AI 玩具没有屏幕,用户第一次配网前怎么确认下载的是正确 App?

ESP32-S3开发环境搭建与快速入门:从IDF到点灯、BLE配网与屏幕驱动 在嵌入式开发中,MCU的选型与工具链搭建往往决定了项目的起点效率。ESP32-S3作为乐鑫新一代AIoT芯片,凭借双核LX7处理器、向量指令加速和丰富的PSRAM资源,为离线语音识别、GUI交互和边缘AI提供了高性价比方案。理解其从底层ESP-IDF到Arduino等多条开发路径的差异,是避免踩坑的关键。ESP-IDF作为官方工具链,不仅支持FreeRTOS任务调度和USB-JTAG调试,还通过BLE配网、I2S麦克风采集以及GC9A01圆屏驱动等典型应用,展示了从基础点灯到复杂外设集成的完整流程。本文从环 阅读详情

对没有屏幕的 AI 玩具来说,用户通常无法直接在设备上完成账号登录、网络配置和功能设置。第一次使用时,他们必须先拿出手机,找到配套 App,完成安装、注册、蓝牙连接或网络配置,设备才真正进入可用状态。

问题也往往从这里开始。

用户看到包装上的下载入口后,可能并不确定:这是品牌官方 App,还是通用工具?手里的玩具型号是否适用?Android 和 iPhone 是否使用同一个入口?安装完成后需要先打开蓝牙,还是先让设备进入配网模式?

一旦这些信息没有提前讲清楚,用户遇到的所有困难,最后都可能被归结为一句话:“玩具配不上网。”

但很多所谓的配网失败,其实发生在真正的配网流程开始之前。

对无屏 AI 玩具来说,App 就是产品的第二块屏幕

智能门锁、摄像头或带显示屏的家电,通常还能通过指示灯、屏幕文字或设备语音告诉用户下一步应该做什么。无屏 AI 玩具能够提供的现场信息更少,首次使用过程因此更加依赖手机 App。

用户需要通过 App 判断设备状态、选择网络、配置账号,并完成后续的内容管理或功能设置。换句话说,App 不只是一个附加工具,而是产品体验的一部分。

如果用户连正确的 App 都没有找到,后面设计得再流畅的配网流程也无法发挥作用。

因此,企业设计首次使用流程时,不能只检查“配网按钮能不能点击”,还要从用户打开包装的那一刻开始检查:

  • 用户从哪里知道需要下载 App;

  • 用户如何确认下载的是官方应用;

  • 下载页面是否说明了适用的产品或系列;

  • 用户安装前是否了解必要的环境和权限;

  • 安装完成后,是否清楚下一步去哪里。

这些问题共同决定了用户能否顺利进入真正的配网环节。

用户说“配网失败”,背后可能是三类完全不同的问题

售后团队收到“设备连不上”的反馈时,首先要判断问题究竟发生在哪个阶段。

第一类是下载入口问题。用户没有找到 App、进入了错误页面,或者下载了名称相近但并不适用于该设备的应用。此时用户甚至还没有开始连接玩具。

第二类是安装与使用条件问题。例如手机系统版本不适用、安装流程没有完成,或者用户没有开启当前连接方式确实需要的蓝牙、局域网或相关权限。这里不能笼统地要求用户“打开全部权限”,而应根据实际技术方案说明必要条件。

第三类才是真正的设备连接问题,包括设备没有进入配网状态、网络环境不符合要求、设备已绑定其他账号,或者 App 与固件之间存在兼容问题。

如果企业没有把这三个阶段分开,下载页、App 引导和售后文档就会不断重复相同内容,用户也很难判断自己卡在哪里。

真正有效的做法,不是继续增加一篇冗长说明书,而是让每个信息入口只承担自己最擅长的任务。

下载页首先要回答的不是“怎么下载”,而是“我有没有找对”

