利好AI4S!国务院「人工智能+」行动意见出炉,点名生物制造、医疗健康

蔡崇信港大访谈解读:国家政策、企业发展与个人成长 2025年11月5日,阿里巴巴集团联合创始人、董事长蔡崇信在香港大学以访谈的形式就“未来十年中国经济增长的技术驱动力”这一主题进行演讲。这场演讲以阿里巴巴的成长与发展为主线,将他个人、企业(阿里)、国家三者的发展步调相统一,既总结历史的经验又前瞻未来,立足于当前经济形势下探讨 AI 对未来的影响。不管是企业战略规划,还是个人的成长规划,这场演讲都可以作为一个很好的参考。 阅读详情

2024 年的政府工作报告中首次提出「人工智能+」,而后的 2025 年政府工作报告中再次提出要持续推进「人工智能+」行动。如今,我国首部「人工智能+」行动政策出炉,规划出了清晰的时间线与发展重心。在不足 2 年的时间里,从行动概念的提出,到形成明确规划指引,我国推动 AI 普惠全行业的决心与行动力无需赘述,而此次行动意见的提出更是全面拉开了加速 AI 应用落地的序幕。

值得关注的是,其中明确提出要加快实施「人工智能+」科学技术这一重点行动。该政策不仅点名科学大模型、高质量数据集等「基础设施」,还指出要加强人工智能与生物制造、量子科技、6G 等领域进行技术协同创新。

利好 AI4S,形成科研—应用—再科研的循环

政策中提到:「以新的科研成果支撑场景应用落地,以新的应用需求牵引科技创新突破」。换言之,面向「人工智能+科学技术」,一方面是科研自上而下的推动,另一方面是应用自下而上的牵引力。笔者认为这不仅是为 AI for Science(AI4S) 的产研协作提供更加明晰的方向性指导,同时也为 AI 与 Science 的融合指明了发力点。

在产业协作方面,首先是科研成果转化路径更清晰。传统科研成果更多地是停留于论文、实验室内,并非所有团队都能有产业实践的机会。而政策指向则是强调研究成果要成为产业化、应用化的支撑。这对于 AI4S 来说,是要求新算法、新模型不仅在 benchmark 上领先,更要能在药物研发、材料设计、气候模拟、能源优化等领域真正解决问题。

其次,这也表明跨学科合作将成为必然趋势。AI 与科学的结合不只是计算力的问题,更需要与物理、化学、生物、医学等学科深度对接。科研成果能否落地,取决于是否在场景应用中经过跨学科验证和优化。因此方向性指导的一大意义在于,推动科研人员从研究项目立项时就要考虑应用环境,减少科研成果与实际需求脱节的情况。

在笔者看来,这一部分政策指导强调科研成果需要面向应用场景,不仅提供理论突破,还要成为场景应用的底座。换言之,对于科研机构、AI 企业乃至高校而言,成果必须走向应用,实验室的突破最终要落在产业和社会的实际需求中。

在 AI 与 Science 协作方面,首先是需求驱动创新的逻辑强化。过去 AI 在科学领域的应用往往是技术先行,科研人员根据自己所观察到的科学问题提出模型,再寻找应用。这可能导致并未处于产业一线的研究人员更多地着眼于高难度的「顽疾」,而非急人所急的「痛点」,所以需要应用层面帮助科研力量捕捉最急切的需求,将重锤落在最需要攻克之处。

其次是应形成应用场景与科研闭环。需求牵引意味着应用场景不再是成果的终点,而是科研的起点。AI4S 的价值恰恰在于算法和算力可以不断迭代优化,科研团队可以在应用过程中获得反馈,从而推动技术不断突破。这种模式下,科技创新与应用需求相互作用,形成「科研—应用—再科研」的正循环。

此外,产研协作也有助于加速「卡脖子」问题的解决。一些关键领域,如半导体材料、新能源催化剂、前沿药物靶点,正是因为应用需求迫切,才会倒逼科研创新。发力点就在于将这些需求转化为明确的科研课题,并借助 AI 的加速能力实现突破。

