OpenAI开发者大会与创业者出路；AI时代的出海创业秘籍；HeyGen的AI创业传奇；AI与UX设计；微软的生成式AI课；xAI发布PromptIDE | ShowMeAI日报

ShowMeAI ShowMeAI 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 400+累计阅读 453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5年
关注
原创 最新推荐文章于 2026-11-11 23:38:25 发布 453 阅读 AI 写同款· GEO 优化 ›
heygen的前世今生 人工智能的高地在美国，全球最顶尖的人才在美国，最先进的 AI 芯片也在美国。很现实的问题，一个人好不容易在美国读书，留下工作，娶妻生子拿到美国绿卡，再回国内发展面临的诸多问题如何解决？此外，方向不对，努力白费。2020年底，诗云科技在深圳成立，愿景是用AI生成内容，即通过构建一套完整的内容生产系统，来革新内容创作过程，代替摄像头，让用户以更低成本完成内容创作。 阅读详情

👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦！

🉑 OpenAI开发者大会「双语字幕版」，以及对创业者影响的讨论

时隔一天之后，OpenAI 开发者大会视频的「中英双语字幕版」已经可以观看啦~ 如果想完整补一下大会全程，可以点击上方视频观看 (视频来自 微博@斌叔NextEdu)！也可以搭配 @极客时间 这篇 总结文章

OpenAI 开发者大会的余波，今天荡漾出的涟漪是「AI初创公司哭晕在厕所」，各社交平台讨论「初创公司未来出路」的帖子也很多。日报推荐社群反馈很好的两篇，和大家一起讨论交流：

yusen 将 OpenAI 与PC时代的 Intel 和 Microsoft 进行类比，提出了三种可能的赢家策略：

  1. 类似于 Character，在一个细分市场里大幅超过 OpenAI，然后围绕独特的模型能力打造独特的产品和生态

  2. 类似于 Adobe，在系统上构造与业务结合紧密、迁移成本高的应用 (Adobe 基于 Windows 系统构建了软件全家桶，这是微软自己做不出来的)

  3. 类似于 社交&电商，基于 Windows 提供的浏览器能力构建应用，核心是用户数据和用户关系的沉淀，关键在于AI的新能力如何形成之前无法产生的连接，以及这样的连接如何能够沉淀形成网络效应

PotatO的小号嘻嘻 的观点核心就两个：

  1. 莫慌！OpenAI 当前在中间层和应用层的试探仍然不够成熟，Agent 也还不可靠，中间层公司仍然呦无可替代的重要作用

  2. OpenAI 这次并没有发布颠覆性的新产品，只是取代了一些价值有限的套壳类产品和初级 Agent 工具；如果有创业公司因此被影响，说明其产品价值的护城河本来就不牢固


👀 Microsoft Word 竟然已经40岁了！你认识几个图标？

https://insider.microsoft365.com/en-us/blog/microsoft-word-turns-40

逛微软博客查看AI相关进展，发现官方在庆祝 Word 40周岁生日！已经40年这么久了嘛！从最初1983年发布的第一个版本，到如今成为全球最广泛使用的文档处理软件，上面这张图回顾了 Word 一步步的发展历程。

👀 马斯克 xAI 发布 PromptIDE

https://x.ai/prompt-ide

PromptIDE 是一个由 xAI 开发的集成开发环境 (IDE)，专为提示工程和可解释性研究而设计。它提供了一个 Python 代码编辑器和 SDK，帮助用户实现复杂的提示技术并分析模型输出，还支持用户输入、文件处理和并发处理，主要特点包括：

