一趋势发生了反转。此外，在 Bulk1 和 Bulk2 之间观察到了轻微的不对称性。Bulk1 中心处的电流密度大于 Bulk2，此处局部（被动）磁场最高。然而，在边缘处，Bulk2 的电流密度比 Bulk1 高，此处局部（被动）磁场最低。

捕获磁场的时间演化

令人惊讶的是，被捕获的磁场在中心处为 2.0T、表面处为 1.5T 的磁通量密度下，表现出近似恒定的时间行为，即使在三天后也几乎没有衰减，样品材料表现出非常高的磁场稳定性， 其观察到的行为超过了 -0.1 ppm/h 的衰减率基准。这个值被认为是医疗磁共振扫描仪的关键，并且对于获得极其精确的横截面图像至关重要。

AI 「炼丹」，效率大幅提升

在过去几年中，常温超导一直是全球科研领域的热门领域之一。 随着市场开始从 AI 应用创新的角度审视每个行业，其对核聚变、磁悬浮、量子计算机、电力传输等技术突破的探索逐渐加深，而这些技术的大规模应用均与超导技术和超导材料大规模制备直接相关。

寻找超导材料的难度堪比大海捞针，因此有人调侃道寻找室温超导体就像「炼丹」。曾有研究人员提出，「在寻找各种各样新的超导材料过程中，确实有些像炒菜，过去只能是结合科学家的经验，把各种元素混在一起，然后在各种情况下测试其是否超导，所以效率非常低。」

近年来，AI 的成熟发展为该领域的科研探索带来全新的解题思路。2023 年 11 月，谷歌 DeepMind 开发了全新的 AI 工具 GNoME，成功预测了 220 万种晶体结构， 其中有 38 万种具有最稳定性的特性。要知道，在使用 AI 辅助材料发现之前，人类发现的稳定晶体数量也不过才 48,000 个。

具体来看，GNoME 是一种最先进的图神经网络模型，所采用的是两条工作管道来发现稳定材料。其中，「结构管道」创建具有与已知晶体结构相似的候选物，而「成分管道」则采用遵循基于化学式的更随机的方法。随后，GNoME 使用密度泛函理论计算来评估两条工作流的输出，并将这些结果添加到 GNoME 数据库中，为下一轮主动学习提供信息。基于此，GNoME 将材料稳定性预测的发现率成功从 50% 左右提高到 80%。

已被验证的 736 种结构的其中 6 个示例

在 GNoME 预测到的新的稳定结构中，有 736 种是和其他科学家独立发现的稳定材料是一致的，其中便包括了潜在的超导体（上图中 Mo5GeB2）。这些新材料快速涌现必然推动行业创新的变革，并在超导体、电动汽车电池研发以及超级计算机供电等领域发挥作用。

同年 12 月，微软团队也顺势推出下一代生成式 AI 工具——MatterGen， 大大提升了设计所需特性材料的速度，释放了 AI 在材料设计和筛选方面表现出的巨大潜力。

诚然，人类开始进行超导研究已有 112 年之久，但迄今还没有完全理解各类超导体的微观机理，尽管 AI 在探索超导体方面已经愈发成熟，但超导体的真正应用并非一朝一夕所能解决的。伴随着 AI 技术对于超导体材料的广泛挖掘，或许不久的未来我们终能得到答案。

最后推荐一个活动！

扫码即可报名参与「Meet AI Compiler」技术沙龙第 5 期线下聚会↓

标签
#机器学习 #人工智能 #深度学习 #谷歌 #超导材料
#铁基超导磁体 #数据集
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。
Mac上IDEA的PlantUML插件报错‘找不到Graphviz’？手把手教你用Homebrew搞定（附阿里云镜像避坑） 本文详细解决了Mac上IDEA的PlantUML插件报错‘找不到Graphviz’的问题，通过Homebrew安装Graphviz并配置阿里云镜像源，特别针对Apple Silicon芯片用户提供了优化方案。文章还涵盖了IDEA中PlantUML插件的正确配置和常见问题排查，帮助开发者高效使用PlantUML进行UML图表设计。 阅读详情

相关推荐

Tesseract-Ocr踩坑下载以及进行检验

1 OCR，即Optical Character Recognition：光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。下载完成后进行解压找到这两个，然后复制到之前下载Tesseract-Ocr的tessdata文件下。可能会出现报错说chi下载的问题咱们不用管继续ok让它先下载完毕，后续会有下载chi的步骤。四、检验tesseract使用（将以下图片进行下载我这里将以下图片命名为3.png）我这里选的是2024年的版本如果下载不了；4 在安装的时候（找到下载的exe文件，双击）

m0_51428325的博客 1915

最强铁基超导磁体诞生！科学家基于机器学习设计新研究体系，磁场强度超过先前记录2.7倍...