AI4S 相关要点汇总

国务院关于深入实施「人工智能+」行动的意见中多处提到科学技术、科研领域,以下对相关内容进行摘要汇总。

加快实施重点行动:「人工智能+」科学技术

1.加速科学发现进程。加快探索人工智能驱动的新型科研范式,加速「从 0 到 1」重大科学发现进程。加快科学大模型建设应用,推动基础科研平台和重大科技基础设施智能化升级,打造开放共享的高质量科学数据集,提升跨模态复杂科学数据处理水平。强化人工智能跨学科牵引带动作用,推动多学科融合发展。

2.驱动技术研发模式创新和效能提升。推动人工智能驱动的技术研发、工程实现、产品落地一体化协同发展,加速「从 1 到 N」技术落地和迭代突破,促进创新成果高效转化。支持智能化研发工具和平台推广应用,加强人工智能与生物制造、量子科技、第六代移动通信(6G)等领域技术协同创新,以新的科研成果支撑场景应用落地,以新的应用需求牵引科技创新突破。

3.创新哲学社会科学研究方法。推动哲学社会科学研究方法向人机协同模式转变,探索建立适应人工智能时代的新型哲学社会科学研究组织形式,拓展研究视野和观察视域。深入研究人工智能对人类认知判断、伦理规范等方面的深层次影响和作用机理,探索形成智能向善理论体系,促进人工智能更好造福人类。

加快实施重点行动:「人工智能+」消费提质

培育产品消费新业态。推动智能终端「万物智联」,培育智能产品生态,大力发展智能网联汽车、人工智能手机和电脑、智能机器人、智能家居、智能穿戴等新一代智能终端,打造一体化全场景覆盖的智能交互环境。加快人工智能与元宇宙、低空飞行、增材制造、脑机接口等技术融合和产品创新,探索智能产品新形态。

加快实施重点行动:「人工智能+」民生福祉

打造更有品质的美好生活。探索推广人人可享的高水平居民健康助手,有序推动人工智能在辅助诊疗、健康管理、医保服务等场景的应用,大幅提高基层医疗健康服务能力和效率。推动人工智能在繁荣文化生产、增强文化传播、促进文化交流中展现更大作为,利用人工智能辅助创作更多具有中华文化元素和标识的文化内容,壮大文化产业。充分发挥人工智能对织密人际关系、精神慰藉陪伴、养老托育助残、推进全民健身等方面的重要作用,拓展人工智能在「好房子」全生命周期的应用,积极构建更有温度的智能社会。

强化基础支撑能力:促进开源生态繁荣

支持人工智能开源社区建设,促进模型、工具、数据集等汇聚开放,培育优质开源项目。建立健全人工智能开源贡献评价和激励机制,鼓励高校将开源贡献纳入学生学分认证和教师成果认定。支持企业、高校、科研机构等探索普惠高效的开源应用新模式。加快构建面向全球开放的开源技术体系和社区生态,发展具有国际影响力的开源项目和开发工具等。

【信息科学与工程学】【产品体系】第三十九篇 IT产品系列需求01 互联网行业的需求 经过多轮补充,现整理出覆盖存储、网络、计算、安全、数据治理、AI治理、物联网/工控、管理与经营​ 八大领域的完整需求目录,共60条​ 详细需求。 阅读详情

