Product Hunt 每日热榜 | 2025-11-11

LaughingZhu LaughingZhu 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 800+累计阅读 850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12年
关注
原创 最新推荐文章于 2026-03-07 06:30:00 发布 850 阅读 AI 写同款· GEO 优化 ›
基于PChmi.dll的PLC报警显示和记录（C#） 本文介绍了如何使用C#编写基于PChmi.dll的程序，实现PLC报警的显示和记录功能。通过订阅PLC的报警事件，我们可以实时显示报警信息，并通过日志文件记录报警历史。PLC（可编程逻辑控制器）在工业自动化领域中扮演着重要的角色，而报警显示和记录是PLC应用中常见的需求。本文将介绍如何使用C#编写基于PChmi.dll的程序，实现PLC报警的显示和记录功能。当然，这只是实现报警显示和记录的基本框架，具体的实现方式可能因不同的PLC和HMI库而有所差异。你需要根据你所使用的具体库和设备进行相应的调整和修改。 阅读详情

1. Oskar by Skarbe

标语：你的邮箱里有一个自动跟进的人工智能助手。

介绍：认识Oskar，一个在Skarbe内部的AI助手。他是新的。在此之前，你需要手动处理销售任务。但现在，Oskar会为你处理这些工作：他会筛选客户、自动跟进、丰富客户数据并跟踪交易。他在你专注发展业务时默默工作。

产品网站： 立即访问

Product Hunt： View on Product Hunt

Oskar by Skarbe

关键词：Oskar, AI代理, 自动跟进, 销售助手, 数据丰富, 联系人管理, 商务发展, 交易跟踪, Skarbe, 办公自动化

票数： 🔺635

是否精选：是

发布时间：2025年11月10日 (北京时间)

2. Sheet0

标语：YOLO模式登陆电子表格了！

介绍：YOLO模式来到了电子表格！💪🏻 想问什么就问，列出你的数据来源，然后让它自动运行：sheet0的云浏览器会并行抓取数据、整理清晰，最后生成一个互动、整洁的表格，让你轻松使用。你可以在图表、表格和SQL之间随意切换。一键分享或导出，完全不需要猜测，也没有不准确的结果——每个答案都有可审计的TiDB数据库来支持。

产品网站： 立即访问

Product Hunt： View on Product Hunt

Sheet0

关键词：自动化表格, 云端浏览器, 数据清洗, 交互式表格, 实时分析, 图表与表格, SQL支持, 一键分享, 可追溯数据, YOLO模式

票数： 🔺524

是否精选：是

发布时间：2025年11月10日 (北京时间)

3. TheySaid 3.0

标语：“全能应用程序，获取反馈”

介绍：TheySaid 3.0来了，它更聪明、更强大，并且具备可扩展性。这次版本中包含了你们最期待的所有功能：双向语音、可用性测试、AI表单、AI洞察2.0、整合功能、面板招募等等，满足你的需求。

产品网站： 立即访问

Product Hunt： View on Product Hunt

TheySaid 3.0

关键词：TheySaid 3.0, 反馈应用, 双向语音, 可用性测试, 人工智能表单, AI洞察, 集成, 面板招募, 功能强大, 智能应用

票数： 🔺430

是否精选：是

发布时间：2025年11月10日 (北京时间)

4. Cal ID

标语：免费安排和盈利会议

介绍：Cal ID 是一款完全开源的日程安排工具，适用于个人和团队。它支持无限制的会议，提供丰富的集成功能，拥有真实的人类客服支持，并且不断推出令人惊艳的新功能，更新速度飞快。

产品网站： 立即访问

Product Hunt： View on Product Hunt

Cal ID

关键词：开源日程工具, 会议安排, 免费会议, 团队协作, 人工支持, 无限会议, 综合集成, 高效功能, 会议变现

票数： 🔺405

是否精选：是

发布时间：2025年11月10日 (北京时间)

5. Passionfruit Labs

标语：将AI提及和引用转化为收入

介绍：通过AI搜索跟踪真实收入，准确了解哪些竞争对手的页面获得了引用，了解大型语言模型（LLMs）对你品牌的情感分析，并获得有效的即时推荐。别再花每月500美元以上来购买合成数据的地理工具，让Passionfruit Labs快速证明投资回报吧！

