钱学森「灵境」 预言成真!上交/上体/清华等构建全球首个VR运动干预系统REVERIE,重塑青少年脑-身-心健康

「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

近年来,青少年肥胖问题日益严峻,已演变为一场全球公共卫生危机。据报道从 1990 年到 2022 年间,全球 5 岁至 19 岁儿童和青少年中的肥胖人数增加了约 3 倍。通过科学的运动方式帮助青少年健康减重、更加阳光、培养终身受益的运动习惯,已成为当前全球公共卫生领域的重要议题。

「我目前正在与贾伟平院士团队密切合作攻关,与来自体育科学、临床医学、心理学及脑科学的多学科专家团队协同开展科研攻关,研制面向未来生活中人民健康智能精细化管理的「灵境」系统,希望通过人工智能和虚拟现实去回答当前困扰科学界多年的难题:真实世界体育锻炼与虚拟世界(元宇宙)VR 运动各自对于人类身心健康有何影响」。这是 2022 年 3 月,上海交通大学盛斌教授接受澎湃专访时向外界透露的研究工作。时隔三年,这一成果在 Nature Medicine 发表。但是这场耗时数年的研究背后其实有着长达 35 年的记忆和梦想传承。

2025 年 6 月 23 日,上海交通大学医学院附属第六人民医院/主动健康战略与发展研究院李华婷教授团队、上海交通大学计算机学院/人工智能教育部重点实验室盛斌教授团队通过医工交叉合作研究,携手上海体育大学王继红研究员团队、上海科技大学/上海临床研究中心曾嵘教授团队及新加坡国立大学林水德教授团队,在 Nature Medicine 发表研究论文「Adaptive AI-based virtual reality sports system for adolescents with excess body weight: a randomized controlled trial」。

研究团队创建了全球首个面向超重或肥胖青少年体重控制的虚拟现实(VR)智能运动干预系统 REVERIE(Real-world Exercise and VR-based Exercise Research In Education),中文名「灵境」,该系统创新性地利用了深度强化学习驱动且基于 Transformer 架构的虚拟教练孪生智能体,并通过迭代用户交互进行优化,可以提供安全、沉浸式、富有同理心且有效的运动指导,其生物力学表现和运动心率响应与同样运动类型的真实世界运动无显著差异。

研究团队完成了全球首例聚焦超重肥胖青少年群体的虚拟现实运动干预随机对照试验(RCT)。该研究创新性采用多维度评估体系,并在传统对照设计基础上增设等强度真实运动参照组,系统解析了 VR 运动干预对超重肥胖青少年身-心-脑健康的复合效应,不仅涵盖代谢指标,还包括了身体素质、心理健康及运动意愿等维度,并精准评估了干预措施对青少年认知功能的潜在影响(图 1)。

图 1:REVERIE(「灵境」)运动系统赋能青少年肥胖的干预

技术架构与研究发现

青少年肥胖问题正持续加剧,不仅显著增加代谢性疾病风险,还可能引发持久性的认知功能下降。虽然运动干预是最有效的手段,但青少年普遍存在锻炼意愿低、社交障碍和缺乏专业指导等现实困境,亟需建立更具针对性且人性化的运动干预体系。

钱学森先生早在 1990 年代就将 Virtual Reality 精妙地译为「灵境」,并预言这项技术将「它能大大扩展人脑的知觉,因而使人进入前所未有的新天地,新的历史时代要开始了」。这与「计算机图形学之父」伊万·萨瑟兰 60 年代提出的「终极显示」理念遥相呼应。当下 VR 技术虽已在医疗领域初现成效、展现出干预潜力,但多缺乏个性化反馈,且缺乏高质量验证研究,限制其应用。

基于此,团队开发了全球首个专为青少年设计的虚拟现实运动系统 REVERIE,融合沉浸体验与智能教练,采用「模板驱动结合实时反馈」的深度强化学习策略,实现个性化动态指导。

第一步,团队借助高精度动作捕捉技术,对专业教练在乒乓球和足球教学过程中的动作进行系统采集,由此构建了专家教练模板,作为范式基准。

第二步,以专业教练模板为目标行为模型,结合 Transformer 架构与深度强化学习技术,训练具有自主教学能力的虚拟教练智能体。

第三步,在部署运行后,系统持续采集虚拟教练智能体与青少年用户的交互数据,用于虚拟教练智能体的持续强化学习与策略微调,从而实现针对青少年的个性化运动干预。研究结果表明, REVERIE 系统可以提供安全、有效、沉浸式且富有同理心的体育指导,其生物力学表现与运动心率响应与同样运动类型的真实世界体育活动相近(图 2)。