相关推荐

【信息科学与工程学】【管理科学】第七十二篇 管理层相对基层员工的信息差/资源差/权力差/认知差03 总裁/副总裁

定义系统状态(如:全正常、1个单元故障、降级运行、完全故障),状态间转移率 λ(故障率)和 μ(修复率)构成转移强度矩阵 Q。其中 γ_k = (2π/λ) n_k d_k cosθ_k 为相位厚度,η_k = n_k / cosθ_k (TE波) 或 η_k = n_k cosθ_k (TM波) 为光学导纳,θ_k为层内入射角。用于在光刻机设计阶段评估各子系统(光源、光学、工件台、真空等)的可靠性,识别薄弱环节,计算系统整体可用性(Availability),指导冗余设计和维护策略制定。

weixin_49199313的博客 991

关于《国务院“人工智能+”行动意见》的解读

2025年8月,国务院发布《“人工智能+”行动意见》,标志着中国AI战略从技术追赶转向社会重构。政策锚定三大目标:2027年智能终端与智能体普及率超70%,2030年超90%,2035年全面建成智能社会。核心突破系统性部署六大领域。政策独创 ​​“发展中治理”范式​​:既要求量子计算等前沿突破,也建立全球最严监管防火墙。————“AI的终极目标是让人类生活更美好"

2301_77755828的博客 1804

【信息科学与工程学】【财务管理】第四十六篇 企业资本运作02

1. 中介机构(券商、律师)对公司股东进行穿透核查,识别“三类股东”;随后,利用获得的股东地位和信息优势,在二级市场进行“午夜突袭”(在短时间内,趁市场不备,通过算法快速买入大量股份),进一步增持至接近或超过50%,最终实现控制。:为规避欧盟碳边境调节机制(CBAM)等绿色贸易壁垒,高碳排放行业(如钢铁、铝、化肥、水泥)的企业,将新增产能或部分现有产能,直接投资于拥有廉价可再生能源(如水电、风电、光伏)或碳捕集与封存(CCS)潜力的国家和地区(如中东、北非、智利、挪威)。:母公司上市已满3年;

weixin_49199313的博客 845

国务院重磅文件点燃AI革命:智能体元年如何重塑经济与社会?——解读《关于深入实施“人工智能+”行动的意见》与未来十年发展路径

中国智能体发展迎来政策里程碑,《关于深入实施"人工智能+"行动的意见》首次将智能体纳入国家战略,提出三阶段发展目标(2027年普及率70%,2030年90%,2035年全面智能社会)。智能体实现了从被动工具到主动伙伴的范式转变,在医疗、制造、法律等领域深度应用。政策规划了科技、产业、消费、民生、治理和国际合作六大融合领域,企业纷纷布局抢占生态位。同时强调安全防控,应对新型网络安全、伦理风险等挑战。专家指出未来需突破技术自立、数据开放和场景创新三大路径,实现AI从"附加工具&qu

Shenhetong的博客 1657

【信息科学与工程学】【广告科学】第四十四篇 广告平台投放和广告计费类算法01

全行业的中国企业广告投放模型总表。行业分类依据《国民经济行业分类》(GB/T 4754—2017)的门类/大类 ,产品层参考"主营产品统计代码"行业—产品映射 ,平台算法以巨量引擎、腾讯广告等官方文档为硬支撑 ,合规部分严格对齐《互联网广告管理办法》以及2026年市场监管部门最新合规提示 。编号类型(门类)行业(大类)企业及产品内容列表投放模型投放平台投放人群欲望激发维度面向人群模式(地域/文化/年龄/角色)001A 农林牧渔01 农业北大荒/中粮:五常大米、面粉、食用油、杂粮品牌曝光 + 电商转化双轨(C

weixin_49199313的博客 1673

【管理科学】第六十三篇 企业管理者招聘与人才博弈战略02

编号类型领域问题问题的数学分析(含逐步推理与数值范围)方法/手段/步骤/流程/话术/策略/行为/时序的所有内容和步骤(含数学表达式与数值分析)时序数学表达式及周期行动的数学表达式(含数值范围)关联知识和法律法规651组织博弈成本控制如何在保证质量的前提下有效控制成本?逐步推理: 1. 成本控制模型:成本每降低10%,利润可提升15%~25%。但过度降本可能影响质量和员工士气。 2. 控制效果:有效的成本控制可使利润率提升5%~10%。 3. 法律风险:需遵守劳动法和产品质量法。步骤与数学表

weixin_49199313的博客 494

全球巨头重仓AI4S,中国机会在哪里?

