AI Agent从无到有58: 项目可观测性——用 LangSmith 实现全链路追踪

LangSmith+LangGraph私有化部署:从合规避坑到性能调优的全链路实践 本文详细介绍了LangSmith和LangGraph的私有化部署全链路实践,涵盖从合规避坑到性能调优的关键步骤。通过实战案例和优化技巧,帮助企业在大语言模型应用中实现数据安全与高效开发,特别适合需要本地化部署和离线调试的企业场景。 阅读详情

纲要

  • 可观测性:AI 应用走向生产环境的必要条件
  • LangSmith 核心能力
    • 全链路追踪:自动记录 LLM 调用、工具执行与链式调用
    • 性能指标:延迟百分位(P50/P99)、Token 消耗
    • 错误监控与调试
  • 零侵入集成:通过环境变量配置实现自动化追踪
  • 关键指标解析
    • 首 Token 时间与端到端延迟
    • 成本统计与 Token 用量
    • 错误率与执行详情
  • 私有化部署方案简介
  • 完整可运行示例
    • 项目结构
    • 依赖安装与 .env 配置
    • main.py:启用追踪的 Agent 实现
    • 运行与观测面板
  • 总结

可观测性:从“感觉”到“数据”的工程转型

AI 应用上线仅是起点,持续优化才是常态。传统分布式系统可通过埋点收集性能数据,而基于大语言模型的智能体引入了新的复杂性:模型调用延迟、Token 消耗、工具链各环节耗时等,单纯依赖本地测试难以还原真实生产环境的多样性。

LangSmith 是 LangChain 团队推出的全栈可观测性平台,专为 LLM 应用设计,核心能力覆盖以下维度:

功能描述
追踪自动记录每次 LLM 调用、工具执行、链的完整调用链路
评估支持创建测试数据集,量化回答质量
提示词管理版本化提示词模板,支持在线调试与回滚

在实际开发中,追踪功能最为常用:无需修改核心业务代码,仅通过配置环境变量即可将生产环境的每一次交互完整记录,便于后续分析与优化。

零侵入集成:基于环境变量的配置方式

LangChain 已将 LangSmith 的追踪 SDK 内置在核心包中,开发者无需额外安装或显式调用追踪装饰器。只需通过环境变量告知 SDK 数据上报目标。

在项目根目录的 .env 文件中添加以下配置:

LANGCHAIN_TRACING_V2=true
LANGCHAIN_ENDPOINT=https://api.smith.langchain.com
LANGCHAIN_API_KEY=ls__xxxx           # 从 LangSmith 控制台生成
LANGCHAIN_PROJECT=observability-demo # 自定义项目名称

在代码入口处加载环境变量:

from dotenv import load_dotenv
load_dotenv()

配置生效后,所有基于 LangChain 组件(Chain、Agent、Tool、LLM 调用)的代码均会被自动追踪,无需手动添加装饰器或注册回调。

核心指标解读

在 LangSmith 的项目面板中,以下指标对日常性能优化与成本控制具有直接指导意义:

  • P50 延迟:第 50 百分位的请求耗时,反映典型用户体验。
  • P99 延迟:第 99 百分位的耗时,用于定位长尾请求的性能瓶颈。
  • Token 消耗:每次调用的输入/输出 Token 数量及累计成本,是成本优化的核心依据。
  • 首 Token 时间:流式输出场景下,用户收到首个字符的耗时,直接影响交互体感。
  • 错误率:统计周期内的运行失败比例。

点击任意一次运行记录,可查看完整的调用树:从用户输入、Agent 决策、工具调用到最终回答,每一步的耗时、输入输出及模型名称均清晰可见。下图展示了一条典型的 Agent 追踪链路:

工具 LLM (gpt-4o) AgentExecutor 用户 工具 LLM (gpt-4o) AgentExecutor 用户 总耗时 2.95s,消耗 1200 Token 输入请求 推理(含 Prompt 与历史) 决策:调用 create_todo 执行 create_todo 返回结果 再次推理(含工具结果) 生成最终回答 输出回复

私有化部署方案

对于数据主权与安全合规要求较高的场景,LangSmith 提供了完整的自托管方案。官方仓库中包含 Docker Compose 编排文件,集成了前端、后端、ClickHouse、PostgreSQL、Redis 等组件。部署步骤如下:

git clone https://github.com/langchain-ai/langsmith
cd langsmith
docker compose up -d