  1. 透明访问 Grok-1 模型：PromptIDE 允许用户在 xAI 社区中透明地访问 Grok-1 模型，探索大型语言模型 (LLMs) 的能力

  2. 代码编辑器与 SDK：PromptIDE 的核心是一个 Python 代码编辑器，与一个 SDK 相结合，允许用户实现复杂的提示技术

  3. 并发处理：SDK 使用 Python 协程，允许同时处理多个注释的 Python 函数，从而显著提高完成时间，特别是在处理 CSV 文件时

  4. 用户输入：Prompts 可以通过 user_input() 函数实现交互式输入，该函数在 UI 中显示一个文本框，等待用户输入

  5. 文件处理：开发者可以上传小文件 (最多 5 MiB 每文件，总共最多 50 MiB)，并使用上传的文件在提示中进行处理

  6. 分析功能：在执行提示时，用户可以看到详细的逐令牌分析，以帮助他们更好地理解模型的输出


👀 就离谱！复古又前沿的视频编辑设备「1stAI Machine」

https://twitter.com/c_valenzuelab/status/1720487169997824163

11月4日。Runway CEO @Cristóbal Valenzue 在 X 平台发帖介绍「1stAI Machine」，如上图所示，一款通过按钮控制的AI视频编辑设备。

首先在「01」区选定关键帧，然后旋转「02」区的旋钮选择风格，再滑动「03」区的调节器选择音乐风格，就可以等待设备完成视频的生成和剪辑，并且效果可以达到非常不错的水平~

这当然是一个虚构项目，只是为了展示AI在视频编辑领域的潜力。不过评论区好多人在求链接…… 外型跟爷爷家盖着防尘罩的收音机真的好像啊……陷入沉默……

🉑 对话 Linkloud 创始团队，探讨AI时代的出海创业

https://www.xiaoyuzhoufm.com/episode/6548de57d46a0350114e3ab5

Linkloud 是国内最大的 Global SaaS 和 AI 创业者和从业者社区

这期播客邀请到了 Linkloud 创始团队，聊到了大量海外的精彩创业故事和成功经验，还有一系列中国团队出海关键点的干货！

Linkloud 是国内最大的 Global SaaS 和 AI 创业者和从业者社区。独立开发者AI出海必听！ (不出海听完收获也很大~

02:14 美国见闻与硅谷变化

05:46 海外投资和国内关注

07:43 应用层发展的讨论

08:31 Klaviyo 和 Bitly 的案例分析

15:29 商业模式的选择

19:20 产品效果的震撼和自发传播

27:58 创业的宽容度与成功

29:38 产品持续发展的关键

36:03 减法：出海创业的关键

38:40 产品定位和打动用户的关键点

44:45 流量的重要性

47:09 提升用户体验和品质

58:11 出海创业的AI产品趋势

60:55 设计产品和用户引导

68:19 SaaS 创业者关注的内容

72:31 Linkloud的服务和帮助

这篇播客对我启发最大的就是 Morris 做的 SaaS 增长阶段的划分：

  1. Idea Market Fit (创意市场契合)

  2. Product Market Fit (产品市场契合)

  3. Go To Market Fit (市场推广契合)

  4. Scale (规模扩张)


🉑 7个月从0到100万美元收入，HeyGen的AI创业传奇

https://www.heygen.com/article/0-1m-arr-in-7-months

HeyGen 是一家拥有数百万用户的AI公司，是短视频内容AI口型匹配和翻译领域最大的参与者之一。最近泰勒·斯威夫特说中文、郭德纲讲英语这类AI视频，基本都是用 HeyGen 制作的。

HeyGen 官网在今年4月发布了一篇博文「0 - 1M ARR in 7 months」，宣布7个月内实现了 100 万美元的 ARR (年度经常性收)。文章作者徐卓 Joshua Xu，是HeygGen CEO &联合创始人。以下是文章要点，感兴趣可以访问上方链接阅读原文：

从产品市场契合度 (PMF) 到AI市场契合度 (AI-Market-Fit) 的转变

  • 作者强调了在AI领域，区分演示价值和用户价值的重要性

  • 他们通过在 Fiverr 平台上验证市场需求，找到了一个与用户需求相契合的市场

Product Journey

  • 7月29日推出产品：作者分享了他们产品发布时的兴奋心情，以及在Product Hunt平台上获得的成功

  • 发明 TalkingPhoto 功能：为满足用户需求，作者团队创新性地开发了TalkingPhoto功能，使照片能够说话，这一功能在产品增长策略中发挥了关键作用