很多下载页把主要空间留给安装按钮,却忽略了用户点击按钮前最需要确认的信息。

对于 AI 玩具,下载页至少应帮助用户确认三件事。

这是与品牌和产品对应的官方 App

页面中的品牌名称、应用名称、图标和产品名称需要保持一致。若玩具包装使用一个品牌名,而 App 使用另一个开发项目名称,用户很容易怀疑自己进入了错误页面。

企业内部习惯使用的研发代号、测试名称和用户真正认识的商品名称,也不应混在一起。面向消费者的页面应优先使用包装、说明书和售后材料中已经出现的名称。

“官方”也不能只依靠一句声明来证明。统一的视觉标识、清楚的应用介绍、稳定的入口以及与其他官方资料一致的信息,才能共同建立可信度。

这个 App 是否适用于用户手中的玩具

如果一个 App 支持多个系列,可以列出清晰的产品系列或识别方法;如果不同型号分别使用不同 App,就必须明确分流。

这里需要把握信息量。下载页不适合塞入完整型号表,更不适合把所有硬件参数搬过来。更合理的方式是告诉用户:

  • 哪些主要系列适用;

  • 可以在哪里查看设备型号;

  • 无法确认时应该去哪里核对;

  • 特殊版本是否需要使用其他入口。

如果型号关系复杂,可以链接到专门的设备支持页面,而不是让用户在一长串字符中自行寻找。

安装后应该做什么

“安装成功”不等于“产品可以使用”。

页面需要给用户一个明确的下一步,例如打开 App 后选择“添加设备”,让玩具进入连接状态,再按照页面提示完成操作。如果首次使用前必须充电、长按某个实体按键或确认指示灯状态,也应在合适的位置提醒。

这部分只需告诉用户如何顺利进入下一阶段,不必在下载页完整复述配网教程。

连接前提要提前说明,但不要把所有故障都推给用户

AI 玩具可能采用蓝牙发现设备,再通过 App 配置网络;也可能采用其他连接方式。不同技术方案所需的准备条件并不相同。

企业应该根据产品的真实流程,说明用户在开始前需要准备什么,例如手机系统要求、蓝牙状态、网络环境、账号条件或必要权限。

但说明这些条件时,应避免两种常见做法。

一种是把所有可能性都堆到页面上,让用户一次性打开定位、相机、通讯录和附近设备等权限。权限要求必须与实际功能对应,不应因为排查方便就扩大范围。

另一种是在页面上只写“请检查网络”。这类提示看似简洁,却不能帮助用户采取行动。更有效的信息应该告诉用户检查哪个网络、观察什么设备状态,以及检查无效后应该进入哪一种帮助流程。

如果某项要求只对部分手机系统或部分型号适用,也应明确标注适用条件,而不是写成所有用户都必须遵守的统一规则。

下载页、App 内引导和售后文档不应该互相替代

首次安装过程中需要的信息很多,但并不代表所有内容都应出现在同一个页面。

信息入口最适合解决的问题不适合承担的内容
包装与说明书告诉用户去哪里获取官方 App频繁变化的版本信息和复杂故障排查
下载页确认 App 身份、适用设备、安装方式和开始前准备完整配网交互和所有售后问题
App 内引导根据手机系统和当前设备状态逐步完成连接用户尚未安装 App 时的身份确认
售后知识库处理异常状态、特殊型号和深入排查代替正常用户的首次使用流程

这样的分工可以减少信息重复,也便于后续维护。

当连接步骤发生变化时,企业只需更新 App 内引导和对应帮助内容;当应用名称、适用产品或下载方式变化时,则重点更新下载入口。包装上的内容应尽量保持长期稳定,避免把容易变化的具体安装地址或版本说明直接固化在印刷物中。

版本信息的作用,是帮助排查,而不是增加技术感

普通用户未必关心完整的版本编号,但版本信息对售后排查非常重要。

当用户反馈无法连接时,客服至少需要判断其使用的是否为当前适用版本。下载页可以展示应用版本和必要的更新说明,帮助用户确认自己是否刚刚完成更新,也方便售后快速定位问题。

更新说明应围绕用户能够感知的变化来写,例如“优化某系列设备的首次连接流程”,而不是直接复制研发提交记录。与用户无关的内部技术细节,不会提升专业感,反而可能制造新的疑问。