本文约3400字，建议阅读10分钟寻找超导材料的难度堪比大海捞针，因此有人调侃道寻找室温超导体就像「炼丹」。英国和日本科学家 Akiyasu Yamamoto 等人利用 AI 技术，成功制造出世界上已知最强的铁基超导磁体，有望促进新一代磁共振成像技术和未来电气化运输技术的发展。超导现象，自 1911 年被发现以来，始终保持着前沿性与高价值，吸引了大批学者投身其研究中。超导现象是指某些材料在低于特定...

数据派THU 505

Android 开发实战：从零到一集成 espeak-ng 实现中文离线 TTS（无需账号开箱即用）

本文详细介绍了如何在 Android 项目中集成 espeak-ng，实现中文离线语音播报。通过下载 so 库、编写 Java 接口、封装管理类，开发者可快速构建无需账号的 TTS 功能。文章覆盖从零到一的开发步骤、调试技巧及性能优化，适合中高级 Android 开发者参考。

全栈 3319

【机器学习300问】139、Post-LN 和 Pre-LN 的区别？

Post-LN与Pre-LN的核心区别在于LayerNorm的位置：Post-LN在残差连接后，导致梯度需经LayerNorm变换，深层易出现梯度衰减或震荡；Pre-LN先做归一化，使输入稳定，残差路径梯度可无损回传，显著提升深层训练稳定性。尽管Pre-LN支持更深层次模型（如LLaMA、Qwen），但存在“深度诅咒”——深层贡献不足。相比之下，Post-LN浅层表现尚可，深层数易发散。因此，现代大模型普遍采用Pre-LN以保障训练可靠性。

qq_39780701的博客 396

AI漫剧实战：MiniMaxH3本地部署+ComfyUI工作流，6G显存出长视频

随着AI视频生成技术的普及，创作者开始追求在有限硬件条件下的本地化部署。本地部署不仅降低使用成本，更能获得对生成流程的完全可控性，这为高频次的内容生产提供了基础。以开源工作流引擎ComfyUI为依托，通过量化模型与显存优化，即便是6G显存的中端显卡也能流畅运行MiniMaxH3视频生成模型，输出60秒级别的AI漫剧片段。本文从视频生成原理出发，讲解模型选择、节点搭建、参数调优与提示词结构化设计，并延伸到剧本拆分、角色一致性控制、后期合成及平台变现路径，为AI漫剧创作者提供一套低成本、可复制的工程化方案。无论

weixin_29051149的博客 161

channel || channelGroup || ctx.writeAndFlush()发送字符串消息客户端接收不到的原因

一、原因 网络上传播的数据都是字节（二进制数据）类型。我们如果直接向网络流里面写入一个对象（如：String对象），是无法传输的。只有将对象序列化（转换为可以传输的字节类型）之后，才可以进行传输。所以问题的根源就很清楚了，需要把字符串转换成字节进行传输。、 二、解决办法 1、手动序列化 服务端： channelGroup.writeAndFlush(Unpooled.copiedBuffer("【客户端】"+remoteAddress+"已下线"+format.format(new Date()), Cha

haohaoxuexiyai的博客 4060

机器学习基础｜监督学习、标签、回归

网约车预估等待时长依赖监督学习中的回归任务。平台利用历史订单数据，以司机实际到达耗时为标签，通过上车点、时间、运力、路况等特征训练模型。模型不断优化预测值与真实耗时的误差，最终对新订单输出连续的预估等待时间，实现精准预测。

