【翻译】视频生成模型作为世界模拟器-24年2月文章

从LLM到世界模型:突破语言智能局限,迈向真实世界AI 大语言模型(LLM)基于Transformer架构,通过自监督学习掌握语言统计规律,在文本生成、代码编写等领域表现出色。然而,其本质局限在于缺乏物理常识和因果推理能力,无法进行长时序规划和反事实思考。世界模型作为下一代AI技术路径,通过多模态感官数据学习物理规律,在抽象表征空间中进行状态预测和行动规划。这种技术架构支持机器人控制、自动驾驶等真实世界应用,实现从符号处理到物理推理的跨越。本文基于Yann LeCun的JEPA架构和OpenAI的Sora等前沿研究,探讨世界模型如何弥补LLM在真实世界智能中的不 阅读详情

原文:Video generation models as world simulators | OpenAI 

我们探索在视频数据上大规模训练生成模型。具体来说,我们在可变时长、分辨率和长宽比的视频和图像上联合训练文本条件扩散模型。我们利用一种在视频和图像潜在代码的时空块上运行的转换器架构。我们最大的模型 Sora 能够生成一分钟的高保真视频。我们的结果表明,扩展视频生成模型是构建物理世界通用模拟器的一条有希望的道路。

本技术报告重点介绍 (1) 我们将所有类型的视觉数据转换为统一表示的方法,从而实现大规模生成模型的训练,以及 (2) 对 Sora 的功能和局限性进行定性评估。本报告未包含模型和实施细节。

之前的许多工作已经研究了使用各种方法对视频数据进行生成建模,包括循环网络、1、2、3 生成对抗网络、4、5、6、7 自回归变换器、8、9 和扩散模型。10、11、12 这些工作通常侧重于一小类视觉数据、较短的视频或固定大小的视频。Sora 是一种通用的视觉数据模型 - 它可以生成跨越不同持续时间、宽高比和分辨率的视频和图像,甚至可以生成长达一分钟的高清视频。

将视觉数据转化为补丁

我们从大型语言模型中汲取灵感,这些模型通过在互联网规模数据上进行训练获得了通用能力。13, 14 LLM 范式的成功部分得益于使用标记优雅地统一了各种文本模式——代码、数学和各种自然语言。在这项工作中,我们考虑了视觉数据的生成模型如何继承这些优势。LLM 有文本标记,而 Sora 有视觉补丁。补丁以前已被证明是视觉数据模型的有效表示。15, 16, 17, 18 我们发现补丁是一种高度可扩展且有效的表示,可用于在不同类型的视频和图像上训练生成模型。

在高层次上,我们首先将视频压缩到低维潜在空间19,然后将表示分解为时空补丁,从而将视频转换为补丁。

视频压缩网络

我们训练一个降低视觉数据维数的网络。20 该网络将原始视频作为输入,并输出在时间和空间上都经过压缩的潜在表示。Sora 接受训练,随后在这个压缩的潜在空间内生成视频。我们还训练了一个相应的解码器模型,将生成的潜伏空间映射回像素空间。

时空潜在补丁

给定一个压缩的输入视频,我们提取一系列时空补丁,这些补丁充当转换器标记。此方案也适用于图像,因为图像只是具有单帧的视频。我们基于补丁的表示使 Sora 能够对具有可变分辨率、持续时间和宽高比的视频和图像进行训练。在推理时,我们可以通过在适当大小的网格中排列随机初始化的补丁来控制生成的视频的大小。

用于视频生成的缩放变压器

Sora 是一个扩散模型21、22、23、24、25;给定输入的噪声补丁(以及文本提示等条件信息),它经过训练可以预测原始的“干净”补丁。重要的是,Sora 是一个扩散变压器。26 Transformers 已在各种领域展示了卓越的缩放特性,包括语言建模、13、14 计算机视觉、15、16、17、18 和图像生成。

在这项研究中,我们发现扩散变压器也能像视频模型一样有效地扩展。下面,我们展示了随着训练的进行,具有固定种子和输入的视频样本的比较。随着训练计算的增加,样本质量显着提高。

