建筑生闯荡大模型圈指南(非常详细)零基础入门到精通,收藏这一篇就够了

大模型和数据要素赋能建筑行业数字化转型建设和实施方案 其次,我们还需要调整部门的职能与分工,优化部门设置,明确各部门在数字化转型中的职责与分工,这样才能形成高效协同的工作机制。在此基础上,我们根据设计原则和目标,构建了数字化业务流程的基本框架,明确了每个环节的职责和权限,确保数字化转型的顺利进行。现在,随着物联网、云计算和大数据这些高科技的发展,建筑行业的数据量可是呈现爆炸式的增长,这给我们的数据应用提供了丰富的资源。而数据要素,就像一条红线,贯穿了整个建筑行业的各个角落,连接了各个环节,帮助我们更好地优化资源配置,实现更高效的生产。 阅读详情

GEN

哈佛大学设计研究硕士

研究方向:人工智能 | 深度学习 | 生成式设计 | 计算机图形学 | 辅助建筑设计(CAAD)应用

大家好,我是Gen,一个在硅谷深耕多年的人工智能产品经理。今天我以自己的经历和大家讲一讲建筑生如何在硅谷大模型圈闯荡。

建筑的建筑背景的从业者,如何从自身的背景出发去切入一个新的赛道?

生成式AI,它并不是在近两年才开始拥有的一个领域,它其实很早以前就存在了。不过因为因为ChatGTP这样的一些杀手级的应用的出现,它的关注度、话题度前所未有的高,我们可以去简单的去回顾一下,它的这样的一个发展历史是什么,以及今天的生成式AI到底是什么样的一个状态?我们该怎么样的去更好的去利用现在现有的技术。

在互联网公司过五关斩六将

****▎如何进硅谷?

第一关就是简历关,一般是HR初筛,先会去对你进行评估。过了简历关以后,是大家熟悉的面试流程,会有像有一个OA这样的考试,对于software engineer这样的角色来讲,有点类似于算法题,相当于考察基本功。这一轮过后是综合性的面试,根据不同的position会有比较大的差异。比如软件工程师,会考察你之前的项目经历,或者你的思维能力。总结一下就是,互联网公司的面试流程分为两个能力的考察,一个就是你的基本功,我们称之为内力。还有一个,是外力的体现,hr一天要过几百份简历,如何让自己简历脱颖而出?对于专业道路的同学来说,教育背景是一个关键的指标;对于转行或者跨专业的同学,你做过项目就是重要的指标这就是所谓的外力。

▎如何打磨内力?

  • 学好英语!学好英语!学好英语!

英语是所有东西的基础,很多的免费的Learning material或者是需要一定accessibility的material,基本上都是主要英语为主。我们后面会提到的很重要的一个项目的形式就是论文,它的核心的写作也是以英语为主。包括申请学校,我们第一件事也是建议大家先把英语关过了。不仅仅是为了解决标化的成绩,更重要的是,英语熟练了以后,你的thinking的方式可能会发生一些潜移的潜移化的变化。

  • 利用好Online learning的resource。

如果你是对计算机0基础的状态,那么像Harvard的CS50是一门非常好的那种入门课。然后MIT的6.001x也很推荐,大家如果相对Machine learning或者是相关的行业去进一步的了解,这是避免不了的一个坎,这门课是最好的入门学习课程,这两门课都是免费的,可以在网站上找到。

  • 善用ChatGPT

在2024年这个时间节点来看,ChatGPT已经是大势所趋,多用GPT去帮你去解决问题,对于你关于知识上的不了解的问题,它其实在某种程度上已经能够达到一个比较好的效果。

▎如何打磨外力?