常见问题也应优先覆盖高频分流节点:

  • 如何确认自己使用的是正确 App;

  • 在哪里查看玩具型号;

  • 安装完成后从哪里添加设备;

  • 手机找不到设备时,先检查哪些状态;

  • 常规检查无效后,如何联系售后。

这些内容不是越多越好。只要能够把用户送到正确的下一步,就已经完成了下载页的主要任务。

蒲公英适合承担下载入口和信息维护,但不能代替产品引导

当 AI 玩具企业需要统一管理 App 下载入口时,可以使用蒲公英的应用下载页面承载应用名称、介绍、版本、更新说明、常见问题和相关截图,并根据实际交付需要维护页面语言及展示方式。

对于后台已经提供相应能力的应用,还可以维护与智能硬件有关的设备信息、连接方式和使用说明,先保存和预览,再对外发布。具体能够使用哪些字段,应以企业当前后台显示的功能为准。

这种方式的价值,不是给包装增加一个下载链接,而是把容易变化的信息留在可以持续维护的页面中。应用更新后,企业可以调整版本说明;产品系列变化后,可以更新适用范围;售后发现新的高频问题后,也可以补充对应指引。

但蒲公英下载页承担的是“入口与信息呈现”,不能自动判断用户手中是哪一款玩具,也不能保证用户一定选择正确型号。真正的设备识别、实时状态判断和逐步配网,仍然要由 App 与设备共同完成。

如果下载页被当成完整配网系统使用,信息会越来越长,用户反而更难找到关键步骤。

上线前,企业应该自己走完一次“陌生用户路径”

团队成员熟悉产品后,很容易忽略新用户第一次打开包装时的疑问。正式出货前,最好用一台没有安装过该 App 的手机,从头完成一次检查。

检查时不要只验证链接能否打开,还要观察:

  • 不认识产品的人能否快速判断页面真假;

  • 页面名称是否与包装上的名称一致;

  • 用户能否确认自己的产品是否适用;

  • Android 与 iOS 用户是否都能找到正确路径;

  • 开始连接前的必要条件是否表达准确;

  • 安装完成后,页面是否提供了明确的下一步;

  • 出现异常时,用户能否找到与当前阶段对应的帮助;

  • 售后是否能根据用户所在阶段快速分流问题。

最好让没有参与研发的同事实际操作。研发人员知道按钮在哪里、设备如何进入配网状态,无法完全代表第一次接触产品的消费者。

AI 玩具的首次体验,应从找到正确 App 开始设计

对于无屏 AI 玩具,用户在手机上看到的第一个页面,就是产品体验的一部分。

一个真正有效的下载入口,不需要展示所有功能,也不需要把产品优势写成长篇宣传。它只需要清楚回答几个问题:

这是官方 App 吗?它适用于我手中的玩具吗?开始连接前需要准备什么?安装后下一步去哪里?遇到异常应该找谁?

把这些问题提前回答清楚,可以减少用户在错误入口、错误型号和错误准备条件上浪费时间,也能让售后更快判断问题究竟发生在下载、安装还是设备连接阶段。

对 AI 玩具企业来说,优化首次配网体验不应只盯着 App 里的最后几个步骤。真正的起点,是用户拆开包装后,能否毫不犹豫地找到正确入口,并清楚地走向下一步。

象棋军师app已经上线 如果你象棋下的不好,可以试试这个APP。首先在电脑上打开在线象棋例如QQ新中国象棋或者途游象棋,然后在APP中打开手机摄像头拍摄棋局,APP就会给你指出一步好棋,小朋友们要不要试试看。在Apple app store搜索“象棋军师”下载,链接:https://itunes.apple.com/us/app/xiang-qi-jiao-xue/id1166475726?mt=8 先来个效果图: 阅读详情