长期看,国家把AI4S写进科研范式变革的蓝图,全球资本持续重注这个赛道,跑通全链路、握住“平台+底座”的公司,是中国在这一轮科技竞赛里,必要的资产类型。

ganggushe的博客 158

【信息科学与工程学】【审计学】第一篇 招投标领域审计算法01

在每个关键流程节点(如文件上传、开标唱标、评标结束), 计算该环节所有电子文件的数字指纹(如SHA-256哈希值), 并将指纹和元数据(时间、操作人)上链存证。:从发票、合同中提取材料品名、规格、采购价、时间、地点。:对每个供应商, 提取其在历史投标中的行为序列特征, 如:中标率、与特定伙伴同时投标率、自身高报价次数、在伙伴中标项目中的“弃标”或“无效标”次数。:监控开标、评标现场音视频, 识别异常情绪(激烈争吵)、敏感关键词(“打点”、“关照”)、异常物品传递、私下交流等违规行为。

weixin_49199313的博客 829

小白程序员必看:大模型如何赋能医疗智能体,引领未来健康科技?

很多正在择业、考虑转行提升,或是刚入门的开发者、编程新手,都会关心一个问题:未来几年,哪些技术方向更值得长期投入?从行业趋势来看,人工智能尤其是大模型相关方向,依然是增长最快、人才需求最集中的领域之一。随着企业数字化、智能化升级,相关岗位的需求持续增加,对有实战能力的开发者也更加友好。对于想系统了解大模型、希望抓住AI行业机会的同学来说,提前搭建完整知识体系、掌握可落地的实战技能,会比盲目自学效率高很多。

m0_48891301的博客 250

frontend-design skills

frontend-design skills

一生一芯——用RTL实现最简单的处理器NPC(南大数逻计组RV32ICPU) 代码及思考参考

本文介绍自己前期用Verilog编写的基于RV32I指令集的CPU,个人认为是最简单最易懂的版本(即没做什么优化,即代码很水,没有考虑一些奇怪的情况,只适用简单指令序列,即题目所示最简单的处理器),适合新手练手Verilog以及了解简单CPU的运行过程。本文基于一生一芯,利用Verilator进行仿真,并用gtkwave查看波形,不了解verilator和gtkwave的可以看前几篇文章。

long0_o的博客 3315

从 WAIC 2026 打开人工智能:一部正在发生的科技史诗

2026年7月17日到20日,上海世博展览馆。1100多家企业、3000多项展品、300多款全球首发——第九届世界人工智能大会(WAIC 2026)又一次把全球AI圈的目光拉到了黄浦江畔。但这次不一样:机器人不再只是在玻璃柜里挥挥手,而是真的在展馆里走楼梯、搬箱子、给你倒咖啡。AI也不再只是聊天机器人,而是能自己规划任务、调用工具、给你交活的"数字员工"。本文以WAIC 2026为窗口,倒带70年,聊聊AI是怎么从一群人的异想天开,变成改变世界的力量的。

weixin_72753562的博客 357

Materials Studio新手必看:COD数据库快速查询与晶体文件导入实战

本文为Materials Studio新手提供了从COD数据库快速查询晶体结构到成功导入软件的完整实战指南。详细解析了CIF文件格式、高效检索技巧、关键导入步骤及常见问题排错,帮助计算化学初学者高效获取可靠结构数据,为后续模拟计算奠定坚实基础。

weixin_29290259的博客 1065

确定!北京预计投资138亿,花费5年时间建设中关村AI科技园

1月2日,北京门头沟区政府宣布,将建设中关村人工智能科技园。计划于2018年底前完成,并在3-5年内完成产业载体建设。建成后,将实现入驻企业约400家,年产值约500亿元。园区将搭建三级产业体系,包括智能基础产业、智能核心技术产业、“智能+”产业,该计划或可推动北京成为智能驾驶先行先试示范区。中关村建人工智能科技园 将入驻400家企业5年后,北京门头沟区内将建成中关村人工智能科技园,成为具有全球影

人工智能观察 828

解决VM 与 Device/Credential Guard 不兼容。在禁用 Device/Credential Guard 后,可以运行 VM 的方法

在启用了Credential Guard或Device Guard的Windows 10主机上启动12.5版之前的VMware Workstation中的虚拟机时,将显示蓝色诊断屏幕(BSOD)。 会看到类似于以下内容的错误: VMware Workstation和Device / Credential Guard不兼容。禁用Device / Credential Guard后,可以运行VMwar...