可变的持续时间、分辨率、宽高比

过去生成图像和视频的方法通常是将视频调整大小、裁剪或修剪为标准尺寸,例如 256x256 分辨率的 4 秒视频。我们发现,使用原始尺寸的数据进行训练可以带来多种好处。

采样灵活性

Sora 可以对宽屏 1920x1080p 视频、垂直 1080x1920 视频以及介于两者之间的所有内容进行采样。这让 Sora 可以直接以原始宽高比为不同设备创建内容。它还让我们能够快速制作较小尺寸的内容原型,然后以全分辨率生成内容,所有这些都使用同一个模型。

改进的取景和构图

我们通过实证研究发现,以原始宽高比对视频进行训练可以改善构图和取景。我们将 Sora 与我们模型的一个版本进行了比较,该版本将所有训练视频裁剪为正方形,这是训练生成模型时的常见做法。在正方形裁剪上训练的模型(左)有时会生成仅部分显示主体的视频。相比之下,Sora 的视频(右)的取景有所改进。

语言理解

训练文本到视频生成系统需要大量带有相应文本字幕的视频。我们将 DALL·E 330 中引入的重新字幕技术应用于视频。我们首先训练一个高度描述性的字幕模型,然后使用它为训练集中的所有视频生成文本字幕。我们发现,对高度描述性的视频字幕进行训练可以提高文本保真度以及视频的整体质量。

与 DALL·E 3 类似,我们还利用 GPT 将简短的用户提示转换为更长的详细字幕,然后发送给视频模型。这使 Sora 能够生成准确遵循用户提示的高质量视频。

使用图像和视频提示

上面和我们的登录页面中的所有结果都显示了文本到视频的示例。但是 Sora 也可以使用其他输入进行提示,例如预先存在的图像或视频。此功能使 Sora 能够执行各种图像和视频编辑任务 - 创建完美循环的视频、为静态图像制作动画、向前或向后延长视频时间等。

为 DALL·E 图像制作动画

Sora 能够生成视频,只要输入图像和提示即可。下面我们展示了基于 DALL·E 2 和 DALL·E 3 图像生成的示例视频。

扩展生成的视频

Sora 还能够扩展视频,无论是向前还是向后。下面是三个视频,它们都是从生成的视频的某个片段开始向后扩展的。因此,这三个视频的开头各不相同,但结局都是一样的。

我们可以使用此方法将视频向前和向后延长以产生无缝的无限循环。

视频到视频编辑

扩散模型已经实现了多种根据文本提示编辑图像和视频的方法。下面我们将其中一种方法 SDEdit,应用于 Sora。这项技术使 Sora 能够零镜头转换输入视频的风格和环境。

连接视频

我们还可以使用 Sora 在两个输入视频之间逐渐插入,在具有完全不同主题和场景构图的视频之间创建无缝过渡。在下面的示例中,中间的视频插入左侧和右侧的相应视频之间。

图像生成能力

Sora 还能够生成图像。我们通过在空间网格中排列高斯噪声块来实现这一点,时间范围为一帧。该模型可以生成不同大小的图像——分辨率最高可达 2048x2048。

新兴的模拟能力

我们发现,视频模型在大规模训练时会展现出许多有趣的新兴能力。这些能力使 Sora 能够模拟物理世界中的人、动物和环境的某些方面。这些属性的出现没有任何明确的 3D、物体等归纳偏差——它们纯粹是规模现象。

3D 一致性。Sora 可以生成具有动态摄像机运动的视频。随着摄像机的移动和旋转,人物和场景元素会在三维空间中一致移动。

长距离连贯性和物体持久性。视频生成系统面临的一个重大挑战是在对长视频进行采样时保持时间一致性。我们发现 Sora 通常(但并非总是)能够有效地对短距离和长距离依赖关系进行建模。例如,我们的模型可以保留人物、动物和物体,即使它们被遮挡或离开画面。同样,它可以在单个样本中生成同一角色的多个镜头,并在整个视频中保持它们的外观。