相关推荐

精美高效手机APP下载页面模板设计

随着移动互联网的快速发展,手机APP已经成为我们生活中不可或缺的一部分。对于APP的开发者来说,展示下载页面模板不仅是一个展示产品的机会,更是吸引用户、促进下载的关键环节。一个好的下载页面模板,能够快速传达APP的价值,激发用户的下载欲望。在这一章节,我们将介绍手机APP展示下载页面模板的基本概念,它是如何在移动应用市场中发挥作用的,以及为什么它对提升APP的可见性和下载量至关重要。接下来,我们将深入探讨页面模板设计的理论基础,逐步揭开设计创新和用户体验优化的神秘面纱。

weixin_30633869的博客 1245

SOC-ESP32S3部分:24-WiFi配网

上述代码,每次启动后,不管之前有没有配置过,都会进入配网模式,不符合实际的应用,这里对代码进行修改,使配网的信息(帐号和密码)被保存在 NVS 中,每次配网之前读取NVS中的信息,如果未配网过,则进行配网操作,如果已经配网过,则直接连接路由器,只需要修改smartconfig_example_task函数即可。这就需要用到WiFi配网的功能。但是相对来说,方法三对用户的体验是较好的,产品化时,一般会考虑同时实现多种配网模式,这里我们主要讲解下方法三,其它方法的流程都是类似的,就是获取信息的管道有差异而已。

嵌入式成长手册 1576

在matlab中运行自带的模块(以CCSDS LDPC Decoder模块为例)

最新版的获取需要注册 MathWorks 账户 访问账户注册页面:www.mathworks.cn/mwaccount/register。下载新版本或历史版本的MATLAB,请登陆:https://www.mathworks.cn/downloads 并下载。点击此处可以拷贝调用例程的命令,在matlab命令行输入即可自动获取代码。可以看到页面中写了该模块需要在R2022b以上版本使用。运行.m文件可以生成simulink运行所需要的数据。可以看到左侧下载到了官方历程的文件。之后双击slx文件即可打开。

qq_28455081的博客 885

小鸿AI开箱配网教程(上):开箱与配网全流程

最近入手了一台小鸿AI桌面智能体开发板,巴掌大的体积、1.54 寸彩屏、磁吸底座、Type-C 充电,还预留了 UART / I2C / GPIO 扩展——妥妥的「桌面AI + 极客玩具」二合一。但新手上路,配网这一步最容易卡壳。它不走常见的「下载 App → 扫码配网」路子,而是用「手机连设备热点 → 浏览器访问 192.168.1.1」的方式,第一次接触的人很可能摸不着头脑。怎么把它连上网。下一篇再讲怎么定制人格、开口聊天。步骤操作关键点1充电开机Type-C / 磁吸充电,首次充满2。

2401_88217606的博客 203

STM32duino LSM6DSO驱动库:低功耗IMU工程化实践

惯性测量单元(IMU)是智能终端与工业设备实现运动感知的核心传感器,其性能关键在于数据精度、实时响应与系统功耗的协同优化。LSM6DSO作为集成加速度计与陀螺仪的六轴MEMS器件,依托片上有限状态机(FSM)和机器学习核心(MLC),支持自由落体检测、计步器、6D方向识别等硬件自治功能,显著降低主控CPU负载。在STM32平台下,通过深度耦合HAL/LL库、显式引脚管理、DMA加速SPI传输及EXTI中断协同,可实现亚毫秒级事件响应与微安级待机功耗。本文聚焦STM32duino生态中LSM6DSO驱动的工程

weixin_36304957的博客 551

用VASP计算GW+BSE

VASP在5.3以后的版本都能用解BSE方程的方法,在计算光吸收的过程中考虑激子效应。 下面就来写一个用BSE计算bulkSi的例子 首先,介电函数的计算是在GW计算的基础之上的。这里首先介绍G0W0的计算(我们这里直接在PBE的波函数基础上进行G0W0计算)。 1.PBE自恰计算,写WAVECAR System= Silicon groundstate occupied

ultra1989的专栏 2万+

设备配网专题《原理分析,设备配网技术之AirKiss微信配网》

1 什么是AirKiss?技术 AirKiss是微信硬件平台提供的一种WIFI设备快速入网配置技术,要使用微信客户端的方式配置设备入网,需要设备支持AirKiss技术。目前已经有越来越多的芯片和模块厂商,提供了支持AirKiss技术的方案。 Airkiss目前已经进化到2.0版本,在配网功能的基础上,增加了近场发现功能;近场发现功能时使用型号码必备的功能,型号码的相关介绍请参照型号二维码介绍。...