weixin_43971465的博客 238

海思MPP平台千兆以太网驱动集成与测试指南

千兆以太网（GE）是嵌入式视觉系统中音视频流传输与边缘控制的核心物理接口，其底层驱动需兼顾DMA高效调度、中断实时响应与PHY链路稳定性。在Linux嵌入式环境中，GE驱动通常基于net_device框架实现，并深度耦合于SoC专用媒体处理平台（如海思MPP），通过硬件抽象层（HAL）屏蔽寄存器操作，提供零拷贝、RGMII时序适配、描述符环管理等关键能力。技术价值体现在降低CPU负载、保障1080p@30fps实时推流、支持ONVIF/RTSP协议交互及固件远程升级。典型应用场景包括网络摄像机（IPC）、A

weixin_42599908的博客 89

Hugging Face：成为机器学习界的“Github”

以下文章来源于OneFlow，作者OneFlow社区五年前，AI领域的知名研究者Andrej Karpathy发文称，传统人工编程属于“软件1.0”，“软件2

2601_96798011的博客 125

摩尔线程嵌入式面试题及参考答案（2万字长文）

说一下你对 drm 框架的理解。 DRM（Direct Rendering Manager）是 Linux 系统中用于管理图形显示设备的一个重要框架。 从架构层面来讲，它处于内核空间，主要目的是为用户空间的图形应用程序提供一个统一的接口来访问图形硬件。DRM 包括内核态的驱动模块和用户态的库。内核态的驱动负责和硬件进行交互，比如对显存的管理、硬件寄存器的配置等。用户态的库则方便应用程序利用内核态提供的功能进行图形渲染等操作。 在图形显示的具体流程中，DRM 可以控制显示设备的分辨率、刷

大模型大数据攻城狮的专栏 1229

Arduino ESP32 Web服务器从microSD卡读取

Arduino ESP32 Web服务器从microSD卡读取 将网页内容放到SD卡中，当有客户端数据请求时，从SD卡读取信息进行发送，比起SPIFFS文件系统，更节约板上的硬件资源。 SD卡接线说明 ESP32----- SD D5(GPIO 5)-----CS D18(GPIO 18)-----SCK D19(GPIO 19)-----MISO D23()GPIO 23-----MOSI 文件放置 需要把文件放置到SD卡的根目录下。注意SD卡的格式FAT32格式。 实例代码 /*

perseverance51博客 1434

机器学习——混淆矩阵（待更新）

二元: true表示真实==预测，positive表示预测值=1.

m0_61175448的博客 133

手把手写深度学习(27)：如果获得相机位姿态的plücker embedding？以RealEstate10K为例

用plücker embedding表示相机的位姿是一种非常常用的方法，这篇博客以RealEstate10K数据集为例子，详细讲解如何从相机的轨迹坐标中获得plücker embedding，用于下一步模型的学习。

沉迷单车的追风少年 2239

这7个小众Python库，才是机器学习工程化的降效神器

别再只盯着TensorFlow了：这7个小众Python库，才是机器学习工程化的降效神器在很多人的印象里，机器学习似乎就是高深莫测的数学公式、成千上万的GPU集群

2601_96797912的博客 159

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")

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

【机器学习300问】138、LayerNorm和BatchNorm的区别？

本文阐述了归一化与标准化在深度学习中的核心作用。输入层标准化可统一初始输入，但深层网络仍面临激活分布漂移。为此，提出BatchNorm与LayerNorm两种主流方法。

qq_39780701的博客 183

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

为什么生成对抗网络训练常不稳定，模式崩溃与判别器过强之间是什么关系？

当支持集不重叠时（即 $D$ 能完美区分真假），JS 散度为常数 $\log 2$，其梯度为 0。这意味着一旦 $D$ 训练得稍好，$G$ 就失去了学习方向，导致训练停滞。生成对抗网络（GAN）的训练本质上是生成器（$G$）与判别器（$D$）之间的非合作零和博弈。以下代码展示了如何通过梯度惩罚（Gradient Penalty）来约束判别器，避免其过强导致生成器梯度失效。判别器过强是导致模式崩溃的直接诱因之一，二者之间存在明确的**“梯度误导”**因果关系。