图 2 虚拟现实运动系统(REVERIE)概览和生物力学评价

在随机对照临床研究中,共纳入 227 名超重或肥胖的青少年,随机分配至对照组、真实乒乓球运动组、真实足球运动组、 VR 乒乓球运动组和 VR 足球运动组。对照组维持原有生活及运动习惯不变,运动组在学校原有的体育课基础上增加每周三次相应的运动干预课程,其中真实运动组与虚拟运动组通过实时监测心率的臂带将运动强度控制在相同强度区间,同时两组的技能训练内容保持一致。所有受试者在研究期间均接受统一的饮食管理,干预持续八周。

结果显示,VR 运动在减脂和代谢改善方面与真实运动相当,在运动能力、心理健康及运动意愿维持方面更具优势。特别是在认知功能上,VR 运动组表现出感知能力增强和工作记忆准确率提升。脑功能影像显示,VR 运动引发更复杂、层级性强且具重构潜力的脑网络活动,动态调节关键神经网络间的交互,增强神经效率和可塑性(图 3 a,b)。

为深入探索 VR 运动与真实运动对超重肥胖青少年干预的可能机制,研究团队采用多组学整合分析,发现 VR 运动后肠道微生物组、代谢组和脂质组的特征发生了显著改变,而真实运动干预后则主要观察到蛋白质组的显著变化。与差异多组学特征相关的脑区尤其集中在额叶、颞叶和楔前叶等,与认知行为学指标联系密切(图 3 c)。 VR 运动后认知功能改善的机制可能包括两种途径:一是通过肠道微生物群-脑轴影响认知功能;二是蛋白与代谢物之间的相互作用,共同影响认知功能。

图 3 虚拟现实运动对超重肥胖青少年脑活动和功能连接的影响及与多组学特征谱之间的联系(图源:Nature Medicine)

研究意义与未来展望

本研究通过构建了全球首个基于深度强化学习的虚拟现实运动干预系统 REVERIE,首创结合 Transformer 架构与强化学习的虚拟教练智能体,开创了数字化运动干预的新形态;完成了全球首个针对超重肥胖青少年的 VR 运动的 RCT,为虚拟现实运动疗法提供了高等级循证医学证据;创新性地整合了任务态脑功能磁共振技术与多组学分析,揭示了 VR 运动改善认知功能的可能神经机制与分子机制。

REVERIE 系统不仅为青少年肥胖干预提供了全新的「生理-心理-认知」三位一体的数字化解决方案,也为虚拟现实技术在医学领域的深度应用提供了理论依据;不仅为肥胖干预策略提供了变革性的技术路径,更为人工智能赋能的精准化健康管理提供了实践范式。

REVERIE 系统在帮助超重肥胖青少年减重的同时,促进运动技能的习得,为持续运动奠定技能基础;提高神经元效率和神经可塑性,显著改善记忆力、注意力及思维敏捷性;建立主动运动的意愿,使青少年从「被动参与」转向「主动选择」。当技能习得、认知改善与意愿建立形成闭环,便有望将运动融入日常生活,形成可持续的运动习惯,让青少年在锻炼中收获健康体魄、敏捷头脑与积极心态,从根本上破解肥胖难题,为成长之路筑牢健康基石。

Nature Medicine 同期发表了题为「Virtual reality sports to tackle pediatric obesity」的述评,认为「REVERIE 是一项具有里程碑意义的研究,为未来的调查奠定了基础;支持将虚拟现实运动作为一种创新、高效且安全的策略,以改善和提升体重超标青少年的健康状况」。

本研究共同通讯作者上海交通大学盛斌认为:虚拟现实本质上是人类在「缸中之脑」哲学假设下,对世界本源的认知拓荒。而 REVERIE 研究已突破这一假设—VR 不再是封闭感知的模拟实验,更像是以数字模态对人体生理神经系统的交响共鸣式干预,其对身心的影响正呈现出生理生化和脑科学的多维图谱。这不仅是技术迭代,更是认知范式的跃迁:当 VR 通过视觉、触觉乃至前庭系统的协同刺激重构感知矩阵时,人们更需以未来视角审视:在青少年神经可塑性高峰期,VR 干预的时长阈值、频率节律仍需通过未来研究去解码。「当前探索不过是人类在此方面探索的开篇和第一步」——唯有持续的未来研究才能真正勾勒出数字智能时代人体身心健康的新坐标系。