  • 通过免费试用和水印策略提高流量，导致3次系统崩溃：作者分享了他们如何通过免费试用和水印策略吸引用户，从而提高了流量，但这也导致了系统多次崩溃

  • 通过生成AI地图等渠道放大病毒式传播：作者提到了他们如何利用生成AI地图等渠道来扩大产品的传播

  • 改进客户体验：作者分享了他们如何通过优化客户体验，提高用户激活率和留存率

How We Build the Product?

  • 每周发布：作者团队坚持每周发布新功能，以加快产品迭代速度

  • 只在出现问题时修复：作者团队在早期阶段只修复已出现问题的部分，避免过早优化

  • 适应分布式团队工作：作者分享了他们如何通过异步沟通、跨时区会议和灵活的团队来提高远程团队的工作效率

  • 尽早建立数据仪表板：作者强调了尽早建立数据仪表板的重要性，以便更好地优化产品

  • A/B测试可能不是最佳策略：作者认为在创业早期阶段，A/B测试可能不是最佳策略，而应该根据用户反馈进行调整

  • 使用的工具：作者列举了他们在项目中使用的一些工具，如Datadog、Azure Synapse、Shotstack等

Customers

  • 尽可能多地与客户沟通：作者分享了他们如何通过与客户进行大量沟通来了解用户需求

  • 与团队建立透明度：作者分享了他们如何通过建立透明度来确保团队了解客户需求

  • 避免定制化：作者强调了避免定制化的重要性，以免为个别客户定制功能而忽略整体市场需求

  • 在不扩展的情况下开展客户服务：作者分享了他们如何在不扩展的情况下，通过简单的工具和服务来满足客户需求

How We Learn

  • 通过多种途径学习，如播客、Substack等：作者分享了他们如何通过多种途径学习，以提高自己的知识和技能

  • 向顾问请教，学习他们的方法和思路：作者强调了向顾问请教的重要性，以便更好地了解他们的方法和思路

Beyond $1M ARR

  • 达到1M ARR后的发展规划，包括盈利和产品升级：作者分享了他们在达到1M ARR后的发展规划，包括实现盈利和产品升级

  • 改进市场推广策略：作者提到了他们计划改进市场推广策略，以实现更高的增长

  • 期待达到10M ARR的里程碑：作者表达了他们期待在未来达到10M ARR的里程碑

👀 AI与UX设计：提高生产力与创造力的秘诀

https://www.nngroup.com/articles/ai-ux-getting-started

UX (User Experience / 用户体验) 是指用户在使用产品、服务或系统过程中的感受、情感和认

NNGroup (Nielsen Norman Group) 是一家全球领先的用户体验 (UX) 研究和咨询公司，由 Jakob Nielsen 和 Don Norman 于1998年创立

这是 NNGroup 最新发布的「AI+设计」系列文章的入门篇，为既羡慕 AI 又担心其代替自己工作的设计师们，普及了在 UX 设计中使用 AI 的基本思路。设计从业者或者有意参与AI创业的伙伴们，可以看看设计行业顶尖专家的见解：