Hern(宋兆恒) 39万+

AI智能体协作:构建更精准的公司破产预测模型

公司破产预测对于金融机构、投资者和监管部门等具有至关重要的意义。准确的破产预测可以帮助金融机构提前做好风险防范,避免贷款损失;投资者可以根据预测结果调整投资组合,降低投资风险;监管部门可以及时发现潜在的金融风险,采取相应的监管措施。然而,传统的公司破产预测模型往往存在精度不高的问题,无法满足实际需求。本研究的目的是利用AI智能体协作的方式,构建一个更精准的公司破产预测模型。通过将多个AI智能体的优势进行整合,充分挖掘公司财务数据、市场数据等多源数据中的信息,提高预测的准确性和可靠性。

2501_92132293的博客 1082

继17种抗癌药进医保,IT也给医疗奉上了一份大礼

昨天,2018年10月10日,医改路上竖起又一座丰碑:17种抗癌药纳入医保报销目录,与平均零售价相比,平均降幅达56.7%,振奋人心!举国欢腾!医改大业多管齐下在医疗保障制度有条不紊向前探索之时医疗卫生服务体系的改革也在不断深化……分诊医疗制度下的技术难题2015年9月,国务院发布《关于推进分级诊疗制度建设的指导意见》,提出到2020年基本建立以“基层首诊、双向转诊、急慢分治、上下联动”为核心的分...

weixin_33904756的博客 146

告别命令行恐惧!用nTopology可视化工具5分钟搞定三维Voronoi泡沫建模

本文介绍如何利用nTopology可视化工具快速生成三维Voronoi泡沫结构,无需编程即可完成复杂建模。Voronoi结构在轻量化设计、能量吸收和生物医学等领域具有重要应用,传统命令行方法门槛较高。通过nTopology的四步流程,用户可在5分钟内创建仿真就绪模型,大幅提升设计效率。

weixin_30764771的博客 428

行业动态 | 一周银发产业大事件速览

2月27日星期五1 养老服务国常会研究推进银发经济和养老服务发展有关工作2035年,我国银发经济市场规模将达到30万亿元锦欣康养赴港IPO,拥有23家医疗养老结合设施泰康之家甘肃长寿社区项目与兰州城关政府达成合作中汇人寿汇养老服务扩容,合作机构达14家实现全覆盖春节期间,美团AI管家为年轻人提供“适老”建议总投资2.5亿元!龙湾悦心城市颐养中心正式揭牌预算3400万,四川广元旺苍智慧养老项目招标香港将持续为跨境安老提供支持2 银发消费千问:超400万名银发族用户用“一句话下单”苏宁易购春节消费:智能穿戴

AgeClub的博客 441

SAP Group Reporting入门指南(1)--开篇及系统环境搭建

文章介绍了SAP GR的发展历程、与BPC的对比优势,数据收集的多种方式(实时同步、外部导入等)以及合并整体流程,并推出《SAP Group Reporting入门指南》专栏。

bflyfish的博客 285

YOLOv8集成EMA注意力机制YOLOv8完整教程 将EMA注意力机制集成到YOLOv8框架中

YOLOv8教程这篇文章介绍了如何将EMA(高效多尺度注意力)机制集成到YOLOv8目标检测框架中。YOLOv8 EMA注意力机制通过多尺度特征融合和高效计算,能够提升模型对关键特征的关注能力。文章详细解析了EMA的原理和结构设计,包括其核心组件和前向传播过程。此外,提供了完整的实现指南,包括环境准备、项目结构设置、EMA模块代码实现(包含分组处理、空间注意力计算和特征融合等关键步骤)。YOLOv8 YOLOv8 YOLOv8 YOLOv8 YOLOv8

