【中秋特辑】赛博朋克『静夜思』,金属摇滚『月饼』,落霞秋水『思乡』,AI画笔下的中秋长这样!赠你 8400 个月亮 | ShowMeAI资讯日报

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

👀日报合辑 | 📆电子月刊 | 🔔公众号下载资料 | 🍩@韩信子

工具&框架

🚧 『Lexica』Stable Diffusion 文本生成图像搜索引擎

https://lexica.art/

Lexica 是一个在线文本生成图像检索的平台,包含 500W+ 张由 Stable Diffusion 模型生成的网络图片,仅需输入描述文本语句,就可以查看它相关的网络用户创作艺术图。

以『月亮』为关键词,可以检索到8400余张图片,风格迥异。选了几张放在这里,与大家共赏明月。

🚧 『Stable Diffusion Image Generator』文本图像生成器

https://creator.nightcafe.studio/stable-diffusion-image-generator

Stable Diffusion 是一个先进的AI文本到图像生成器,可以从文本提示中创建令人难以置信的连贯图像,并提供了Matte、Cosmic、Cyberpunk等多种风格可以选择。

以李白的『静夜思』为提示文字,选择赛博朋克风格,看看AI是如何理解和表达『床前明月光、疑是地上霜。举头望明月,低头思故乡』这首一千三百多年前的古诗的。

🚧 『DALL·E mini』一个用文本生成图像的项目

https://github.com/borisdayma/dalle-mini

https://www.craiyon.com/

Craiyon(原名DALL·E mini),是一款可以根据任意提示文字进行绘画的AI模型!在网站输入提示文字(这里是『月饼』),等待约2分钟后,系统会生成9张绘制的图片。可以点击某张图片放大观看,也可以使用网站提供的『截图』功能生成卡片。

🚧 『Astrometry.net』天体图像自动识别

https://github.com/dstndstn/astrometry.net

https://nova.astrometry.net/

astrometry.net 是一个用于天文图像的自动识别的工具,也可以用于从原始数据中抽取符合标准的天体测量元数据。

如果你有天空的天文成像,但不知道或不信任天体坐标,那么在 Astrometry.net 输入一张图像,网站会反馈天体测量校准元数据,以及落在视场内的已知物体清单。

🚧 『nonebot plugin drawer 』基于文心大模型的AI机器人画画插件

https://github.com/CrazyBoyM/nonebot-plugin-drawer

nonebot plugin drawer 是一个基于文心大模型的AI机器人画画插件,通过简单的安装配置后,可以构建一个用于基于文字绘画的自动化应用。看看AI绘画是如何表达『思乡』的!

博文&分享

👍 『Approximation Algorithms』哥本哈根大学·近似算法·Spring 2021课程

https://rasmuspagh.net/courses/APX21/

https://www.designofapproxalgs.com/

课程有大量的数学内容,用来理解和证明算法的良好性能,学习者应该适应这一点。课程假设学生已经完成了一门算法课程,并且能够自如地使用数学证明来分析算法。课程包含以下主题:

  • Greedy algorithms and local search / 贪婪算法和局部搜索
  • Rounding data and dynamic programming / 舍入数据和动态编程
  • Linear programming and deterministic rounding / 线性程序和确定性舍入
  • Random sampling and randomized rounding of linear programs / 线性程序的随机抽样和随机舍入
  • Randomized rounding of semidefinite programs / 半定约程序的随机舍入
  • The primal-dual method / 原始二元法
  • The multiway cut problem / 多路切割问题
  • Random sampling, priority sampling / 随机抽样、优先抽样
  • Cardinality estimation / 心数估计
  • Summaries for multisets / 多数据集的总结
  • Summaries for ordered data / 有序数据的总结
  • Multiplicative weights / 乘法权重
  • On-line algorithms / 在线算法

David P. Williamson 和 David B. Shmoys 还初版了『Approximation Algorithms』一书,由剑桥大学出版社出版,电子版获取地址见上方第二个网址。

书籍围绕设计近似算法的几个核心算法技术展开,包括贪婪和局部搜索算法、动态编程、线性和半无限编程以及随机化。本书第一部分的每一章都专门讨论一种算法技术,然后将其应用于几个不同的问题。第二部分重温了这些技术,但对它们进行了更复杂的处理。

数据&资源

🔥 『Awesome AI image synthesis』AI图像合成相关资源大列表

https://github.com/altryne/awesome-ai-art-image-synthesis

研究&论文

可以点击 这里 回复关键字 日报,免费获取整理好的论文合辑。

科研进展

  • 2022.07.09 『生成模型』 Improving Diffusion Model Efficiency Through Patching
  • 2022.08.09 『机器学习』 LAMDA-SSL: Semi-Supervised Learning in Python
  • 2022.08.25 『3D点云分类』 Pix4Point: Image Pretrained Transformers for 3D Point Cloud Understanding

⚡ 论文:Improving Diffusion Model Efficiency Through Patching

论文时间:9 Jul 2022

领域任务:计算机视觉,生成模型

论文地址:https://arxiv.org/abs/2207.04316

代码实现:https://github.com/ericl122333/patchdiffusion-pytorch , https://github.com/ericl122333/patchdiffusion-tf , https://github.com/crowsonkb/k-diffusion