部署完成后,将环境变量 LANGCHAIN_ENDPOINT 修改为自建服务的地址即可。需注意,私有化部署需要根据实际硬件资源配置适当的存储与计算容量。

完整可运行示例

本节构建一个最小化的可运行示例,演示如何启用 LangSmith 追踪并观察执行结果。

项目结构

observability_demo/
├── main.py
├── .env
└── requirements.txt

依赖安装

pip install langchain langchain-openai python-dotenv

适用版本:langchain>=0.1.0,langchain-openai>=0.0.5

环境变量配置 .env

OPENAI_API_KEY=sk-xxxx
LANGCHAIN_TRACING_V2=true
LANGCHAIN_ENDPOINT=https://api.smith.langchain.com
LANGCHAIN_API_KEY=ls__xxxx
LANGCHAIN_PROJECT=observability-demo

其中 LANGCHAIN_API_KEY 需在 smith.langchain.com 注册并生成。

主程序 main.py

# main.py
import os
from dotenv import load_dotenv
load_dotenv()

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain.tools import tool
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder

# 定义一个简单的工具函数,模拟外部 API 调用
@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息"""
    # 实际场景中可替换为真实的 API 请求
    return f"{city} 今天晴朗,气温 25°C"

tools = [get_weather]

def main():
    # 初始化 LLM,建议使用 gpt-4o-mini 以降低实验成本
    llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一个智能助手,可以使用提供的工具回答用户问题。"),
        MessagesPlaceholder("chat_history"),
        ("human", "{input}"),
        MessagesPlaceholder("agent_scratchpad"),
    ])

    agent = create_tool_calling_agent(llm, tools, prompt)
    executor = AgentExecutor(agent=agent, tools=tools, verbose=False)

    # 执行两次对话,生成追踪数据
    print("第一次询问:")
    res = executor.invoke({"input": "北京今天天气怎么样?"})
    print("助手回答:", res["output"])

    print("\n第二次询问:")
    res = executor.invoke({"input": "我想记录一个待办事项:买水果"})
    print("助手回答:", res["output"])

if __name__ == "__main__":
    main()

运行与观测

执行 python main.py 后,登录 LangSmith 控制台,在 observability-demo 项目中即可查看两次完整执行记录,涵盖工具调用详情、Token 消耗和端到端延迟。

API 速览

API / 组件所属库说明
ChatOpenAIlangchain_openaiOpenAI 模型封装,支持 model、temperature 等参数
create_tool_calling_agentlangchain.agents构建支持工具调用的 Agent,要求 langchain>=0.1.0
AgentExecutorlangchain.agentsAgent 执行器,管理推理与工具调用循环
@toollangchain.tools装饰器,将普通函数转换为 LangChain 工具
load_dotenvpython-dotenv加载 .env 文件中的环境变量

参考文档

总结

可观测性是 AI 应用走向生产环境的必备基础设施。LangSmith 以极低的接入成本提供了全链路追踪、性能指标与成本统计能力,使开发者能够基于数据驱动的方式优化智能体的响应速度与资源消耗。

本文详细介绍了 LangSmith 的配置方法、核心指标解读、私有化部署思路及完整的示例代码,所有示例均基于 LangChain 标准组件,可快速移植到现有项目中。

大模型链路调试平台之LangSmith实战指南 在人工智能应用开发中,大语言模型的非确定性输出特征使得传统调试方法面临前所未有的挑战。当智能体应用变得日益复杂时,开发者往往难以快速定位问题根源,更无法有效评估模型在生产环境中的真实表现。 本文深入解析LangSmith这一专业的大模型应用调试监控平台,为开发者提供系统化的解决方案。文章首先剖析了大模型应用开发中的三大核心挑战:调试复杂性、测试验证困难以及生产环境监控缺失。随后详细介绍了LangSmith的技术架构和功能体系,包括执行链路追踪、提示词效果分析、模型版本对比等核心模块。 阅读详情

相关推荐

别再担心数据合规了!手把手教你用Docker Compose在Ubuntu 22.04上部署私有化LangSmith监控平台

本文详细介绍了如何在Ubuntu 22.04上使用Docker Compose部署私有化LangSmith监控平台,确保金融级数据合规。方案涵盖传输加密、字段脱敏和审计追踪三大合规支柱,符合《数据安全法》和《个人信息保护法》要求,适用于金融科技和医疗健康等强监管领域。

weixin_27027459的博客 127

LangSmith+LangGraph本地化部署与离线调试全流程,大模型入门到精通,收藏这篇就足够了!