  • 过简历关——项目经验是在不了解考生真实底力之时考核Candidate很重要的环节

  • 作为建筑学生积累项目经验的Best Practice:从建筑学出发,做科技前沿项目

  • 不断积累量化指标:获奖、论文、Grant等等

论文也是一个很重要的指标。如果你有一些跟建筑学相关的论文,那其实是比较能够拿得出手的事情。大家其实已经有建筑学的这种相关的学科类的学科知识。我建议论文的出发角度。可以从建筑本身本学科内出发。比如说做一些跟建筑相关的生成式AI的一些Research paper其实就是一个很好的项目积累的方式。而且以论文的形式去。帮助你去打造你的portfolio还有一个好处。不光可以去转行科技公司,他其实还有很多其他的出路。比如走学术这条路;或者你有了这个项目经历之后,你对领域更熟悉以后,可以去做一些跟A I相关media,可以去转行做艺术家;如果你还是想留在建筑领域里就保持跟这个领域的关联,那其实还有很多这种建筑科技类的公司,或者是建筑公司的科技部门。其实都是比较好的去转型的思路。

本源的AI探索

——万变不离其宗,以不变应万变

▎********哪些是大模型替代不了的?********

  • 深度学习的数学原理

  • 科研基本方法

  • 建筑学的学科知识如何和最新技术的结合点,Research Gap

Q&A

Q:小语言模型的应用前景是不是不太大?

A:小语言应用模型可能更多是在轻量化部署,但是核心竞争力还是在于模型真正的智慧程度。比如GPT4这个模型,它的推理速度并不慢,只不过这个东西是部署在云端的,去用它的时候,并没有感觉到很大的延迟。我个人觉得就是这小语言模型可能是在工业界或者是应用的时候可能会做一些推理加速。小模型可能会有用户场景,因为如果是推点级别的这个模型参数的话,搭建训练链路本身就是一件非常难的一件事。但是小模型的话,对于你自己的研究肯定是更简单一点,当然效果肯定也会打折扣,这是没办法的。

Q:现在经济大环境不好,设计院、房地产都在裁员,收入也不高,做大模型前景和收入怎么样?

A:在互联网公司,其实收入肯定是不错的,它起薪很高,北美这边毕业生起薪,如果是做战略VI相关的,总包是20w美元左右年薪。这个收入还是很不错的。

Q:建筑科技公司对哪些特定的软件技能算法模型有要求?

A:没有说哪个是特定一说,整个完整的链路你都是需要会的,包括模型训练,数据集的搭建,数据训练的搭建,线上部署的链路等等。

Q:ACM下面有几个会议?

A:如果完全想走CS方向,可以申请CS。如果你要是申请纯CS。那可能你的CS方面的积累可能要再深厚一些。一篇论文不一定够,做的项目也要更多元化一些。CD更适合建筑背景的思路。具体的看大家的背景,比如之间已经有哪些项目,会进行针对性定制。

📚 大模型工作坊教学计划速览

提供研究与设计两个Track,帮助不同背景、申请目标的同学进行区分度教学

▎研究Track

申请/转行方向:

快速转行进入计算机及数据科学,及计算设计(Computational Design)领域,毕业后进入学术界(博士/教职)及工业界(交互/程序员)

同学背景/基础能力要求:需一定编程基础

主要录取项目:研究型计算设计(Computational Design)项目

MIT A+P - Master in Architecture Studies

CMU SoA - Master in Computational Design

UCB CED - Master of Design

Cornell AAP - Master in Design Technology

Columbia GSAPP - Master in Computational Design

学习成果:最终产出形式为CAAD会议论文。敲黑板!应广大同学要求,我们加开夏季工作坊,帮助大家冲刺建筑CAAD顶会ACADIA以及相关顶刊。因为每年ACADIA会议的稿件截止时期为5月份,我们在工作坊结束后会留出1-2个月时间帮助大家继续完善会议论文,冲击顶会。在当今Computational Design申请竞争内卷逐渐白热化的时代,CD类国际会议论文发表基本上已经是一个基本要求,而ACADIA会议作为全球影响力最大、规格最高的CAAD会议会极大提升你的申请成功率。