物联网研究室BBC的博客 4325

QUIC 协议域名封堵:核心原理、关键技术与实现路径(C/C++代码实现)

随着 QUIC 协议在互联网领域的广泛应用,其基于 UDP 的传输特性与加密设计,打破了传统 TCP 协议下的域名封堵逻辑,给网络合规管理与安全防护带来新的技术难题。本文将脱离具体代码实现,聚焦 QUIC 协议域名封堵的核心原理、关键技术环节与实际落地路径,从协议特性本质出发,解析如何在遵循 RFC 9000、RFC 9001 等规范的前提下,实现对 QUIC 流量的精准域名封堵。

chen1415886044的博客 1465

涂鸦T5AI开发板 实现AI女友

本文介绍了基于涂鸦T5AI开发板实现AI女友的开发流程。首先概述了T5AI开发板的功能特性,包括语音交互、显示屏支持等。随后详细说明了开发步骤:1)注册开发者账号;2)在涂鸦平台创建智能体并设定个性化参数;3)使用虚拟机搭建开发环境;4)创建项目并申请开发框架;5)修改和编译项目;6)烧录程序;7)通过手机APP配网实现对话功能。整个过程展示了如何将AI智能体与硬件开发板结合,最终实现可交互的AI女友应用。

qq_43604366的博客 2076

基于单片机的智能体重秤设计与嵌入式程序实现

智能体重秤的基本功能是测量用户的体重,并将数据通过无线方式传输到终端设备(如智能手机、电脑或云平台)进行管理。体重测量:实时测量用户体重,并进行数据存储。BMI(体质指数)计算:基于体重和身高计算BMI值,帮助用户了解健康状况。多用户管理:通过蓝牙或Wi-Fi技术支持多用户体重数据记录。健康数据分析:结合历史数据分析体重变化趋势。语音播报:通过语音播报用户体重,便于老人或视力不便的人士使用。数据同步:通过App或云平台同步数据,进行长期健康监控。

2201_76125393的博客 1755

Aurix TC3xx系列MCU ResourceM模块配置(多核资源分配)

为减轻主核的负载率或者平衡各个核的资源分配,通常需要把一些MCU内部资源分配到从核上,在EB tresos工具中,通过ResourceM模块实现多核资源分配。

m0_38045338的博客 1388

小鸿AI初始化教程

步骤操作注意事项① 开启接通电源,等待开机提示音确认指示灯亮起② 配网App 添加设备,连接 2.4GHz WiFi保持设备与手机距离近③ 绑定码输入设备显示的 6 位绑定码仔细核对,避免输错④ 完成绑定成功,开始使用语音提示即完成按照这四步操作,小鸿AI 就能顺利初始化并投入使用了。如果在使用过程中遇到其他问题,欢迎在评论区留言交流!

ashrrrr的博客 219

【人工智能】在 cc-switch 中配置 AnyRouter 接入 Claude Code 完整指南

本文介绍了在cc-switch工具中配置AnyRouter中转服务以接入Claude Code的详细步骤。主要内容包括:1) 准备API令牌和端点地址;2) 填写基础信息和模型参数;3) 保存配置并重启终端生效;4) 常见问题排查方法。重点强调了API地址格式、模型ID准确性以及配置写入的必要性,帮助用户顺利完成中转服务配置,实现Claude 4.5版本的正常使用。

奶爸的编程之路,也就一周冷个三天 3103

智能监控摄像头手机远程监控安装:从零到一,手把手教会你

摘要:智能摄像头安装常见问题集中在手机远程连接环节。本文提供一站式解决方案:1)安装前需确认网络环境(2.4GHz WiFi或4G信号)、准备工具、下载官方APP;2)合理规划安装位置(高度2.2-2.5米,避免逆光);3)通用配网三步法:进入配网模式→APP添加设备→扫码连接;4)针对离线、连接失败等高频问题给出具体排查方法;5)建议开启移动侦测、云存储等进阶功能。掌握标准化流程后,3分钟即可完成配置,让智能设备真正发挥作用。