产品网站： 立即访问

Product Hunt： View on Product Hunt

Passionfruit Labs

关键词：激情果实验室, 人工智能提及, 收入跟踪, 竞争对手分析, 品牌情感, 实时推荐, 效果显著, ROI证明, 合理定价, GEO工具替代

票数： 🔺335

是否精选：是

发布时间：2025年11月10日 (北京时间)

6. Sensay AI Offboarding

标语：AI 离职管理：关注知识传承，而非繁琐文书工作。

介绍：Sensay 可以在员工离职前捕捉他们的知识。通过 AI 访谈、文件上传和聊天机器人，感知将离职过程变成一个活的知识库。这样就不再会有专业知识的流失，员工培训也变得更加迅速，团队学习持续不断。

产品网站： 立即访问

Product Hunt： View on Product Hunt

Sensay AI Offboarding

关键词：智能离职管理, 知识捕捉, 人工智能面试, 文件上传, 聊天机器人, 离职流程, 知识库, 团队学习, 快速上手, 专业知识保护

票数： 🔺237

是否精选：是

发布时间：2025年11月10日 (北京时间)

7. AlterBase

标语：寻找更好的替代方案

介绍：发现更好的软件和工具替代品。对比功能和价格，找到最适合你需求的工具。提交你的工具并探索更优秀的替代选项。

产品网站： 立即访问

Product Hunt： View on Product Hunt

AlterBase

关键词：替代软件, 比较工具, 发现工具, 软件推荐, 功能对比, 价格比较, 完美工具, 工具探索, 用户提交, 优质替代品

票数： 🔺185

是否精选：是

发布时间：2025年11月10日 (北京时间)

8. Lumi

标语：聪明地阅读，而不是拼命阅读。

介绍：Lumi是谷歌PAIR推出的一项AI阅读实验。它不同于传统的总结方式，而是在arXiv论文的基础上添加了一层轻量级的AI功能。它能够突出源文本中的重点内容，将引用变得可点击，并且允许你对任何选中的文本或图片提问。

产品网站： 立即访问

Product Hunt： View on Product Hunt

Lumi

关键词：Lumi, 人工智能, 阅读, arXiv论文, 高亮重点, 可点击引用, 上下文问题, 轻量级, 阅读助手, 学术研究

票数： 🔺185

是否精选：是

发布时间：2025年11月10日 (北京时间)

9. Citable

标语：让品牌在主动搜索中展示出来

介绍：Citable帮助品牌在AI回答中提高可见度。我们通过提前“热身”AI账户（如ChatGPT、Perplexity、Gemini、Claude和Grok），构建真实的人物形象，然后每天发送成千上万的提问，以测量品牌的声音份额，并记录每一个被引用的来源。我们根据人物角色、市场和模型来识别差距，并解释原因。最后，我们提供具体的行动建议：发布特定文章、参与针对性的Reddit讨论，以及为您的团队优先考虑最高效的策略。

产品网站： 立即访问

Product Hunt： View on Product Hunt

Citable

关键词：品牌曝光, 人工智能, 市场分析, 关键词优化, 文章发布, 目标受众, 聊天机器人, 数据驱动, 行动建议, 引用来源

票数： 🔺161

是否精选：是

发布时间：2025年11月10日 (北京时间)

10. Magic MCP by Metorial

标语：600多个集成功能，Vibe编码零配置，轻松上手！

介绍：Metorial是一款针对企业级用户的平台，旨在将人工智能与现实世界的工具连接起来。它提供了超过600种MCP（多云平台）集成，具备真正的无服务器托管、一行代码即可完成的OAuth认证以及全面的可观察性。现在，Metorial还推出了Magic MCP功能：用户可以通过一键集成，轻松访问Cursor、Claude Code和GitHub Copilot，所有连接均通过完全托管的远程MCP服务器实现。它是开源的，支持自我托管，专为开发者设计。

产品网站： 立即访问

Product Hunt： View on Product Hunt

Magic MCP by Metorial

关键词：Magic MCP, Metorial, 企业级平台, AI集成, 无需配置, 600+集成, 服务器less托管, 一键集成, 开源, 开发者工具

票数： 🔺130

是否精选：是

发布时间：2025年11月10日 (北京时间)