论文作者:Troy Luhman, Eric Luhman

论文简介:Diffusion models are a powerful class of generative models that iteratively denoise samples to produce data./扩散模型是一类强大的生成模型,它通过迭代去噪样本来产生数据。

论文摘要:扩散模型是一类强大的生成模型,它通过迭代去噪样本来生成数据。虽然许多工作都关注这个采样过程的迭代次数,但很少有人关注每个迭代的成本。我们发现,添加一个简单的ViT风格的修补转换可以大大减少扩散模型的采样时间和内存使用。我们通过对扩散模型目标的分析,以及对LSUN Church、ImageNet 256和FFHQ 1024的实证实验来证明我们的方法。我们提供了Tensorflow和Pytorch中的实现。

⚡ 论文:LAMDA-SSL: Semi-Supervised Learning in Python

论文时间:9 Aug 2022

领域任务:机器学习

论文地址:https://arxiv.org/abs/2208.04610

代码实现:https://github.com/ygzwqzd/lamda-ssl

论文作者:Lin-Han Jia, Lan-Zhe Guo, Zhi Zhou, Yu-Feng Li

论文简介:The second part shows the usage of LAMDA-SSL by abundant examples in detail./第二部分通过丰富的例子详细介绍了LAMDA-SSL的使用。

论文摘要:LAMDA-SSL在GitHub上是开源的,它的详细使用文档在 https://ygzwqzd.github.io/LAMDA-SSL/ 该文档从多个方面详细介绍了LAMDA-SSL,可以分为四个部分。第一部分介绍了LAMDA-SSL的设计思想、特点和功能。第二部分通过丰富的例子详细介绍了LAMDA-SSL的使用方法。第三部分介绍了LAMDA-SSL实现的所有算法,帮助用户快速了解和选择SSL算法。第四部分展示了LAMDA-SSL的API。这些详细的文档大大降低了用户熟悉LAMDA-SSL工具包和SSL算法的成本。

⚡ 论文:Pix4Point: Image Pretrained Transformers for 3D Point Cloud Understanding

论文时间:25 Aug 2022

领域任务:3D Point Cloud Classification, Natural Language Processing, 3D点云分类

论文地址:https://arxiv.org/abs/2208.12259

代码实现:https://github.com/guochengqian/pix4point

论文作者:Guocheng Qian, Xingdi Zhang, Abdullah Hamdi, Bernard Ghanem

论文简介:In the realm of 3D point clouds, the availability of large datasets is a challenge, which exacerbates the issue of training Transformers for 3D tasks./在三维点云领域,大型数据集的可用性是一个挑战,这加剧了为三维任务训练Transformers的问题。

论文摘要:纯Transformer模型在自然语言处理和计算机视觉方面取得了令人印象深刻的成功。然而,Transformer的一个限制是它们需要大量的训练数据。在三维点云领域,大型数据集的可用性是一个挑战,这加剧了为三维任务训练Transformer的问题。在这项工作中,我们实证研究并调查了利用大量图像的知识来理解点云的效果。我们制定了一个被称为Pix4Point的管道,允许利用图像域中预训练的变形器来改善下游的点云任务。这是通过一个与模式无关的纯转化器主干,以及在三维领域专门的标记器和解码器层的帮助下实现的。使用图像解释的Transformer,我们观察到Pix4Point在三维点云分类、部件分割和语义分割等任务上的显著性能提升,这些任务分别在ScanObjectNN、ShapeNetPart和S3DIS基准上进行。我们的代码和模型见 https://github.com/guochengqian/Pix4Point

我们是 ShowMeAI,致力于传播AI优质内容,分享行业解决方案,用知识加速每一次技术成长!

◉ 点击 日报合辑,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。

◉ 点击 电子月刊,快速浏览月度合辑。

◉ 点击 这里 ,回复关键字 日报 免费获取AI电子月刊与论文 / 电子书等资料包。

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

手把手教你用示波器搞定PCIe 5.0 REFCLK时钟信号测量(附完整参数解读)

本文详细介绍了如何使用示波器进行PCIe 5.0 REFCLK时钟信号测量,包括示波器与探头的选择、关键参数的测量方法及解读,以及实战中的常见问题与解决方案。通过手把手教学和完整参数解读,帮助硬件工程师高效完成时钟信号测量,确保系统稳定性。

weixin_28704565的博客 361

012_SSS_ Improving Diffusion Model Efficiency Through Patching

Improving Diffusion Model Efficiency Through Patching 阅读笔记

D_Trump的博客 767

电机控制个人学习路线及专业书籍资源分享

个人学习电机控制的学习路线,和相关专业书的电子文档分享

weixin_45182459的博客 9922

LAMDA-SSL 开源项目使用教程

LAMDA-SSL 开源项目使用教程 1. 项目介绍 LAMDA-SSL 是一个用于半监督学习(Semi-Supervised Learning, SSL)的 Python 工具包。它集成了统计机器学习模型和深度学习模型,提供了30种半监督学习算法,涵盖了表格、图像、文本和图数据处理的45种方法,以及用于分类、回归和聚类的15种模型评估标准。LAMDA-SSL 兼容流行的机器学习工具包 sciki...