△ 导师和过往工作坊学员在NeurlPS(Workshop), CAADRIA, CDRF等计算设计领域发表论文

△ 景观植被自动生成工具(导师Xun)

△ 3D建筑形体生成工具全栈开发(导师Gen)

▎设计Track

申请/转行方向:转入计算机图形学、AR/VR/XR行业、游戏行业、电影特效行业

同学背景/基础能力要求:适用于完全没有编程基础的同学

主要录取项目:数字媒体(Digital Media)方向

MIT Media Lab Media Arts and Sciences(MAS)

GSD MDes Mediums

CMU ETC MET

USC Interactive Media & Games Division(IMGD)

NYU Interactive Telecommunication Program(ITP)

NYU Integrated Design and Media(IDM)

学习成果:最终产出形式为AI电影短片或沉浸式体验(包括Unity游戏、Mobile AR App、WebApp等等),优秀成果将有机会会获得在北美、国内的数字艺术展览参展邀请

△ 基于强化学习的建筑生成游戏(导师Gen)

AI大模型学习福利

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

2024最新版优快云大礼包:《AGI大模型学习资源包》免费分享

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

2024最新版优快云大礼包:《AGI大模型学习资源包》免费分享

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

2024最新版优快云大礼包:《AGI大模型学习资源包》免费分享

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

2024最新版优快云大礼包:《AGI大模型学习资源包》免费分享

四、AI大模型商业化落地方案

img

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

2024最新版优快云大礼包:《AGI大模型学习资源包》免费分享

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

自动驾驶高精地图:从单车智能到群体智慧的技术演进与生态竞争 在自动驾驶技术体系中,高精度地图正从辅助性工具演变为核心基础设施。传统单车智能依赖车辆自身的传感器与算法进行实时环境感知与决策,但存在感知盲区与理解上限。高精地图通过提供厘米级精度、富含语义信息的先验知识,为车辆构建了确定性的环境模型,极大提升了系统的可靠性、安全性与规划效率。其技术价值在于将部分实时计算负担转化为离线数据服务,实现感知负担的云端前置。应用场景涵盖高速领航、城市复杂路口通行、恶劣天气辅助及精准定位等关键领域。随着行业对数据闭环和成本控制的重视,技术路线正从依赖静态测绘地图向“重感知、轻地图” 阅读详情

相关推荐

【AI大模型:前沿】41、建筑行业大模型创业全指南:从技术突破到成本控制与落地路径

建筑行业大模型是“高门槛、高回报”的长周期赛道,适合有建筑行业资源+AI技术背景的团队切入。数据是基础,场景切割是策略,合规是底线。通过聚焦“设计生成+规范审查”等刚需场景,用“仿真数据+开源模型”降低成本,3-5年内有望成长为行业独角兽。对于中小团队,避开千万级全流程模型的红海,深耕“小而美”的单点工具,同样能实现盈利与快速扩张。关键成功公式建筑AI创业 = 50%数据壁垒构建 + 30%场景精准切入 + 20%成本控制能力。

2025博客之星Top81。专注AI工程化与架构实战。从分布式思维到模型部署,用工程化视角为你厘清AI落地的真实路径。 2116

土木建筑大模型——“星辰-住建行业”大模型和 “蓝翼”大模型

语义大模型体系,具有强大的建筑行业数据处理和分析能力,以及优秀的自主学习能力,聚合算力、算法、数据、工具、应用等生态,可为行业提供一站式大模型服务,是首批试商用的。框架和工作流编排工具,通过简单托拉拽配置即可生成更加智能化的业务流程自动化应用,实现可视化功能检测、一键发布,运行体验。(规章制度制度助手、通用智能体服务、智能会议管理、合同版本比对、合同履约智能审核、智能问数、供应链智能招采……),驱动了一批应用场景的见效落地。上述两个大模型,前者重点在建筑,后者重点在交通,都是央企的领头产品,是。

人机与认知实验室 1891

配电网可靠性评估(一)—最小路法和非序贯蒙特卡洛模拟法的matlab实现

电力系统的可靠性研究是相关领域的热点问题。根据研究对象的不同,又可分为发电系统的可靠性,输电系统的可靠性和配电系统的可靠性。配电网在电力系统中处于最末端的位置,直接和用户相连,一旦出现故障情况,就会在用户侧表现为停电事故。因此对配电网的可靠性评估有着重大意义。......