与世界互动。Sora 有时可以以简单的方式模拟影响世界状态的动作。例如,画家可以在画布上留下新的笔触,这些笔触会随着时间的推移而持续存在,或者一个人可以吃汉堡并留下咬痕。

模拟数字世界。Sora 还能够模拟人工过程——一个例子就是视频游戏。Sora 可以同时使用基本策略控制 Minecraft 中的玩家,同时以高保真度渲染世界及其动态。这些功能可以通过在 Sora 上提示提及“Minecraft”的字幕来零样本引出。

这些能力表明,不断扩展视频模型是开发高性能物理和数字世界以及生活在其中的物体、动物和人类模拟器的一条有希望的道路。

讨论

作为一款模拟器,Sora 目前存在许多局限性。例如,它无法准确模拟许多基本交互的物理特性,例如玻璃破碎。其他交互,例如进食,并不总是能产生正确的物体状态变化。我们在着陆页中列举了该模型的其他常见故障模式,例如在长时间样本中出现的不连贯性或物体的自发出现。

我们相信,Sora 今天所拥有的能力表明,视频模型的持续扩展是开发物理和数字世界以及生活在其中的物体、动物和人类的强大模拟器的一条有希望的道路。

Sora架构深度解析:时空统一表征与物理感知视频生成 视频生成技术正从帧序列建模迈向时空联合表征,其核心在于如何让模型同时理解‘空间结构’与‘时间动态’。Diffusion Transformer(DiT)通过三维位置编码(如RoPE扩展)实现时空耦合建模,突破传统CNN-RNN分离架构的运动连贯性瓶颈;而物理感知能力则依赖文本语义蒸馏、潜空间噪声调度与轻量物理引擎校准的协同设计。这类技术不仅提升视频真实感,更在工业仿真、影视预演、电商可视化等场景中释放工程价值。本文聚焦Sora所揭示的底层范式迁移——即从‘像素生成’到‘物理参数驱动生成’的转变,为算法工程师 阅读详情

相关推荐

合成媒体:从Deepfake污名到可信生产力工具

合成媒体(Synthetic Media)是一类基于AI生成可控视听内容的技术体系,其核心原理在于语义驱动的行为建模与像素级的可控生成,而非简单伪造。它通过面部重演、语音克隆、3DMM驱动等技术路径,实现表达效率跃升与交互可信度增强,具备显著的工程落地价值。当前已在心理健康干预、教育个性化、创意生产提效、企业服务升级等场景规模化应用,尤其在降低内容制作成本、提升用户参与度、弥合特殊群体沟通鸿沟等方面展现出不可替代性。本文聚焦Custdev方法论下的真实场景实践,解析如何绕过技术黑箱,将合成媒体转化为可部署、

396

视频生成模型作为世界模拟器

这份技术报告集中于(1)我们将所有类型的视觉数据转换为统一表示的方法,该方法使得生成模型的大规模训练成为可能;以及(2)对Sora能力和限制的定性评估。模型和实现细节不包含在此报告中。

NLP工程化 1856

豆包2.0深度评测:即插即用的数字同事如何重塑工作流

‘即插即用’正成为新一代AI工具的核心技术范式,它跳过传统AI依赖提示词工程、模型调参和多平台切换的复杂路径,将专业能力封装为零学习成本的操作入口。其底层融合多模态理解、动态检索增强(RAG)、弹性算力调度与实时上下文感知等关键技术,实现从‘能回答’到‘懂场景’的跃迁。这种设计显著降低知识应用门槛,使行政、教育、医疗、电商等高频职场与生活场景中的重复劳动可被一键重构——如会议录音自动生成带决策链的纪要,合同审查同步输出法律/财务/执行三维风险图谱。豆包2.0正是这一范式的典型落地,它不强调AI有多强,而专注

weixin_33861800的博客 476

Sora 技术报告:作为世界模拟器的视频生成模型

本技术报告重点关注: 1. 我们将所有类型的视觉数据转化为统一表示的方法,从而能够大规模训练生成模型; 2. 对 Sora 模型能力和局限性的定性评价。 本报告不包含模型和实施细节。