关于作者

上海交通大学医学院附属第六人民医院/主动健康战略与发展研究院李华婷教授、上海交通大学计算机学院/人工智能教育部重点实验室盛斌教授、新加坡国立大学林水德教授、上海科技大学/上海临床研究中心曾嵘教授为本文共同通讯作者。

上海体育大学研究员王继红、清华大学医学院博士后秦义明、上海交通大学医学院附属第六人民医院博士生吴倩(导师李华婷教授)、清华大学医学院博士后曾典、上海科技大学/上海临床研究中心高笑静博士、上海交通大学医学院附属第六人民医院博士生王沁仪(导师李华婷教授)、上海体育大学副教授李震、上海交通大学医学院附属第六人民医院研究员倪岳琼、上海体育大学博士生李灏萱(导师盛斌教授)、俄亥俄州立大学教授张平和上海交通大学医学院附属第六人民医院助理研究员郭婧怡为本文共同第一作者。

此外,本研究还得到了上海交通大学医学院附属第六人民医院贾伟平教授、清华大学副教务长及医学院院长黄天荫教授及团队、哈佛大学陈曾熙公共卫生学院 Felipe Fregni 教授、国家蛋白质科学研究(上海)设施主任吴家睿教授、中国科学院软件研究所吴恩华教授、清华大学马新东教授、香港大学徐爱民教授、温州医科大学黄志锋教授、悉尼大学 Jinman Kim 教授、上海体育大学黄筱君助理研究员、上海交通大学转化医学研究院毕磊副教授、上海科技大学生物医学工程学院沈定刚教授及团队、上海市宝山区教育局、上海女足及中国乒乓球学院等多学科专家和科研团队的支持。该研究得到教育信息化教学应用实践共同体项目和卫健委科技创新 2030-国家科技重大专项等资助。

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

ECC椭圆曲线加解密原理详解(配图)

椭圆曲线加解密原理详解 本文主要参照:ECC椭圆曲线详解(有具体实例)[1] 前言: 椭圆曲线(ECC)加密原理跟RSA加解密原理比起来,可真是晦涩难懂。拜读了大神Kalafinaian文章“ECC椭圆曲线详解(有具体实例)”,终于看到了参透的曙光。 由于原文中有微小的瑕疵,也为了便于阅读起来更加流畅,我重新整理了一下这篇文章。 为什么使用椭圆曲线加密算法? RSA的解决分解整数问题需要亚指数...

Mark的博客 7万+

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 224

保姆级教程:用Protege 5.5.0从零构建你的第一个知识图谱(附实战案例文件)

本文提供了一份详细的Protege 5.5.0使用指南,从零开始构建知识图谱。通过'中国古代文人关系网'实战案例,涵盖软件安装、本体创建、属性定义、实例填充到高级功能应用的全流程,帮助初学者快速掌握知识建模的核心技能。

weixin_26808205的博客 234

6 款电商 AI 图片生成软件实测|国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言,现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求,显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强",而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率,通用生图工具强在创意上限,模板类工具赢在上手速度。建议根据自身业务阶段,搭配 1-2 款主力工具 + 1 款辅助工具,形成适合自己的视觉生产流程。

Mardi_Ladin的博客 398

PaddleOCR实战:从零开始打造专属OCR模型的完整指南

本文提供了一份从零开始使用PaddleOCR打造专属OCR模型的完整实战指南。内容涵盖环境搭建、数据标注与准备、模型训练与调优,以及最终的模型转换与部署。重点介绍了如何利用PaddleOCR进行模型训练,并整合PPOCRLabel等工具高效准备数据集,帮助开发者快速构建适用于特定场景的高精度OCR识别能力。

rl6adventurer的博客 733

用 XCO_CP_XLSX 在 ABAP 中写 Excel:从写入访问到样式控制的完整指南

本文介绍了在 ABAP 环境中使用 XCO_CP_XLSX 模块导出 Excel 报表的完整实践方案。文章从获取写入访问权限开始,详细讲解了基于 row_stream 的批量数据写入和基于 cursor 的精细控制两种方法,并提供了创建新文档、添加工作表、设置样式等关键操作示例。通过分层抽象的工作簿-工作表-单元格模型,开发者可以灵活应对企业应用中常见的报表导出需求,特别是在 SAP BTP 和 S/4HANA Cloud 环境下实现高效可靠的 Excel 文件生成与处理。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 163