11. Primer

标语：演示、引导和支持您产品的AI助手

介绍：Primer代理是您产品的专家，能够像您最优秀的团队成员一样，提供实时、个性化的指导，无论是销售还是支持，而且支持多种语言，全天候提供服务。我们创立Primer的信念很简单：每一个产品都应该配备一个随时可以咨询的专家。

产品网站： 立即访问

Product Hunt： View on Product Hunt

Primer

关键词：AI代理, 产品演示, 个性化讲解, 24/7支持, 语言无障碍, 销售支持, 产品专家, 在线导览, 客户服务, 技术支持

票数： 🔺124

是否精选：是

发布时间：2025年11月10日 (北京时间)

12. ThreadGPT

标语：ChatGPT通过线程功能，避免了长时间滚动和上下文断裂的问题。

介绍：ThreadGPT — 一款为ChatGPT带来“主题讨论”的Chrome扩展程序。你可以从任何一个回复开始一个讨论主题，在侧边栏中继续对话，并保持其关联，方便查阅。现在试用10个免费的主题讨论，欢迎反馈来帮助我们改进！

产品网站： 立即访问

Product Hunt： View on Product Hunt

ThreadGPT

关键词：线程聊天, ChatGPT扩展, Chrome插件, 对话管理, 侧边栏功能, 连贯交流, 免费试用, 反馈改进, 智能对话, 中断防止

票数： 🔺118

是否精选：是

发布时间：2025年11月10日 (北京时间)

13. OpenSigner

标语：开源非托管钱包解决方案

介绍：OpenSigner 是一个开源、可自托管的密钥管理解决方案，专为非托管钱包设计。您可以轻松创建以太坊和索拉纳钱包，而无需将私钥交给第三方。它可以与任何身份验证系统连接，既可以在我们的云端运行，也可以自我托管，避免被特定供应商锁定。

产品网站： 立即访问

Product Hunt： View on Product Hunt

OpenSigner

关键词：开源, 非托管钱包, 密钥管理, 以太坊钱包, Solana钱包, 自托管, 身份验证, 云运行, 避免供应商锁定, 钱包解决方案

票数： 🔺103

是否精选：是

发布时间：2025年11月10日 (北京时间)

14. ComplyDo

标语：更多遵守，少些行动

介绍：ComplyDo 自动化了企业遵循全球数百项法规的过程。现已被多家全球企业采用，ComplyDo 帮助组织持续保持合规，并在不同市场中扩展业务。它无需依赖一大批顾问，就能做到以下几点：

  • 提取法规要求和义务
  • 将这些要求与公司的内部控制和政策相匹配
  • 识别出差距和接下来的步骤
  • 监测各项框架的变化

这样一来，企业在管理合规性方面就轻松多了。

产品网站： 立即访问

Product Hunt： View on Product Hunt

ComplyDo

关键词：合规自动化, 企业合规, 全球法规, 内部控制, 监测变化, 合规管理, 风险识别, 义务提取, 市场拓展, 合规工具

票数： 🔺100

是否精选：是

发布时间：2025年11月10日 (北京时间)

15. Ecomcoder

标语：让人工智能编辑现有的Shopify商店，提高转化率

介绍：认识一下Ecomcoder，它是最简单的工具，帮助Shopify商店的店主直接在Shopify的主题系统中创建高转化率的设计和内容。无需使用外部构建工具、插件或复杂的集成。Ecomcoder替代了昂贵的应用程序和缓慢的开发者，让每位商店老板都能快速打造一个真实且盈利的Shopify业务。

产品网站： 立即访问

Product Hunt： View on Product Hunt

Ecomcoder

关键词：Ecomcoder, Shopify, 转换率, 高效设计, 内容创作, 无需插件, 主题系统, 成本节约, 商店所有者, 快速扩展

票数： 🔺99

是否精选：是

发布时间：2025年11月10日 (北京时间)

标签
#产品运营 #经验分享 #搜索引擎 #人工智能
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。
【CASS精品教程】013：CASS9.1生成标准图幅案例教程 在CASS中，可以很方便的生成标准图幅，如50*50。本文演示cass中，根据测区范围标准图幅生成过程。 阅读详情