配电网和matlab的博客 1万+

建筑业+AI大模型”如何重塑行业未来?看中建三局如何应用DeepSeek管理工程

DeepSeek大模型在建筑行业也已担当起了建筑工程师智能助手的角色从到甚至这些现在来处理中建三局数字工程公司产品经理颜露:“一般来说,一个中型项目涉及到的成本清单项有2000多条,如果人工一一比对的话,需要耗时4-6天,现在在包括DeepSeek在内的AI技术的赋能下,逻辑推理与计算能力得到了显著提升,在系统内部能够经过人工核对之后点击确认,就可以完成成本清单匹配的工作,工作耗时缩短为2-3天,推荐清单正确率也得到了有效提升。由中建三局打造的天工云平台。

2401_84495872的博客 2867

【经验分享】使用Keil5烧录代码遇到的问题及解决方法

本文介绍了在使用Keil5烧录代码过程中可能遇到的常见问题,主要为编译错误和下载失败,并提供了解决方案和注意事项。通过本文中提供的具体解决方案和注意事项,希望能够帮助读者更加顺利地进行Keil5烧录代码操作,提高开发效率和成果实现。

qq_63195670的博客 1万+

描述符链表(Descriptor Chain)是什么?

描述符链表是硬件加速数据传输的核心数据结构,通过链式描述符(包含地址、长度、控制标志等)实现DMA自动批量处理,显著降低CPU负载。其工作原理为:CPU初始化链表后,硬件按序处理每个描述符,完成自动跳转与中断通知。在网卡收包、NVMe存储等场景中应用广泛,优势包括批处理、低延迟和灵活调度。需注意内存对齐、缓存一致性等实现细节,优化手段包括预分配描述符池、环形缓冲区等。该技术是网络/存储领域提升吞吐量的关键方案。

guigenyi的专栏 778

建筑行业AI大模型应用如何落地

10%

aolan123的博客 2985

手把手教你用Python+GDAL处理0.5米吉林一号卫星影像(附代码)

本文详细介绍了如何使用Python和GDAL处理吉林一号0.5米高分辨率卫星影像,包括环境配置、数据预处理、分辨率融合、植被指数计算及地物分类等关键步骤。通过实战代码示例,帮助开发者高效处理大尺寸遥感数据,解决资源崩溃和算法选择问题,提升遥感影像分析能力。

weixin_30892037的博客 129

土木工程领域大模型哪家强?六大维度全面评测!

目前已发布的榜单包含土木工程榜单、网络安全榜单、金融榜单、价值对齐榜单、法律榜单、医疗榜单。,围绕土木工程教育与工程实践的核心能力,设置了六大评测维度,全面评估大模型在土木工程领域的知识理解、推理能力及应用能力。随着大语言模型在土木工程领域应用的不断拓展,其专业知识的准确性、工程推理能力及实际应用价值亟需科学、客观的评测。测试大模型在测绘案例分析、测绘管理与法律法规、测绘综合应用等方面的能力,评估其在测绘与地理信息领域的应用潜力。联系邮箱 opencompass@pjlab.org.cn。