一个分享安防监控知识的博客 1753

【100%通过率】2023华为od机试C卷【电脑病毒感染】Python 实现

一个局域网内有很多台电脑,分别标注为 0 ~ N-1 的数字。相连接的电脑距离不一样,所以感染时间不一样,感染时间用t 表示。其中网络内一台电脑被病毒感染,求其感染网络内所有的电脑最少需要多长时间。如果最后有电脑不会感染,则返回-1.

MISAYAONE的博客 3032

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

App Inventor MIT AI伴侣下载与使用全指南:新手避坑实践

基于火山引擎豆包大模型,从零搭建一个实时语音通话应用。它不是简单的问答,而是需要你亲手打通 ASR(语音识别)→ LLM(大脑思考)→ TTS(语音合成)的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说,这是个绝佳的练手项目。架构理解:掌握实时语音应用的完整技术链路(ASR→LLM→TTS)技能提升:学会申请、配置与调用火山引擎AI服务定制能力:通过代码修改自定义角色性格与音色,实现“从使用到创造”从0到1构建生产级别应用,脱离Demo,点击打开。

2600_94960120的博客 894

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

ESP32-S3在AI玩具中的核心技术优势与实现方案

乐鑫科技推出的ESP32-S3 MCU凭借240MHz双核处理器、AI加速指令和丰富接口,成为AI玩具的核心硬件平台。该芯片支持语音交互、多模态控制和端云协同,通过Wi-Fi/蓝牙5连接和多重安全机制,满足智能玩具对实时响应、安全可靠的需求。基于ESP32-S3的典型方案(如AI机器狗)展示了其在硬件集成、软件开发和量产支持方面的优势,为AI玩具向情感化、个性化发展提供了关键技术支撑,将持续推动行业创新突破同质化竞争。

m0_59195407的博客 893

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")

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

App Inventor AI伴侣下载全指南:从安装到实战避坑

基于火山引擎豆包大模型,从零搭建一个实时语音通话应用。它不是简单的问答,而是需要你亲手打通 ASR(语音识别)→ LLM(大脑思考)→ TTS(语音合成)的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说,这是个绝佳的练手项目。架构理解:掌握实时语音应用的完整技术链路(ASR→LLM→TTS)技能提升:学会申请、配置与调用火山引擎AI服务定制能力:通过代码修改自定义角色性格与音色,实现“从使用到创造”从0到1构建生产级别应用,脱离Demo,点击打开。

2600_94959967的博客 430

PocketPal AI屏幕保持功能:推理过程中用户体验优化的终极指南

PocketPal AI是一款将大语言模型直接带到手机上的智能助手应用,其屏幕保持功能在AI推理过程中扮演着关键角色。当用户与AI进行长时间对话或复杂任务处理时,屏幕保持功能确保设备不会自动锁屏,提供无缝的交互体验,让用户专注于内容创作而无需频繁唤醒设备。 ## 为什么屏幕保持功能对AI应用如此重要? 🚀 在移动设备上运行大语言模型时,推理过程可能需要较长时间。想象一下,当你正在与AI助手进

gitblog_00709的博客 754

App Inventor AI伴侣2.72下载与新手入门指南:从安装到第一个AI应用开发

App Inventor AI伴侣是一个强大的移动应用开发工具,它让没有编程基础的用户也能轻松创建包含人工智能功能的应用程序。最新2.72版本带来了更稳定的性能和更多AI功能支持,特别适合想要探索AI应用开发的新手。无需复杂代码:通过可视化拖拽界面完成应用开发内置AI能力:支持图像识别、语音处理等常见AI功能实时测试:通过伴侣APP直接在手机上预览效果跨平台支持:开发的APP可以同时运行在Android和iOS设备上。

2600_94959804的博客 390

2025年,AI黑客的狂欢:网安新手如何自保?