相关推荐

当兵心理测试软件,当兵心理测试题及答案

心理测试是一种比较先进的测试方法，它是指通过一系列手段，将人的某些心理特征数量化，来衡量个体心理因素水平和个体心理差异差异的一种科学测量方法。小编为你整理了当兵心理测试题及答案，希望对你有所参考帮助。征兵心理测试题(1代表是2代表否)1、我的胃口很好。12、我早上起来的时候，多半觉得睡眠充足，头脑清醒13、我喜欢看报纸上的犯罪新闻。14、有时我常感到困难重重，无法克服。25、我时常遇见一些所谓的专...

weixin_42128393的博客 1万+

我开源了一个新项目！ Product Hunt 每日中文热榜

是一个基于 GitHub Actions 的自动化工具，每天定时获取 Product Hunt 当日的热门产品榜单，并生成带有中文描述和关键词的 Markdown 文件。该项目旨在帮助用户快速查看每日的 Product Hunt 热门榜单，并提供更详细的产品信息。

viggo的专栏 2748

AWSIM模拟器 新增多相机

本文介绍了基于Unity6引擎对AWSIM自动驾驶模拟器的优化方案，主要针对多相机系统的扩展实现。作者通过修改EgoVehicle.cs和AutowareSimulationDemo.cs核心代码，将原单相机系统升级为5相机配置。关键技术点包括：1)使用List容器管理多个CameraSensor组件；2)完善相机初始化流程；3)配置5个相机UI显示窗口；4)修改ROS话题设置。优化后的系统可支持BEVFusion等多传感器融合算法的测试验证，为Autoware.universe 0.45.0及以上版本提供

W805698955的博客 831

producthunt-daily-hot：每日获取Product Hunt热门产品榜单

Product Hunt 每日中文热榜是一个开源自动化工具，它利用 GitHub Actions 的强大功能，每天定时从 Product Hunt 获取热门产品数据，并生成相应的 Markdown 文件。该项目的主要目的是帮助国内用户快速发现和了解 Product Hunt 上的热门产品，进而促进产品创新和灵感激发。 ## 项目技术分析 该项目的核心技术包括 Python 编程语言、GitHu...

gitblog_00204的博客 858

华为无线WiFi实战：基于802.1x与NPS的企业级认证部署指南

本文提供了一份详尽的华为无线WiFi企业级认证部署实战指南。通过整合802.1x协议与Windows NPS服务器，构建基于AD域账号的安全认证体系，彻底解决传统WiFi密码共享带来的安全风险。文章详细拆解了从NPS服务器配置、证书部署到华为AC端RADIUS模板、AAA方案、认证域及VAP模板调用的全流程，并附有终端连接测试与常见故障排查方法，助力企业实现高效、安全的无线网络接入管理。

weixin_29239661的博客 271

〖进阶篇1〗YAML参数解析：从nav2_params.yaml看机器人导航调优

本文深入解析了ROS2 Nav2导航系统中关键的nav2_params.yaml文件，提供了从定位、行为树、运动控制到环境感知等核心模块的参数调优实战指南。文章通过具体场景案例，如狭窄走廊、动态仓库和高精度对接，详细阐述了如何调整AMCL粒子数、控制器权重、代价地图膨胀半径等参数，以解决机器人导航中的犹豫、碰撞和精度问题，帮助开发者实现从“能用”到“好用”的进阶。

m9n0o的博客 417

出海创业者的最佳选择：什么是Product Hunt，Product Hunt发布产品完整指南

Product Hunt（产品猎手）是一个在线平台，旨在帮助创新产品和新创公司向全球社区展示他们的产品。该平台成立于2013年，由Ryan Hoover创办。Product Hunt 提供了一个集中的地方，让创业者、产品经理、设计师和其他技术爱好者可以分享、发现和讨论新产品。在Product Hunt上，创作者可以在特定的日期上线他们的产品，并由社区进行投票和评论。每天，Product Hunt都会突出显示一些新的产品，这些产品可能涵盖各种领域，包括软件、硬件、移动应用、网站等。