略懂……略懂…… 1139

AI学习-langchain

也可以安装一下读取环境变量的依赖。

qq_62408075的博客 334

【无线通信】射频杂散(RF Spurious Emissions)

射频杂散(RF Spurious Emissions)是指在无线通信系统中,除了在指定频率范围内的预期信号之外,任何不需要的或非预期的射频信号。这些杂散信号可能会干扰其他通信系统,降低系统性能,并违反无线电通信法规。射频杂散通常包括谐波、次谐波、互调产物和其他非线性失真所产生的信号。

qq_38801607的博客 5431

跨具身视频世界模型:零样本物理模拟器的技术解析

机器人学习面临真实数据采集成本高、传统物理仿真器建模复杂且难以覆盖柔性物体和接触场景的瓶颈。视频世界模型通过观看海量视频学习物体运动、重力与接触等物理常识,将物理模拟问题转化为表征学习与生成建模问题。跨具身设计使模型在多种机器人形态数据上训练,从而在遇到全新机械臂或人形机器人时,无需额外训练即可预测其执行任务的关键帧。这种零样本生成式物理模拟器为策略学习提供低成本的预训练与数据增强手段,可作为传统仿真器的互补工具。本文从概念、机制到实现细节,探讨如何设计跨具身视频世界模型,并分析其落地潜力和工程挑战。

weixin_34194359的博客 381

算法面试准备 - 手撕系列第五期 - 单头注意力机制(包括Self_atten和Cross_atten)

算法面试准备 - 手撕系列第五期 - 单头注意力机制(包括Self_atten和Cross_atten)

m0_62030579的博客 3609

【AI大模型前沿】Baichuan-M2:百川智能开源医疗增强大模型,助力医疗智能化转型

Baichuan-M2是由百川智能推出的一款开源医疗增强大模型,旨在为医疗领域提供高效、精准的推理能力。它基于Qwen2.5-32B架构,通过大规模验证系统(Large Verifier System)进行强化学习训练,显著提升了在复杂医疗场景中的表现。Baichuan-M2不仅在权威医疗评测HealthBench中超越众多开源模型,还通过极致轻量化优化,实现了在单RTX 4090显卡上的高效部署,大幅降低了硬件成本。其核心功能涵盖医疗诊断辅助、多学科会诊、急诊和门诊快速响应等多个场景,为医疗智能化转型提供

寻道AI,探索AI无限可能! 2319

详解ReID的各部分组成及Trick——基于FastReID

这一系列博客将基于京东开源的FastReID进行扩充,详细介绍了ReID的各个组成部分,一些有用的Trick,评价指标,常用数据集等,详细内容见下方的链接,总结不易,如有理解不正确之处,麻烦各位批评指正。 一、FastReID的中的baseline文件配置 二、Training strategy 三、Pre-processing 四、Backbone 五、Aggregation 六、Head 七、Loss 八、Distance Metric 九、Post-processing 十、Evaluation 十一

藏晖的博客 9165

华三模拟器实战:IPSec VPN穿越NAT的完整配置与调试(附常见问题排查)

本文详细解析了华三模拟器中IPSec VPN穿越NAT的完整配置与调试方法,包括基础环境准备、分步配置、ACL协调策略及高级故障排查。通过实战案例和关键参数解析,帮助网络工程师解决IPSec与NAT协同工作的典型问题,提升企业网络安全性。

weixin_33724046的博客 462

AI人类模拟器:大模型驱动的记忆系统与行为策略工程实践

随着大模型能力的普及,AI应用正从单轮问答演进为需要长期记忆与角色一致性的复杂交互系统。AI人类模拟器正是这一趋势下的核心技术形态,它并非简单的数字人或聊天机器人,而是由生成能力、记忆系统与行为策略三层构建的完整架构。其原理在于通过短期、情景、语义三层记忆保持交互连续性,再以行为策略层实现对角色性格、情绪、知识边界的约束,从而在长时间多轮对话中模拟真实人类的行为模式。这项技术在虚拟陪伴、游戏NPC、AI短剧和AI Agent评测等场景中具备高价值,尤其能为Agent工程提供可规模化的用户仿真与效果验证方案。