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型:把 PDF 发给一个自己部署的图文模型,让它提取发票类型、日期、交易双方和金额,再把结果交给同事核对。这个原型不用先接财务系统,先看看从部署到调用要走多少步,模型返回的内容能不能帮上忙。

鸽芷咕的博客 2万+

YOLOv12涨点改进 | 全网独家首发Conv改进篇 | Arxiv 2025 | 引入一种新的WConv加权卷积改进YOLOv12,显著提升其特征提取能力和目标检测精度

本文提出了一种新型加权卷积(WConv)模块,通过引入最优密度函数动态调整邻域像素权重,显著提升了YOLOv12目标检测性能。WConv在保持参数数量不变的情况下,提高了模型精度(VGG准确率提升10%)、增强了小目标检测能力,并改善了多尺度特征提取。文中详细介绍了模块原理、网络结构改进方法,并提供了核心代码实现和yaml配置文件。实验表明,该方法在图像任务中最高可降低53%的损失,虽然会带来11%的时间开销,但具有优异的鲁棒性。该技术可广泛应用于2D/3D图像处理领域。

Ai缝合怪、助力小伙伴高效发论文 215

您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗?不是单条会话里面的多次会对话。AI导出鸭

第三层是格式编译层。这个决策背后的判断很清晰:一个批量导出工具的价值,不在于“试三次”,而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后,它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载,AI导出鸭 在页面运行时建立旁路监听,捕获每一次分页请求返回的完整对话清单,包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是:导出不该是体力活,而应该是一次完整的、可预期的文件交付。注意:这里的“批量”指的是左侧列表里的多个独立会话,不是一条会话内的多轮对话。

laoyunsi的博客 246

PCIe-Orders set Blocks之symbol对齐

有序集的使用场合很多,如在链路link阶段,进入polling后,便开始有序集的发送。一个 Ordered Set Block 包含一个同步头,后跟一个有序集。多通道链路的所有 Lane 必须同时传输相同的有序集,而且有序集的第一个符号定义了有序集的类型。但在PCIE中,8GT/s及以上的速率,采用的是128b/130b编码。128-bit是想要传输的payload,实际会传输130-bit,多出来的2-bit就是sync header。Block有两种,通过Sync header区分:10b:表示data

weixin_44700185的博客 813

实用指南:制作通用的INCA和CANape兼容A2L文件

A2L(ASAM MCD-2 Measurement and Calibration Data)文件是描述ECU(电子控制单元)测量和校准数据的标准文件格式。在标定工作中,A2L文件扮演着极为重要的角色,它定义了测量通道、校准参数等关键信息,为工程师提供了统一的描述方式。INCA和CANape是两种常见的汽车电子系统标定工具,分别由ETAS和Vector公司开发。它们在汽车电子系统的开发和调试过程中发挥着重要作用,提供了丰富的标定功能和用户友好的界面。

一直在水些技术小文 2924

【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 501

六、大模型(LLMs)参数高效微调(PEFT) 面

链接: https://pan.baidu.com/s/1TYqdCK53tDFEYGtAvpnTbA 提取码: 6a9s。考核中的核心考点,并针对这些考点提供了详尽的解答。通过网盘分享的文件:06大模型(LLMs)参数高效微调(PEFT) 面。)有哪些方法,能不能稍微介绍一下它们间?这种微调方法和全参数比起来有什么劣势吗?能不能总结一下各种参数高效微调方法?高效参数微调,如何进行存储?多种不同的高效微调方法对比。模型显存占用的部分有哪些?微调方法为啥能加速训练?微调计算可训练参数的比例。

weixin_51988935的博客 534

河道漂浮物目标检测数据集

目标检测,yolo,河道漂浮物目标检测数据集

DL_data_set的博客 201

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

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 199

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

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 558

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")