OpenCompass的博客 1113

(12)单相降压自耦变压器的等效电路和仿真模型

本文根据电机学基本原理,从单相双绕组变压器的接线方式出发,建立基本方程并导出T型等效电路。然后将双绕组变压器演变成一种降压自耦变压器,详细地建立起单相降压自耦变压器的数学模型以及导出相对应的等效电路,最后用Matlab/simulink的simscape元件库元件建立了基于单相自耦变压器的T型等效电路的仿真模型。用实例仿真验证了本文工作的正确性。

weixin_45670943的博客 1047

诊断CAPL自动化(5) ——没有CANdela,无法编辑cdd数据库文件,也能轻松完成诊断测试

🍅我们知道cdd数据库文件,是CANoe测试环境的重要组件,它可以让我们更加轻松的完成诊断测试工作;但是创建和编辑cdd文件是需要CANdela 来完成的,一个 liscense 就要将近二十万,成本确实高🍅特别是在处理22/2E/31服务的时候,频繁的增加功能,可能需要频繁的用CANdela 修改CDD,我测试开发过程中,一般很少去修改cdd,有这个时间,纯手撸也开发完了,就一个CANdela,鬼知道此时此刻到了谁手里,我也懒得去找。🍅演示软硬件环境;目录📘前言。

蚂蚁小兵 5757

建筑业转行大模型教程(非常详细)零基础入门到精通,收藏这一篇就够了

哈佛大学设计研究硕士研究方向:人工智能 | 深度学习 | 生成式设计 | 计算机图形学 | 辅助建筑设计(CAAD)应用大家好,我是Gen,一个在硅谷深耕多年的人工智能产品经理。今天我以自己的经历和大家讲一讲建筑生如何在硅谷大模型圈闯荡。生成式AI,它并不是在近两年才开始拥有的一个领域,它其实很早以前就存在了。不过因为因为ChatGTP这样的一些杀手级的应用的出现,它的关注度、话题度前所未有的高,我们可以去简单的去回顾一下,它的这样的一个发展历史是什么,以及今天的生成式AI到底是什么样的一个状态?

z551646的博客 1496

【无人机路径规划】基于强化学习实现多无人机路径规划附matlab代码

1 简介 本文提出一种基于强化学习实现多无人机路径规划。​ 2 部分代码 % This is used to measure the path length, service rate and risk explosure for each UAVs %% parameters function [PL,ServiceRate,Risk]=measure global N2; % divide [0,1]*[0,1] map into N2*N2 grid when calcul

qq_59747472的博客 6908

润了!建筑生闯荡大模型圈指南

大家好,我是一个在硅谷深耕多年的人工智能产品经理。今天我以自己的经历和大家讲一讲建筑生如何在硅谷大模型圈闯荡。生成式AI,它并不是在近两年才开始拥有的一个领域,它其实很早以前就存在了。不过因为因为ChatGTP这样的一些杀手级的应用的出现,它的关注度、话题度前所未有的高,我们可以去简单的去回顾一下,它的这样的一个发展历史是什么,以及今天的生成式AI到底是什么样的一个状态?我们该怎么样的去更好的去利用现在现有的技术。①人工智能/大模型学习路线②AI产品经理资源合集③200本大模型PDF书籍。

2401_85378759的博客 747

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。

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

润了润了!建筑生闯荡大模型圈指南,简直不要太爽!!!

哈佛大学设计研究硕士研究方向:人工智能 | 深度学习 | 生成式设计 | 计算机图形学 | 辅助建筑设计(CAAD)应用大家好,我是一个在硅谷深耕多年的人工智能产品经理。今天我以自己的经历和大家讲一讲建筑生如何在硅谷大模型圈闯荡。生成式AI,它并不是在近两年才开始拥有的一个领域,它其实很早以前就存在了。不过因为因为ChatGTP这样的一些杀手级的应用的出现,它的关注度、话题度前所未有的高,我们可以去简单的去回顾一下,它的这样的一个发展历史是什么,以及今天的生成式AI到底是什么样的一个状态?