  1. 为什么在UX工作中使用AI：可以更高效地完成任务，提高工作质量，并利用AI工具来增强自己的技能

  2. AI对经验丰富的UX专业人士是安全的：所有UX专业人士都应将AI加入工作流，但人类也需参与识别幻觉和处理偏见

  3. AI工具推荐：ChatGPT是一个强大的文本生成AI工具，而Midjourney则擅长生成高质量的图像

  4. 使用AI进行UX设计的具体建议：包括提供足够的上下文、要求多个选项、迭代输出和建立提示库

  5. 列举AI可以提供帮助的UX任务：AI可以用于生成设计想法、创建插图、编写用户访谈问题等

  6. AI不能替代设计师、研究人员或用户：AI生成的设计建议可能是错误的，而AI不能替代真实的用户研究

  7. UX专业人士不需要深入了解AI的工作原理：但了解AI的基本概念和底层技术是有益的，有助于更好地沟通与技术同事，并找到克服AI局限性的方法

  8. 保持信息获取和知识体系更新：推荐订阅一些关于AI的时事通讯，以便了解AI的最新发展

  9. 立即开始，从小处着手：建议从现在开始使用AI，从小型任务开始并逐渐应用于更复杂的UX任务


🉑 微软发布「面向初学者的生成式AI课」，12节课带你构建AI应用

https://github.com/microsoft/generative-ai-for-beginners

微软推出了一门专为初学者打造的课程「Generative AI for Beginners」，该课程总共 12 课时，每节课包含一个简短的主题视频介绍。课中讲解的项目还会有 Juypter Notebook 代码示例，并且用户还能链接到额外的资源，进行更深入的学习。

  1. 生成式AI和LLMs简介：了解生成式AI是什么以及大型语言模型 (LLMs) 的工作原理

  2. 探索和比较不同的LLMs：测试、迭代和比较不同的大语言模型

  3. 负责任地使用生成式AI：理解基础模型的限制和AI背后的风险

  4. 理解提示工程基础：讲解提示工程最佳实践的应用，理解提示结构和用法

  5. 创建高级提示：扩展对提示工程的认知，使用不同技术来改进提示的结果

  6. 构建文本生成应用：使用 Azure OpenAI 构建文本生成应用，了解如何有效地使用令牌和温度来改变模型的输出

  7. 构建聊天应用：高效构建和集成聊天应用的技术，确定有效监控和维护AI驱动聊天应用质量的关键指标和考虑因素

  8. 构建搜索应用向量数据库：语义 VS 关键字搜索，创建一个使用 Embeddings 搜索数据的应用程序

  9. 构建图像生成应用：讲解图像生成原理，以及如何构建图像生成应用

  10. 构建低代码AI应用：使用低代码为教育初创公司构建学生作业跟踪应用程序

  11. 集成外部应用程序与函数调用：功能调用及其在应用中的应用案例

  12. 设计AI应用的用户体验：开发者在开发生成式 AI 应用程序时，帮助其使用 UX 设计原则

感谢贡献一手资讯、资料与使用体验的 ShowMeAI 社区同学们！

◉ 点击 👀日报&周刊合集，订阅话题 #ShowMeAI日报，一览AI领域发展前沿，抓住最新发展机会！

◉ 点击 🎡生产力工具与行业应用大全，一起在信息浪潮里扑腾起来吧！

收录于
ShowMeAI日报 ⛽ 用知识加速每一次技术进步

当前文章被收录于：

ShowMeAI日报 ⛽ 用知识加速每一次技术进步
373 篇文章 115 人学习

ShowMeAI带你一览领域发展前沿，抓住最新发展机会！📬 订阅专栏，第一时间接收推送。 🎡 关注 ShowMeAI，获取结构化成长路径和全套资料库，用知识加速每一次技术进步~

订阅专栏 查看详情
标签
#人工智能 #ux #microsoft #AIGC #大语言模型
#音视频 #LLM
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。
大语言模型应用指南：明确要求大语言模型回复高质量的响应 大语言模型应用指南：明确要求大语言模型回复高质量的响应 关键词：大语言模型,高质量回答,模型优化,模型微调,应用场景,效果提升 1. 背景介绍 1.1 问题由来 阅读详情

相关推荐

【AIGC专栏】Heygen 数字人方案

Heygen是目前最可靠的数字人制作平台，支持多种登录方式（谷歌、Facebook、邮箱）。平台提供丰富的数字人创作功能，包括视频、文案、声音等，但其他功能有待完善。用户可选择现有数字人或图片生成数字人，并进行编辑和面部替换。视频制作需提交文本或音频，生成需消耗点数。整体操作便捷，生成效果逼真。