这两个真实事件凸显了本地化部署的迫切性——数据主权与开发连续性已成为企业LLM工程化的核心诉求。

2301_81940605的博客 1399

AI Agent Runtime层价格战:从自建Harness到托管服务的工程经济性抉择

AI Agent Runtime层正经历类似云计算早期的基础设施标准化进程——它不再是个体技术组件,而是承载Agent生命周期管理、状态持久化与安全执行的‘AI操作系统内核’。其核心原理在于解耦计算上下文与状态存储,通过结构化事件日志(durable event log)实现可审计、可恢复的会话管理,并依托凭证隔离(credential vault)满足SOC2、HIPAA等合规刚性需求。这一层的技术价值已从性能优化转向工程经济性与法律确定性:降低运维熵增、压缩迁移成本、固化API契约。典型应用场景覆盖销售

weixin_30527323的博客 440

从AI Agent到智能保镖:基于LangChain的自动化运维与安全响应实战

在当今的软件工程与运维领域,自动化与智能化是提升效率、保障系统稳定性的核心驱动力。其基本原理在于通过程序或智能体替代人工,执行重复、复杂或需要快速响应的任务,从而减少人为错误、加速问题定位与解决。这一技术价值在运维监控、安全响应、故障诊断等场景中尤为凸显,能够实现7x24小时无人值守的智能分析与初步处置。本文聚焦于如何利用大语言模型驱动的AI Agent,结合工具调用与工作流编排,构建一个类似“智能保镖”的自动化系统。通过引入规划、工具使用和记忆等核心概念,并基于ReAct框架,我们将探讨如何设计一个能够理

weixin_34320724的博客 362

AI编排实战:MuleSoft+LangChain企业级分层架构设计

AI编排(AI Orchestration)是连接大模型与企业核心系统的关键工程能力,其本质是在复杂IT环境中实现数据调度、安全治理与推理链路的协同控制。它既不是单纯的API编排,也不是LLM提示工程,而是融合集成平台能力与AI逻辑抽象的分层实践。技术原理上,需解决协议适配、字段级脱敏、动态权限控制与低延迟聚合等企业刚性约束;其核心价值在于保障AI服务在GDPR、PCI DSS等合规框架下的稳定交付;典型应用场景包括销售风险预测、智能客服知识路由、跨系统理赔分析等高敏感度业务。本文聚焦MuleSoft与La

weixin_30819085的博客 330

21 大模型学习——LangSmith

LangSmith 是 LangChain 提供的 AI 应用开发监测平台,我们可以用它来观察调用链的运行情况。它提供了一系列功能,包括模型调优、数据集管理和结果分析,使用户能够快速迭代并改进其语言模型的性能。LangSmith 还支持与多种流行的深度学习框架集成,简化了模型开发的工作流程,适用于各种 NLP 任务,如文本生成、情感分析和问答系统等。使用 LangSmith,我们可以用它来观察调用链的运行情况,包括模型调优、提示词管理和结果分析。

weixin_54388827的博客 1387

使用LangSmith LLM运行数据微调模型的完整指南

在大数据和AI驱动的时代,能够有效微调模型以提升其在特定任务上的表现至关重要。本文旨在指导您如何使用LangSmith的LLM运行数据进行模型微调,帮助您提升模型在实际应用中的表现。

瓦罗兰特顶级C位的博客 813

17.6 LangSmith 私有化部署实战指南:企业级AI应用的安全基石

LangSmith 私有化部署, 企业级AI开发平台, 数据隐私合规, 混合云架构, 模型监控与审计。

yonggeit的博客 3780

【浪】LangSmith是否可替代?Langfuse VS Langsmith

可观测性范围图随着生成式 AI 概念的火爆,以 ChatGPT 为代表,市场上涌现了一系列商用或者开源的大模型,同时基于大语言模型以及 AI 生态技术栈构建的应用以及业务场景也越来越多,大规模的模型训练以及模型推理场景也催生了 MLOps、LLMOps 等相关的岗位需求。如何监控并保障大模型应用上线的性能以及用户体验?如何支持复杂拓扑场景下 LLM 应用领域的链路可视化分析以及根因定位?需要从成本以及效果等方面获得线上实际效果表现,辅助分析、评估以及优化迭代大语言模型等。

longxiaotian718的博客 7295

LangSmith帮助测试大模型系统

想要使用LangSmith首先进入他的设置页面,https://smith.langchain.com/settings注册一个账号,然后进入API Keys页面创建一个API Keys,我们为例后续演示,这里创建一个test_api_key名字的API Key,如下图所示。LangSmith完成了跟踪LangChain构建应用的所有的中间过程,这也为验收或者测试LangChain构建的基于大模型的应用提供了有力的手段。在项目下的列表中,我们多次执行LangChain构建的大模型的应用也可以做横向对比。

Criss@陈磊 1261

LangSmith本地化部署指南[源码]

本文详细介绍了LangSmith和LangGraph的本地化部署全流程,针对企业级大模型开发需求提供了从环境准备到离线调试的完整解决方案。内容涵盖三种部署模式的技术选型对比、四阶段实施指南(环境准备、LangSmith部署、LangGraph集成、离线调试)、进阶优化技巧(数据安全强化、企业级扩展方案)以及常见问题排查。特别强调了金融、医疗等敏感行业本地化部署的必要性,通过真实案例说明云端服务的合规风险。文章还提供了硬件要求、软件配置、Docker部署命令等实操细节,帮助企业构建自主可控的LLM开发基础设施,平衡开发效率与数据安全。