FJN110的博客 928

每日新闻掌握【2024年3月20日 星期三】

英伟达CEO黄仁勋在现场演讲中公布了专为自主移动机器人打造的Isaac Robotics平台,并现场视频展示了与九号公司基于该平台,联合开发的自主机器人平台Nova Carter AMR,还发布了可适配该平台,由九号公司研发,英伟达负责软件设计及算力支持,可大幅提升机器人三维感知能力,提高开发人员二次开发效率的Nova Orin套件。业内称,近年来,中国经济展现出显著的稳定性和韧性,豪宅项目集体“跳涨”,也是认为中国经济具有巨大发展机遇和潜力,对经济增长充满信心。当前,春季农业生产进入大忙时节。

1423

AUTOSAR进阶图解==>AUTOSAR_EXP_CDDDesignAndIntegrationGuideline

本文档提供了AUTOSAR架构中复杂驱动(CDD)的设计与集成指南。CDD作为非标准化的软件实体,位于复杂驱动层,实现传感器评估、执行器控制、微控制器访问等特殊功能。文档详细阐述了CDD的架构特点、设计建议(包括文档要求、文件结构、接口描述等)以及与其他模块(RTE、库、标准BSW等)的集成方式。特别强调了CDD在多核系统和MCAL层中的实现考量,为开发人员提供了从文档规范到代码实现的全方位指导,确保CDD在保持AUTOSAR兼容性的同时满足特殊功能需求。

一名留德华的,康德的信徒的,专注于汽车电子领域的博客 1891

阿里云计算公司总部效果图曝光 | 秦淮数据携手网宿科技缔造IDC新龙头

每一个企业级的人  都置顶了 中国软件网中国软件网  为你带来最新鲜的行业干货小编点评办公楼就像是一个企业的标志小编在KPI完成不了的时候就喜欢眺望一下远方的办公楼点点星火据说最近阿里又要建新办公楼啦小编可以眺望的楼马上又可以多一座啦!星星眼期待中——来自喜欢看办公楼的小编趋势洞察贺建楠:加密将成为中国企业数据安全的标配东进技术总裁贺建楠表示:联网的快速发展,让我们正处于一个全新的科技革命浪潮中,

中国软件网 4442

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

大模型四维能力评估框架:语义理解、长程稳定、知识内化与生产鲁棒性

大模型能力不能仅看参数规模或通用评测分数,而需回归真实业务场景中的系统性表现。基础语义理解力决定模型对中文新词、政策术语和行业黑话的实时映射能力;长程任务稳定性关乎多步推理中关键信息的跨步保持与状态一致性;领域知识内化度反映模型对垂类逻辑(如医疗因果链、工业故障图谱)的深度结构化吸收,而非简单微调适配;生产环境鲁棒性则体现其在噪声输入、高并发与长期运行下的故障自愈与降级服务能力。这四大维度共同构成政务、金融、制造、教育等关键场景选型的核心标尺,也是Qwen3-2025、DeepSeek-V3等主流模型实测差

weixin_30765505的博客 350

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")

CnOpenData 线上招聘网站信息数据

CnOpenData线上招聘网站信息数据库是一个覆盖中国主流招聘平台、时间跨度长、更新频率高的劳动力市场需求侧大数据集合。本数据库汇集了,为学术界和业界提供了一扇实时观察中国劳动力市场动态的窗口。

CnOpenData_wj的博客 2696

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

上一篇: 多模态模型加速新材料与工业应用匹配,无需完整晶体结构即可预测材料性质
下一篇: 在线教程 | 突破结构化文档依赖,dots.ocr基于1.7B参数实现百种语言OCR处理,性能达SOTA
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