weixin_30664615的博客 344

[Vue][面试]谈谈你对MVC、MVP和MVVM的理解

谈谈你对MVC、MVP和MVVM的理解 答题思路:此题涉及知识点很多,很难说清楚,说透彻,因为MVC,MVP这些我们前端程序员自己甚至都没用过。但是恰恰反映了前端这些年从无到有, 从有到优的变迁过程,因此沿此思路回答将十分清除。 Web1.0时代 在web1.0时代,并没有前端的概念。开发一个web应用多数采用ASP.NET/Java/PHP编写,项目通常由多个aspx/jsp/php文件构成,每个文件中同时包含了HTML、CSS、JavaScript、C#/Java/PHP代码, 系统整体架构可能如下图所

你好,欢迎光临! 725

51c大模型~合集111

OpenAI 的某发言人表示:「为了提高清晰度和安全性,我们增加了一个额外的后处理步骤,其中模型会审查原始的思维链,删除任何不安全的内容,然后简化某些复杂的思维。可以看到,虽然 ChatGPT 确实完成了任务并展示了总结版的思维链,但似乎并未如 OpenAI 发言人说的那样给出与提示词语言同样语言的总结版。北大-灵初联合实验室表示,Align-DS-V的多模态强推理能力是VLA模型大脑端的核心,接下来的研究训练计划,是利用多模态推理模型的跨模态穿透能力,实现action穿透,最终实现真正高效的VLA模型。

whaosoft~aiotの开发板商城 2319

Python遥感图像处理应用篇(二十三):Python+GDAL 批量拼接图像

遥感影像拼接分多种不同的情况,比如比较常用的是两幅影像拼接或者多个图像合并为一个图像。GDAL中实现影像拼接的方式也有多种,比如常用可以通过numpy读取影像数组,并计算各个图像的numpy数组范围,合并多个numpy数组为一个最终的结果,并将其重新输出为一幅新的图像,即可实现图像的拼接。另外比较方便的一种方法便是使用GDAL.warp()函数方法。这个函数的功能很多,可以实现多种不同的目的,比如用于坐标系转换、投影变换、图像合并与镶嵌、地理范围裁剪、更改分辨率、矢量裁剪等多种功能。这些功能可以通过设置Op

soderayer的博客 4643

【教程4>第8章>第44节】本章整体思维导图与学习总结

本教程系列提供FPGA/MATLAB/Simulink学习资源,包含《MATLAB入门100例》、《FPGA入门100例》、《Simulink入门60例》等基础教程,以及《FPGA/MATLAB/Simulink联合开发》进阶教程和《人工智能基础应用研究》专题,适合不同层次的学习者系统掌握相关技术。

FPGA/MATLAB学习教程/源码/项目合作开发 450

7天从小白到贡献者:Open-Sora-Plan导师计划全攻略

你是否曾因开源项目门槛高而却步?克隆仓库后面对复杂代码结构无从下手?提交PR后石沉大海得不到反馈?Open-Sora-Plan社区导师计划专为解决这些痛点而生。本文将系统介绍如何通过导师计划快速融入开源社区,掌握视频生成模型开发核心技能,完成从旁观者到贡献者的蜕变。读完本文你将获得: - 3套定制化学习路径(代码开发/模型调优/文档贡献) - 5步导师匹配流程及双向选择机制 - 7天入门实战任务...

gitblog_00538的博客 699

PS射击游戏射线检测优化:原理、工程与全链路高性能实现

射线池:减少GC,提升批量检测效率。分层检测:先粗后细,远距离射击高效判定。批量检测:并行处理,适合大量射线场景。空间结构:进一步加速大场景检测。下面继续深入射线检测优化,补充更多实用细节和进阶技巧,包括空间分区加速、射线检测多线程/异步化、射线合并与分帧、射线池通用模板、常见性能陷阱与调优建议等。对于极端性能需求,可自定义轻量级物理系统,仅检测关键对象(如玩家、子弹),跳过复杂物理引擎。结合AABB、OBB、球体等简单碰撞体,射线-包围体检测极快。空间分区+分层检测是大场景射线优化核心。