技术与管理的平衡木- 350

用HeyGen三分钟生成视频

HeyGen是一个AIGC产品，它是通过AI 数字人来帮助用户创建宣传视频用的。背景和解说人像，HeyGen都是系统自带的，并且无论是免费版还是付费版都没有版权问题，并且操作和使用起来极其简单。HeyGen支持40多种语言和不同的口音，可以让你的虚拟人与你的文本完美地同步。还可以组合多个场景，添加背景音乐，下载高清视频，或者与你的同事或客户分享视频。适合用于制作企业培训、营销、电子学习等领域的AI虚拟数字人视频。

qq_36784778的博客 3066

直线型一阶倒立摆1---从理论到实践的桥梁

本文深入探讨了直线型一阶倒立摆在控制理论中的核心地位，从非线性控制、鲁棒性到实时反馈等关键问题。通过实际案例和硬件搭建指南，帮助读者理解从理论到实践的过渡，特别适合控制工程初学者和研究人员。文章还提供了算法选型建议和硬件避坑手册，是掌握倒立摆控制的实用指南。

weixin_29047545的博客 320

HeyGen - “数字人”生成步骤

AIGC 数字人 Heygen

gerbcd的博客 4175

Zemax实战：20×超高清变焦镜头设计全流程解析（从架构到制造）

本文详细解析了使用Zemax软件设计一款20倍变焦比、恒定F2.8光圈8K超高清镜头的全流程。从应对恒定光圈、宽光谱与8K解析力三大挑战的初始架构规划，到构建多重组态模型、分七阶段进行像差优化与公差分析，最终跨越制造鸿沟，为广播级影视与高精度工业检测应用提供了实战指南。

sun99的博客 552

开关电源|控制方式PWM、PFM、混合调制

频率调制器根据误差放大器的输出大小来改变方波信号的频率，若负载电流突然增加，输出电压 Vout随之下降，反馈电压 VFB 减小，此时误 差放大器的输出增高，频率调制器输出方波信号的频率增大，增加电感充电次数；若负载电流突然增加，输出电压Vom随之下降，反馈电压Vr减小，此时误差放大器的输出增高，PWM比较器输出方波信号的占空比增大，增加电感充电时间：若负载电流突然下降，PWM比较器输出方波信号的占空比减小，减少电感充电时间，从而稳定输出电压。它是在固定开关频率下，通过改变脉冲宽度来调节占空比的。

weixin_46969363的博客 1万+

heygen 2usd一分钟的视频，到底该怎么赚回成本？

去把国内的短剧往国外搬，然后转whatsapp之类的，付款发网盘全套就可以了。如果跑通的话，就可以自己再搭个站点之类的，或者直接导付费youtube频道，其实都可以的。​最近一直在琢磨heygen 2usd一分钟的视频，到底该怎么赚回成本，现在有了以下几个使用Heygen赚钱的思路，供执行力强的朋友参考。细分赛道也挺多的，国内爆火的那种口播，现在都能搬国外了。比如把国外的英文教程搬运国内，但这种大部分都是免费内容，搞来流量，靠流量后端服务再转化。所以这个问题又变成了，你攒的粉丝，最终只能给到教育流量。

shmily77love的博客 367

freeswitch之呼叫中心acd模块开发

一、定义： ACD(Automatic Call Distributor) 自动呼叫分配,也叫智能选择座席。它是呼叫中心整个前台接入系统逻辑功能的描述：把接入的呼叫转接到正确的座席员桌前。ACD是现代呼叫中心有别于一般的热线电话系统和自动应答系统的重要标志，其性能的优劣直接影响到呼叫中心的效率和顾客的满意度。 二、ACD包含的功能点： 1 、程控交换功能 ACD在本质上也是交换机的一种类型，必须具有程控交换最基本的话务交换功能。 2 、排队功能 ACD必须具有话务排队的功能，所谓排队是指在内线都