2025年,AI黑客技术飞速发展,网安新手面临前所未有的挑战。本文以幽默风趣的风格,揭示AI黑客的常见攻击手段,并为网安新手提供实用的自保指南。无论你是技术小白还是好奇的探索者,这篇文章将带你走进一个充满挑战与乐趣的网络安全世界。

Xs_20240309的博客 1238

Cheating Daddy屏幕分析功能详解:如何让AI看懂你的屏幕内容

Cheating Daddy是一款开源的实时AI助手应用,通过屏幕捕捉和音频分析技术,在视频通话、面试、演示和会议中提供上下文相关的智能帮助。这款免费工具利用Google Gemini 2.0 Flash Live的强大AI能力,实时分析你的屏幕内容,为你提供精准的辅助建议。无论你正在进行技术面试、商务会议还是在线演示,Cheating Daddy都能成为你的智能助手,帮助你更好地应对各种场景。

gitblog_00502的博客 1182

GPT6免费下载是骗局?手机端正确使用AI的避坑指南

大模型技术的快速迭代让AI工具进入大众视野,但随之而来的版本号混乱与信息差也催生了大量套壳应用与钓鱼链接。理解模型命名的真实逻辑与算力成本背后的商业本质,是辨别工具真伪的基础。从技术价值来看,正规的对话式AI在文档生成、图像识别、电路图诊断等场景中能显著提升效率,但前提是选择官方渠道并合理设定使用预期。面对“免费无限用”“GPT6下载”等高频搜索词,用户需要警惕恶意捆绑、隐私窃取与收费陷阱。本文从AI工具选择的安全准则出发,系统梳理版本演进、官方App使用技巧及“降智”现象的真实成因,帮助读者避开常见坑点,

weixin_29064009的博客 342

AI玩具爆发前夜:技术拐点、体验鸿沟与破局路径

作者:罗联上、余琦(浙江省物联网产业协会),陈博(百度智能云),秦亮、蔡奕彬、熊天皓、丁晓磊(意法半导体),施培(国芯微),林心果(利尔达),胡俊锋(汤姆猫),金雨晖博士(智起星穹),赵明灿(《电子工程专辑》)编者注:本文由产业协会、终端品牌、芯片厂商、通信模组供应商及内容生态平台共同参与撰写,各章节基于相关方在终端产品定义、语音处理、智能传感、广域连接及内容交互等领域的实践与洞察独立贡献。旨在从真实市场需求出发,系统梳理技术落地路径,为AI玩具全产业链提供可参考的协同创新框架。AI玩具的技术演进与产业现状

LierdaGroup的博客 455

儿童语音玩具安全设计:CAM++家长声纹锁定功能尝试

本文介绍了如何在星图GPU平台上自动化部署CAM++一个可以将说话人语音识别的系统 构建by科哥镜像,实现儿童语音玩具的家长声纹锁定功能。通过本地化声纹验证,玩具仅响应授权家长语音指令,有效防止误唤醒与未授权操作,提升家庭智能设备的安全性与隐私保护水平。

weixin_30476025的博客 1252

Compositor 深度剖析:一款只运行在 macOS 上的免费图像编辑器如何做成 Photoshop 替代品

Compositor 是一款完全免费开源的 macOS 图像编辑器,目标是做 Photoshop 的替代品。它的核心矛盾贯穿全文:**编辑器把单个平台钻得越深,体验越顺滑,但能用的受众就越窄**——它选择押注 macOS 26 + Apple silicon,把这道门槛当成卖点而非妥协。 ## 它面对的矛盾:想复刻 Photoshop 的流畅,就必须放弃"到处能跑" README 开篇就交代了

gitblog_00063的博客 579
上一篇: 无人机 App 更新后,怎样避免海外经销商继续向客户发送旧安装包?
下一篇: 扫地机器人 App 怎么方便的分别发给用户和售后人员?
蒲公英内测分发
博客等级 码龄5年 53粉丝 178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