gitblog_00948的博客 514

Linux-RGMII PHY 88E1512 驱动调试记录

1. 简介 1)开发板平台:创龙 AM5728 (tl5728-easy-evm) 2)PHY芯片:Marvell 88E1512 88E1512和88E1510都是一个系列的phy,采用marvell的通用phy驱动,驱动源码路径如下:drivers/net/phy/marvell.c 2. 应用场景 1)系统框图 AM5728连接两个PHY,PHY0的工作模式是 RGMII to Copper (RGMII到电口),PHY1的工作模式是 RGMII to SGMII。 两个PHY与处理器的连接方式都是

weixin_40407893的博客 2万+

【数学建模】 进化计算与群体智能

遗传算法(GA)是一种用于优化和搜索问题的启发式算法。它模拟了自然选择的过程,其中个体通过遗传和变异进行繁殖,逐渐进化出更优的解。基本步骤初始化:生成初始种群。适应度评估:评估种群中每个个体的适应度。选择:根据适应度选择个体进行繁殖。交叉:选定个体对进行基因交换,生成新的后代。变异:对一些个体进行基因变异,以增加多样性。迭代:重复评估和繁殖过程,直至达到停止条件。粒子群优化算法(PSO)是一种基于群体智能的优化算法,由Kennedy和Eberhart于1995年提出。其灵感来源于鸟群觅食的行为。

weixin_42914989的博客 1113

【亲测免费】 LAMDA-SSL:半监督学习的综合工具包

LAMDA-SSL:半监督学习的综合工具包 项目介绍 在推动半监督学习(SSL)算法的研究和应用方面,我们开发了LAMDA-SSL,这是一个全面且易于使用的Python工具包。LAMDA-SSL集成了统计SSL算法和深度SSL算法,提供了强大的功能和简单的接口,并拥有广泛的文档支持。目前,LAMDA-SSL包含了30种半监督学习算法,涵盖了12种基于统计机器学习的算法和18种基于深度学习的算法。此...

gitblog_00650的博客 524

Huber损失函数中的阈值δ是如何确定的?

Huber损失函数通过阈值δ将误差划分为两部分:当误差小于等于δ时,采用平方损失(MSE),以保持对小误差的敏感性;当误差大于δ时,采用线性损失(MAE),以降低异常值对模型的影响。

百态·数智思维 | 聚焦大数据、量化与未来AI 1932

探索半监督学习的未来:LAMDA-SSL深度解析与应用推荐

探索半监督学习的未来:LAMDA-SSL深度解析与应用推荐 在当今数据驱动的时代,如何高效利用有限的标注数据成为了一个关键问题。为了解决这一难题,LAMDA-SSL——一款革命性的半监督学习工具包应运而生,它简化了Python中的SSL研究与应用,将统计与深度学习算法巧妙融合,开辟了机器学习的新境界。 项目介绍 LAMDA-SSL,寓意着在大数据时代对知识探索的无限渴望,是一个全面且易于使用的半监...

gitblog_00068的博客 523

PowerDesigner16.5下载和安装教程

一、软件下载 1.下载地址(不用复制,直接点击下载链接即可):链接:https://pan.baidu.com/s/1MSnWHWt3SO2Uz5dt9AANAg提取码:z9kk 二、软件安装 1.下载安装包(包含安装文件、汉化包、注册文件) 2.下载后文件内容如下 3....

cicong2374的博客 10万+

手把手教你用ADuC845 DAC调试恒流电路(附实测数据与避坑指南)

本文详细介绍了如何利用ADuC845 DAC调试恒流电路,包括硬件搭建、DAC输出校准、低端死区问题解决方案及系统级调试技巧。通过实测数据和避坑指南,帮助工程师快速解决非线性输出和稳定性问题,提升电路性能。

life6的博客 337

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 338

DeepSeek 赋能招投标全流程智能化:多模态解析、知识图谱与投标文件自动生成实战指南(附完整代码与行业案例)

摘要:本文深入探讨DeepSeek技术在招投标领域的全流程智能化应用,通过整合自然语言处理(NLP)、多模态解析、知识图谱等核心技术,实现招标文件智能解析与投标文件自动生成。文中详细解析DeepSeek-R1模型的多模态处理机制、动态知识图谱构建方法及智能模板填充算法,通过完整代码实现展示技术细节。结合广某资源交易平台、山西XX"XX云"等典型案例,验证技术方案在提升招投标效率、降低人为错误方面的显著效果。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 1464

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 614

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。

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

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 275

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")

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 207

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 340

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 349

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 84

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 159

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 511

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 614

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

405

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 401

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5156

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 564
上一篇: 极端气候?自然灾害?【实战】机器学习预测森林火灾
下一篇: AI医疗高精尖!基于AI的新药研发!
ShowMeAI
博客等级 码龄5年 6514粉丝 672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

打赏作者

ShowMeAI

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