飞鸟的博客 1870

探索HeyGen的开源语音视频克隆解决方案

探索HeyGen的开源语音视频克隆解决方案 去发现同类优质开源项目:https://gitcode.com/ HeyGen's open source solution是一个创新的工具，它结合了coqui TTS和video-retalking的技术，实现了自定义文本到语音的转换，并将其同步到您指定的人物视频中，创造出一个逼真的讲话视频。这个开源项目为内容创作者、教育者甚至是社交媒体用户提供了无尽...

gitblog_00093的博客 967

GDB交叉编译与问题解决：从零到精通的深度指南

完成后，GDB会安装到/usr/local/gdb-aarch64/bin，可以用aarch64-linux-gnu-gdb --version检查。：得有支持目标架构的交叉编译工具链，比如gcc-arm-none-eabi（用于ARM裸机）或aarch64-linux-gnu-gcc（用于ARM Linux）。：在配置工具链时，运行aarch64-linux-gnu-gcc --version检查版本，确保工具链没问题。这种场景下用GDB调试，就像在荒野求生，但别慌，GDB依然是你的好伙伴。

大模型大数据攻城狮的专栏 1万+

【YOLO部署Android安卓手机APP】YOLOv8部署到安卓实时目标检测识别——官方/自训练模型YOLOv8人脸/车辆等目标检测（可自定义更换其他目标）

本文首先讲解如何直接使用官方训练好的模型部署到手机APP进行人脸检测，然后讲解如何修改其他目标进行检测，以车辆检测为例进行讲解如何训练自己的模型部署到手机APP。本文为详细设计/配置文档，包含完整所需的环境配置搭建，项目工程配置步骤等，手把手记录使用pycharm和Android studio的工程开发过程，实现YOLO部署到安卓。实战开发，亲测无误。本项目实现了人脸检测和车辆检测，当然，以此你可以按照本项目开发步骤扩展更换为其他目标进行检测，例如更换为车牌、手势、人脸面部活动、人脸表情、火焰烟雾、行人等

嵌入式阿齐Archie 1万+

无限建邮箱白嫖 heygen 教程

如果可以无限创建邮箱并能实时收件的邮箱，是不是很方便？很多网站可以直接用邮箱登录，相当于可以无限注册账号了，对于最近很火的数字人网站- heygen ，新用户有免费的 1 积分可用制作 1 分钟的数字人视频，注册只需要邮箱即可，那是不是有一个能无限收邮件的邮箱就能无限注册 heygen 呢？还真有，接下来我们看看具体教程。学会直接可以无限制作数字人了。👍。

一个成长中的程序员，期待用技术的眼光生活 4258

【新能源汽车DCDC变换器测试优化全攻略：解决电能质量/发热/过充等核心痛点】

高压直流转12V低压的DCDC变换器是新能源汽车电源系统的核心枢纽，承担着为整车低压附件、控制器及12V蓄电池供电/补电的关键作用。在新能源汽车乘用车、商用车等不同车型实际运营中，因PDU内DC/AC等模块干扰、DCDC自身设计缺陷、整车匹配性不佳及测试验证不充分，频发12V输出电能质量差导致后端元器件烧毁、变换器发热严重、蓄电池过充/欠充、智能补电功能失效等问题，还伴随低压侧电压瞬跌/浪涌、电磁干扰超标、振动后接触不良、高温下效率骤降等行业高频故障，直接影响整车可靠性和运营安全性。本文基于国标。