zhishi0000的博客 909

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

大模型泡沫破了?| 转行建筑师混战大模型圈

最近秋招惨淡卷动,**地产天坑不敢进,科技大厂不可期。**阿里直裁应届生、腾讯拉长职级晋升时间,字节一家繁荣,但也在和美国政府大打官司。GPT-5迟迟不出,ScalingLaw有效性受质疑,24年预计亏损小10亿内地头部大模型初创公司裁员至500人并锁招聘简单转码之路早已枪毙(见近期裁员),大模型&人工智能领域寒风瑟瑟,建筑师还能转行科技行业吗?10月6日一起聊聊**建筑转行、闯荡人工智能圈心法,**聊聊 “△Gartner发布2024年人工智能技术成熟度曲线。

2401_85375298的博客 1052

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")

奥特曼:点名表扬两个波兰人,OpenAI还没遇到过他们解决不了的问题

对此西哥也有同感,“当初设立这些治理结构时,感觉像是杀鸡用牛刀”,而现在他得到的教训是“在公司早期做出的决策,即使当时看起来微不足道,也可能在未来产生深远影响”。他们本质上并非在进行研究,但如果在尝试创造美好事物的过程中发现了一些新技术,那就更好了。他未来的目标是构建能够进行自主科学研究的AI系统,认为这种系统将在不远的将来成为”持久的实体”,并有望解决AI对齐等行业难题。但不是他主动选择了MIT,而是他当时申请了很多美国学校,只有MIT没有拒绝他,因为MIT不考英语,而他的英语很差(允悲)。

量子位 115

做建筑行业的,转行AI该从哪个方向入手?

大家好 我是南木,最近收到一位建筑工程师的私信让我印象很深:“南木,我做了8年建筑设计,,现在想转行AI,但看着神经网络、大模型这些词就头大。建筑行业的经验能用上吗?该从哪开始学?其实,建筑行业转行AI,不仅有优势,甚至比纯零基础更有竞争力——你们熟悉的工程图纸、3D建模、施工管理、结构分析,恰恰是AI在“建筑科技”领域最需要的“行业锚点”。这篇文章结合5位建筑人转行AI的真实案例,拆解出。

2501_91798322的博客 2110

AI大模型时代:建筑设计师与大模型的碰撞

作为一名建筑设计师,学习大模型(如 GPT-3、BERT 等)对于提升设计效率、增强创新能力以及应对技术挑战具有重要意义。: 大模型能够帮助建筑设计师探索前所未有的设计理念,结合历史数据和现代审美,生成创新的设计方案。: 设计师可以利用大模型生成各种设计方案,从中选择最符合设计理念和功能需求的作品。: 大模型能够分析环境数据和建筑材料特性,帮助设计师选择最环保和节能的设计方案。: 设计师可以利用大模型分析各种建筑材料和设计的可持续性,从而选择最环保的设计方案。

程序员鑫港的博客 1807

2024 50+行业大模型应用解决方案全解

案例简介:该案例应用知识图谱和大模型技术,面向企业内部的医药法规政策及指导原则提供智能问答总结服务。减少法规内容的学习培训时间,提升多部门协作效率;同时能够及时提示国家政策变动对于业务场景的影响,降低风险。

xx_nm98的博客 2458

收藏!小白程序员必看:建筑+人工智能核心技术详解,轻松入门大模型应用

本文探讨了建筑与人工智能的深度融合,强调技术创新需针对建筑业的实际痛点,以场景导向、数据驱动等逻辑重构业务流程。文章详细介绍了设计、施工监测、测量与数据采集、知识检索与文档处理、综合应用与全生命周期等五大类AI技术及其发展方向,旨在降低技术“空转”,提升建筑行业的降本增效、提质安全水平。

weixin_72959097的博客 371
上一篇: 知识库 | 网安类人才必收藏的几个网站!零基础入门到精通,收藏这一篇就够了
下一篇: 如何成为一名网络安全工程师?零基础入门到精通,收藏这一篇就够了
程序员_大白
博客等级 码龄5年 1万+粉丝 4001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