2402_84593233的博客 204

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

AI 是怎样从数据中学习的？训练、验证、测试与推理

泛化能力（Generalization）指模型面对训练过程中没有见过的新数据时，仍然能够做出合理预测的能力。这是判断模型是否具有实际应用价值的重要标准。例如：一个用户流失预测模型，在历史数据上表现很好，但面对新上线的用户群体时，预测准确率明显下降。这可能说明模型学到的规律无法适应新的用户群体。泛化能力不仅取决于模型本身，也与训练数据是否具有代表性有关。训练数据只包含老用户，没有新用户。训练数据主要来自某个地区，实际业务却覆盖不同地区。过去的用户行为与当前用户行为已经发生变化。

dshizixu的博客 312

Spark06_MLlib机器学习

本文是《PySpark 从入门到实战》系列收官篇，带你用 Spark MLlib 走通机器学习全流程：从三要素与 7 步标准流程讲起，剖析 KNN、朴素贝叶斯、决策树三大算法原理，再以 KNN 手写、垃圾短信分类、决策树分类、逻辑回归鸢尾花（准确率 96.67%）、K-Means 聚类（轮廓系数 0.7345）五个案例落地，最后详解 TF-IDF 文本特征与余弦相似度。全文代码可直接运行，适合有 RDD 与 Spark SQL 基础的开发者快速上手。

2301_80420058的博客 451

AI小白入门｜无监督学习到底是什么？

很多新手看完无监督学习的定义只会死记硬背。本文避开复杂公式，从真实业务场景切入，对比监督学习，讲清楚无监督学习的核心价值、适用场景、底层逻辑和容易踩坑的认知误区，帮你理解它在机器学习链路里的定位。

weixin_43971465的博客 180

机器学习教程，从入门到精通，高斯混合模型（GMM）——写给机器学习小白的保姆级教程(10）

高斯混合模型（Gaussian Mixture Model，简称 GMM）：假设你手里的数据是由"好几堆正态分布的数据混在一起"形成的，GMM 的任务就是——把这几堆分开，并且描述清楚每一堆的样子。

qq_45746668的博客 120

机器学习01，KNN使用与简单数学原理

个人笔记

qq_59247073的博客 265

机器学习01，了解与KNN

个人笔记

qq_59247073的博客 361

【slam公式】

F：状态转移矩阵H：观测矩阵R: 观测噪声协方差。

qq_44691564的博客 328

基于有效Token规模化的大模型预训练数据配方与工程体系研究——基于唐杰《高级机器学习》课程演讲

在此背景下，本文系统梳理GLM系列模型数据迭代轨迹，纠正数据墙认知偏差，分析天然数据与合成数据的互补机制，并完整构建支撑高质量Token挖掘的全链路数据工程体系，为大模型数据规模化建设提供理论与工程参考。早期小模型训练场景下，数据总量远大于算力可消化量，核心策略为择优筛选少量高质量数据。基于唐杰公开演讲核心观点、GLM数据迭代、数据墙、合成数据、清洗解析工具链、分层架构图、自研工程壁垒），完整重构成一篇结构严谨、逻辑连贯、标准期刊论文风格全文，预留精准图片插入位置，可直接定稿、查重、发表、结课提交。

interpromotion的博客 265

茶叶病虫害目标检测数据集

目标检测 yolo 目标检测数据集 茶叶病虫害目标检测数据集

DL_data_set的博客 391

CAGR 21.8%：GaN功率器件封装材料市场从3.23亿美元迈向12.77亿美元

随着氮化镓（GaN）功率半导体在消费快充、AI服务器电源及车载电源领域的加速渗透，GaN功率器件封装材料作为实现芯片贴装、电气互连、热量传导和长期可靠性保障的核心功能性材料，正迎来爆发式增长期。根据LP Information（路亿市场策略）初步调研，2025年全球GaN功率器件封装材料市场规模约为3.23亿美元，2026年预计约3.91亿美元，2032年将达到12.77亿美元，2026—2032年复合增长率（CAGR）高达21.8%。

LPIHelen的博客 173
上一篇： OpenAI用GPT-4o打造癌症筛查AI助手；手机就能检测中风，准确率达 82%！中国气象局发布AI气象大模型...
下一篇： 一键体验 GLM-4-9B-Chat
点赞 8
评论 0
书签 书签 19
HyperAI超神经
HyperAI超神经
博客等级 码龄7年 8872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