arui8726的博客 8217

金融数字化——详解2025年金融智能体深度应用报告【附全文阅读】

《2025年金融智能体深度应用报告》显示，金融智能体已实现80%部署率，推动行业效率提升30%-50%。报告指出智能体通过"感知-推理-规划-执行-进化"机制突破大模型局限，在风控、客服、投研等100+场景实现自动化。典型案例显示，工商银行信贷审批效率提升60%，蚂蚁数科智能客服解决80%问题。尽管面临系统协同、标准缺失等挑战，未来趋势将向多模态交互、自主进化和ESG投资等方向拓展。

cdfunlove的博客 205

Product Hunt 每日热榜 | 2025-09-11

Product Hunt 每日热榜 | 2025-09-11 在几分钟内创建并上线一家新店铺，借助你自己的AI助手团队，从设置到设计再到上线，全程给予支持，让你轻松自信地销售。我们负责市场营销自动化和活动管理，这样你就可以专心致志地进行销售。

LaughingZhu的博客 1068

【机器视觉】基于深度学习的托盘PCB识别与计数（有无、正反）

工业机器视觉是指在制造业和工业环境中使用计算机视觉技术来执行检测、测量、识别和控制任务。它结合了硬件（如相机、镜头、光源）与软件（图像处理算法）来自动完成传统上需要人工视觉的任务，从而提高生产效率、产品质量以及工作安全性。工业机器视觉系统通常具有高精度、高速度和高可靠性，能够适应恶劣的工作环境。

专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发 1万+

YOLO26模型应用过程中的报错处理及疑问解答，涉及环境搭建、模型训练、模块改进、论文写作

本文记录了YOLO26模型的这一系列过程中可能发生的问题，以及大家非常关心的问题，这里统一做了一个记录和解答。

Limiiiing的博客 241

Product Hunt 每日热榜 | 2025-08-11

Product Hunt 每日热榜 | 2025-08-11 Simular Pro是一款专为macOS设计的专业级电脑助手，它能够像人类一样，可靠地自动化处理复杂的桌面任务。

LaughingZhu的博客 630

使用 MATLAB/Simulink + Simscape Electrical 来构建一个CCHP微电网与新能源协同运行的模型

随着能源需求的增长和对环境保护要求的提高，冷热电联供（Combined Cooling, Heating and Power, CCHP）系统作为一种高效的分布式能源解决方案，越来越受到关注。CCHP系统通过利用一次能源同时产生电力、制冷和供热，实现了能源的梯级利用，提高了能源使用效率。结合太阳能、风能等可再生能源，可以进一步增强系统的灵活性和环保性。本文将详细介绍如何使用来构建一个CCHP微电网与新能源协同运行的模型，并通过仿真分析其性能表现。本文介绍了如何使用构建一个。

xiaoheshang_123的博客 141

Product Hunt 每日热榜 | 2025-11-12

Product Hunt 每日热榜 | 2025-11-12 Talo 提供实时语音翻译，适用于视频通话、现场活动、离线演示和播放直播等场景。你可以使用机器人或桌面应用来翻译会议，也可以通过我们的 API 进行集成。让每一次对话都能在全球范围内无障碍交流。

LaughingZhu的博客 3008

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")

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Product Hunt 每日热榜 | 2025-11-20

Product Hunt 每日热榜 | 2025-11-20 我们的最智能模型，助你将任何想法变为现实。

LaughingZhu的博客 1510

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

Product Hunt 每日热榜 | 2025-11-06

Product Hunt 每日热榜 | 2025-11-06 MeDo利用自主智能技术，能够在短短几分钟内构建出可投入生产的完整应用程序，包括前端、后端、数据库以及各种集成。通过自动化代码、基础设施和连接，MeDo大大缩短了开发时间和托管成本，让你以更低的费用发布高质量的最小可行产品（MVP）。

LaughingZhu的博客 1342

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

Product Hunt 每日热榜 | 2025-11-29

Product Hunt 每日热榜 | 2025-11-29 这是一款为 JetBrains 开发的 AI 插件，能够从架构层面理解后端项目。它直接访问 Spring Bean 图、数据库结构和框架语义，而不仅仅是表面代码。可以为包含超过十万个文件的复杂系统提供上下文感知的建议。