AI前沿日报 · 2026-11-04 | 祛魅时刻:Astra“纯读权重“神话的崩塌

①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读,数学能力提升依赖Python+50次迭代;②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程;③Nvidia开源Auto-Ontology自动知识图谱;④$800开源全域抓取机器人Stringman;⑤OpenAI悄然重开Codex训练开关引信任危机;⑥DeepMind发布Gemini 4 Argon机器人基础模型;⑦美国科技巨头隐性AI债务达3.2万亿美元,6个月增90%。

johnsong2009的博客 574

大模型 Embedding 与向量相似度详解

Embedding 解决的问题:计算机不懂文字,但懂数字│▼文本 → 向量(1024维浮点数数组)│▼相似度解决的问题:怎么判断两个向量(文本)有多接近│▼余弦相似度:看向量方向的夹角,越接近0°越相似│▼最终效果:语义搜索——理解意思,而非字面匹配一句话总结:Embedding 把文字变成数字,余弦相似度比较数字的方向,两者结合实现了"理解语义"的搜索。

T3165919332的博客 90

GPT-1 架构和计算细节

下面配合框图,对 GPT-1 的每个组件做公式展开 + 数值实例(配置:12 层 × 768,12 头,FFN 3072,词表 40478,共 117M 参数)。GPT-1 把翻译模型的编码器-解码器砍掉一半,只留解码器,然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异(框图中标 ★):h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\

eloudy的专栏 278

终端 AI 审计与 “龙虾” 类智能体风险治理:从可见性到闭环溯源

生成式 AI 办公普及之后,数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型,以及龙虾(OpenClaw)这类本地开源 AI 智能体的滥用,成为企业安全新挑战。传统网络边界防护存在审计盲区,本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度,分享终端侧 AI 安全治理的实践思路。

2401_86491085的博客 640

2.53 基于极稀疏指纹的室内定位注意力图元学习

该论文发表于IEEE Transactions on Mobile Computing(TMC)2026年6月,面向极稀疏指纹条件下的WiFi室内定位,针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点,提出注意力图元学习模型AGML(Attentional Graph Meta‑Learning),结合图神经网络、元学习、两种指纹数据增强与分布对齐技术,在标记指纹极少的场景实现高精度室内定位,同时公开了多套真实+仿真定位数据集用于基准测试。场景:二维室内空间,障碍物造成信号遮挡,

weixin_42963026的博客 338

语音识别与语音合成的技术原理及应用

语音识别 #语音合成 #人工智能 #大模型。语音识别与语音合成的技术原理及应用。一、语音识别的核心原理。二、语音合成的核心原理。三、工程落地的主要难点。五、需要关注的现实问题。

weixin_62919816的博客 210

设计师工作室 GEO 实操:如何提升 AI 实体推荐概率

设计工作室 GEO 的本质,是把创意服务转化为 AI 可理解的结构化信息。核心动作可归纳为:区分事实与审美、建立实体图谱、预判用户提问、输出脱敏内容、搭建多信源、持续测试验证。梳理工作室的 6 个实体属性:品类、城市、流程、边界、团队、渠道。在官网或作品集平台发布至少 3 篇结构化项目复盘,只陈述事实。输出 1 篇「设计报价影响因素」科普内容,覆盖甲方高频提问。争取 1 次行业媒体或本地媒体专访,形成第三方信源。每周用「XX 城市 + 品类 + 设计工作室推荐」指令测试,记录出现频率。

goujunwe的博客 337

AI作图软件技术选型:从4个技术维度出发的实测对比

AI作图软件技术选型:从4个技术维度出发的实测对比

Vbaoke的博客 205

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 4630

影视场景怎么用AI生成3D镜头预演?从概念图、场景白模到网页审片

概念图有氛围,不代表能直接用于镜头预演。本文围绕剧本拆镜、资料与尺度假设、场景白模、机位走位、动作节拍和网页审片,介绍 AI 生成 3D 场景的预演流程。通过稳定对象与相机编号、统一镜头表、意见关联版本和三轮审核,让讨论落到具体镜头,同时明确白模与网页预演不能替代真实场地勘景及现场安全判断。

Solange__的博客 540
上一篇: 【TVM 教程】如何处理 TVM 报错
下一篇: 【Triton 教程】triton_language.zeros_like
HyperAI超神经
博客等级 码龄7年 8872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