优快云-新能源汽车研发测试专业博主 1269

HeyGen: 半身数字人 Avatar 3.0

发布 Avatar 3.0 主要改进了脚本理解能力、面部表情和语音语调，还新增了唱歌能力。

weixin_51674085的博客 357

材料仿真软件：Materials Studio_（14）.电学性质计算

设置计算参数，包括 k 点网格、交换相关泛函等。

kkchenjj的博客 1868

Statistics and Machine Learning Toolbox

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

国内注册使用HeygenAI教程

然而，并非所有用户都通过这种方式获得了成功，这表明平台的访问限制措施具有一定的复杂性，解决方案的有效性可能因人而异。近期，Heygen平台对其商业模式进行了调整，特别是在会员服务方面进行了优化，以提高用户的参与度和体验。平台通过调整积分获取机制，鼓励用户更加积极地参与到平台的互动中来，每次互动可以获得1积分，这是对用户活跃度的一种认可。同时，为了保障平台的安全性和用户体验，Heygen平台加强了对验证码的保护措施，确保用户信息的安全。平台对于账户的管理也更加严格，旨在维护一个健康、有序的网络环境。

dinnnng的博客 5739

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

如何自定义Multi-Selection：扩展Android多选组件功能的完整指南

Multi-Selection是一个功能强大的Android多选组件库，专为需要优雅选择界面的移动应用设计。这个开源解决方案提供了流畅的动画效果和高度可定制的多选功能，让开发者能够轻松创建交互丰富的选择界面。无论你是开发音乐播放器、图片选择器还是任何需要批量操作的应用，Multi-Selection都能提供出色的用户体验。🎯 ## 为什么选择Multi-Selection组件？ Multi-

gitblog_00615的博客 347

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")

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

价值1000元的数字人制作教程来了

随着我们步入数字化时代，HeyGen 提供的数字人技术不仅打开了新的沟通方式，还为个人和企业创造了无限的可能性。从创建个人品牌到提供虚拟服务，你的数字化形象可以成为你不可或缺的代言人。所以，不要犹豫，开始探索HeyGen，让你的数字人开启一段新的旅程，让你的声音和形象在数字世界中留下独特的印记。如果你对 AI 也感兴趣，欢迎关注我一同交流 AI。

一个成长中的程序员，期待用技术的眼光生活 2363

数字人产品测评：D-ID/HeyGen

最近玩了下数字人生成工具：D-ID，HeyGen和SadTalker（其中SadTalker是SD开源，就不作特别介绍了）。网上关于这些数字人工具的教程很多，大家自行搜索学习哈～本文主要来闲聊一下用户产品体验设计，也是AGI产品体验设计杂谈001期-数字人生成。D-ID访问链接：https://www.d-id.com/（图片素材来自D-ID官网）D-ID的产品功能之一，chat.D-ID，fac...

shadowcz007的博客 1万+

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 296

AI Agent之核心框架

A： 显式 Thought 有三类价值：可解释性（便于人类审计）、可调试性（定位哪一步选错工具）、学习信号（可做监督微调或评估中间步骤质量）。ReAct 把推理与 可执行行动 绑定，每一步行动后都有 真实 Observation 反馈，从而用工具结果约束生成，降低闭卷幻觉。做完不等于结束——还要 评估做得好不好，把 教训 记下来，下次 带着教训重试，反思作为 记忆，影响后续尝试的策略。工作流程：Action → Evaluation → Reflection → Retry。A： 普通 CoT 只在。

剑雨巍巍的博客 234

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 138

【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 532

AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 586

终端 AI 审计与 “龙虾” 类智能体风险治理：从可见性到闭环溯源

生成式 AI 办公普及之后，数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型，以及龙虾（OpenClaw）这类本地开源 AI 智能体的滥用，成为企业安全新挑战。传统网络边界防护存在审计盲区，本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度，分享终端侧 AI 安全治理的实践思路。

2401_86491085的博客 664

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 129
上一篇： 少林寺方丈:禅宗与AI；高手教你DALL-E 3保持人物连续性；何时加入创业公司能拿最高回报；吴恩达新课正式发布 | ShowMeAI日报
下一篇： 完蛋！我被LLM包围了！上个时代的开发者被干掉了；ChatGPT高质量科普视频；垂直领域大模型的思考；百度智能云黑客松 | ShowMeAI日报
点赞 0
评论 0
书签 书签 0
ShowMeAI
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
+ 关注 专栏目录 订阅专栏
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

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