LaughingZhu的博客 3770

Product Hunt 每日热榜 | 2025-11-08

Product Hunt 每日热榜 | 2025-11-08 使用人工智能自动撰写有研究支持的SEO文章，让你的博客如同人类作者般生动有趣，内容包括图片、视频、统计数据、表格和引用。它们针对谷歌和类似ChatGPT、Claude的AI平台进行了优化，能够提高排名并吸引读者的关注。该工具基于开源核心架构，内置SEO模板、数据分析和通讯工具。只需将BlogBowl连接到你的着陆页，5分钟内即可上线并开始通过SEO内容吸引客户。

LaughingZhu的博客 1590

Product Hunt 每日热榜 | 2025-11-14

Product Hunt 每日热榜 | 2025-11-14 我们很高兴地宣布推出 Documenso 2.0！这个版本为企业级电子签名提供了所需的一切：全面合规、更强的安全性，以及一个功能强大的新编辑器，让您可以精确放置字段。同时，Documenso 2.0 还引入了多文档信封，并标志着我们 API v2 的最终发布，新增了更流畅的上传流程、模板热切换、文件夹 API 等多项功能。欢迎大家一起庆祝我们迄今为止最好的 Documenso 版本，以及我们现在启动的一系列新功能！

LaughingZhu的博客 976

Product Hunt 每日热榜 | 2025-11-09

Product Hunt 每日热榜 | 2025-11-09 别像上学第一天那样，总是向每个AI解释自己。超过十亿用户在不同平台上反复输入相同的背景信息。AI Context Flow让你只需保存一次背景，就可以在任何地方使用：无论是ChatGPT、Claude、Gemini等。聊天更智能，告别重复，终于实现了。

LaughingZhu的博客 1470

Product Hunt 每日热榜 | 2025-11-16

Product Hunt 每日热榜 | 2025-11-16 Juno是你的个人生产力中心，帮助高效能人士规划、优先排序和追踪进展。它可以自动重新安排任务、设定截止日期、估算和记录时间，还能有效避免工作过载。通过与日历、Gmail、Todoist等工具的整合，Juno让你的工作流程更加顺畅。

LaughingZhu的博客 959

Product Hunt 每日热榜 | 2025-11-15

Product Hunt 每日热榜 | 2025-11-15 现在，群聊功能已在ChatGPT中上线。你可以邀请朋友、家人或同事一起进入共享对话，和他们一起合作、规划和创造，同时还能利用人工智能的帮助。这项功能与个人聊天是分开的哦。

LaughingZhu的博客 1129

Product Hunt 每日热榜 | 2025-11-24

Product Hunt 每日热榜 | 2025-11-24 Gemini 3 Pro 图像。使用 Nano Banana Pro 创建和编辑图像，享受如同工作室般的高精度和控制力。

LaughingZhu的博客 955

Product Hunt 每日热榜 | 2025-11-17

Product Hunt 每日热榜 | 2025-11-17 Swytchcode 让你的 API 变得生动。它把静态文档转变为一个 AI 游乐场，开发者可以在这里进行聊天、测试和快速生成工作流程。专为以 API 为核心的团队打造。

LaughingZhu的博客 943

Product Hunt 每日热榜 | 2025-11-10

Product Hunt 每日热榜 | 2025-11-10 你有没有想过，世界上那些伟大想法的来源是什么？《人类思想地图》展示了250多个跨越历史的发现、哲学和发明。地图上的每一个点都标志着一个改变我们共同历史的想法的起源。这个项目是为了庆祝人类的好奇心和创造力而自发创建的。

LaughingZhu的博客 1245

Product Hunt 每日热榜 | 2025-11-07

Product Hunt 每日热榜 | 2025-11-07 Dazl 把生成式人工智能与实用的编辑工具结合在一起。你可以先创建应用，然后通过聊天、视觉面板或代码对每一个细节进行优化。你可以全面了解产品的构建过程，并且能够自由编辑，直到它完全符合你的想法。

LaughingZhu的博客 1200
上一篇： Product Hunt 每日热榜 | 2025-11-10
下一篇： Product Hunt 每日热榜 | 2025-11-12
点赞 21
评论 0
书签 书签 10
LaughingZhu
LaughingZhu
博客等级 码龄12年 1738粉丝 697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

打赏作者

LaughingZhu

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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