本博客聚焦游戏开发技巧、创业实战心得及大学热门课程干货。这里既有技术深度,也有思维广度,无论你是开发者、创业者还是高校学子,都能在这里找到适合自己的成长之路! 435

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 351

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")

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

UML面向对象-分析、建模与设计(第三版·微课视频·题库版)顺序图画图

该顺序图展示了客户端(Client)通过事务对象(Transaction)与ODBC代理(ODBCProxy)的交互过程。客户端创建事务,设置操作参数并提交,事务调用代理完成数据设置,最后销毁事务。整个流程体现了对象间协作与生命周期管理,清晰展现了系统内部调用顺序与状态变化。

一亩高粱 31

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

AI 视频进入智能体时代:一条短片,如何从灵感走到成片?

AI 视频创作正在从单点生成走向完整流程。本文结合 Adobe Firefly 的新动向,梳理从确定目标、准备授权素材、设计画面到配音字幕和发布前复核的五步方法,并介绍 Aivo容剪如何辅助团队衔接创作环节。

AIVOClaw的博客 144

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

AI动画视频生成器免费在线怎么用?新手完整操作教程

AI动画视频生成器让零基础用户也能快速制作动画内容,本文拆解在线创作全流程:剧本构思、角色场景设定、提示词撰写、分镜生成、后期剪辑导出。对比免费版与付费版本的差异,讲解免费工具常见限制,分享素材导入、提升画面一致性的实操技巧,解答角色跑脸、提示词难写等高频问题,同时介绍适合短剧团队的规模化创作方案,帮助个人创作者和团队按需挑选AI动画工具。

2601_96477822的博客 360

视频解说交付前,用 Python 检查字幕时轴与证据镜头是否对齐

用普通 SRT 和 Python 标准库复现两类字幕错误:时轴重叠,以及结论比证据画面提前出现。附可运行示例、修正结果和人工审片边界。

linan96的博客 146

从一段视频到可漫游的 4D 有声场景:思路拆解与最小复现手记

只需一段手机视频,你就能生成可"走进去"的 4D 有声场景:转头时狗叫声方向随之变化,走近时声音更清晰。本文拆解 Video-to-4DAVScene 的核心思路,手把手带你用几十行 Python 搭出最小管线,把视频中的运动物体变成带空间位置的声源,并附上三个真实踩坑的排障经验,代码可直接跑。🎧

helloagent的博客 243

打字就能剪视频的AI工具

AI 会替代剪辑师吗?这个问题和“AI 会替代程序员吗”一样,问错了方向。会用 AI 工具的人,正在替代不会用的人。一个剪辑师用传统方式花三天做的宣传片,另一个人用 UniCut 一天做完,质量差不多,市场会选谁,答案很明显。工具的进化从来不是把专业的人淘汰掉,而是把专业的门槛拆掉。浏览器已经打开了,剩下的就是你愿不愿意试一下。体验地址:https://unicut.h5ds.com/开源仓库:https://github.com/mtsee/unicut。

d676015863的博客 164

本地化部署会议视频软件如何替换旧平台?账号迁移、历史数据与用户培训怎么安排?

账号先映射:身份与权限验证通过,再开放使用。资料分级处理:能查、能读、权限正确,比“全部搬完”更重要。切换可恢复:入口、增量数据和业务通知都要纳入回退方案。培训按岗位落地:让用户完成真实任务,而不是只听功能介绍。这套方法适合政企、集团及医疗等具有长期资料留存、多终端接入和业务集成需求的组织。小规模替换可以简化批次与流程,但不应省略权限验证、备份恢复和关键会议演练。

hz56789的博客 292
上一篇: 【翻译】审慎对齐:推理使更安全的语言模型成为可能
下一篇: 【翻译】OpenAI Deep Research (2025年2月2日OpenAI发布)
羊羊洒洒_Blog
博客等级 码龄7年 174粉丝 47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