【橘子大模型】使用langsmith来监控你的大模型

我们在上一篇文章中提到了我们可以使用langsmith来监控我们自己的模型。那么我们本文就来操作一把。

liuwenqiang1314的博客 633

STM32 USART高级功能全解析:IrDA、DMA、硬件流控与低功耗唤醒

USART是嵌入式系统中最基础的串行通信外设,其核心原理在于同步/异步时序控制与数据帧收发机制。现代MCU如STM32通过深度集成IrDA调制解调、DMA直传通道、RS232/RS485硬件流控及Stop模式唤醒等扩展能力,显著提升通信可靠性、吞吐效率与能效比。其中,IrDA SIR采用RZI编码实现抗干扰红外传输,DMA通过TXE/RXNE事件驱动实现零CPU干预的连续数据流,而硬件流控(RTS/CTS/DE)和低功耗唤醒(WUF+UESM)则分别保障工业现场鲁棒性与电池级超长待机。本文围绕STM32平台

weixin_28922227的博客 211

LangSmith核心原理和评估机制(2)

。 在我们之前的教程中,我们介绍了如何对LLM进行评估,并探讨了构建数据集、实施评估器、应用评估和明确我们所关心任务的重要性。 这次,我们将从基础开始,一步步构建这个理解。

瓦罗兰特顶级C位的博客 908

Embarcadero Dev-C++ 6.3安装教程【保姆级】

Embarcadero Dev-C++ 6.3安装教程,保姆级教程~

Thebest_jack的博客 1万+

SAP SD跨公司销售IDOC自动记账配置实战指南

本文详细介绍了SAP SD模块中跨公司销售IDOC自动记账的配置实战指南。通过IDOC技术实现集团企业间交易的自动化处理,显著提升财务效率和准确性。文章涵盖前置配置、RFC连接、合作伙伴参数设置及财务科目分配等关键步骤,并提供了常见错误排查和性能优化建议,帮助用户快速掌握这一高效业务流程。

weixin_29284885的博客 773

【LLM大模型】LangChain框架:Hub和LangSmith入门

最开始的`LangChainHub`,类似于github一样,可以理解为`LangChain` 工具包 或者说 组件中心,里面提供了高质量的组件方便开发者使用。确确实实是一个分享和探索Prompt、链 和Agent的地方。

瓦罗兰特顶级C位的博客 3844

CANOCO5.0实现冗余分析(RDA)最详细步骤

在地理及生态领域会常使用RDA分析,RDA的实现路径也有很多,今天介绍一下CANOCO软件的实现方法。1.不同样点和环境因子之间夹角是锐角 是正相关,是钝角是负相关。2.夹角越大 说明相关性较小,夹角越小,相关性越大。得有不同的物种或者样点数值,再加上环境因子数据。3.箭头越长 相关性越大。时间调整到2010年。

Along6的博客 1万+

LangFuse与LangSmith区别

就像Android有官方Play Store,也有第三方应用市场一样,两者满足不同用户的需求。

Dontla的博客 855

【科研绘图系列】R语言绘制代谢物与临床表型相关性的森林图

本研究通过森林图展示了特定代谢物与三种临床比较之间的相关性分析结果。这种方法不仅直观地展示了每个代谢物的效应大小和不确定性,还允许我们比较不同代谢物在不同临床比较中的影响。森林图的结果表明,某些代谢物在特定临床比较中显示出显著的相关性,这可能为理解疾病的代谢机制提供了重要线索。

专注生信领域 566

python爬虫案例——腾讯网新闻标题(异步加载网站数据抓取,post请求)(6)

本篇案例主要讲解异步加载网站如何分析网页接口,以及如何观察post请求URL的参数,网站数据并不难抓取,主要是将要抓取的数据接口分析清楚,才能根据需求编写想要的代码。

@优快云盲敲代码的阿豪的博客 946

[智能体-152]:LangSmith 部署方式全解 + 三大 “不需要“ 的底层原理

LangSmith 不是一个简单的调试工具,而是专门为 LangChain/LangGraph 智能体设计的全栈运行时和操作系统。它将智能体运行所需的所有基础设施(Web 服务、状态存储、负载均衡、扩缩容、监控、日志)全部抽象和自动化,让开发者只需要关注最核心的智能体业务逻辑。✅ 不需要写 Web 服务代码 →LangSmith 提供托管 API✅ 不需要手动管理 Checkpoint → LangSmith自动配置分布式状态存储。

文火冰糖(王文兵)的博客 78

SpringBoot项目搭建

SpringBoot项目搭建

私信可回答各种问题~ 1031

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 329

【问题解决】Python 运行报错 `ModuleNotFoundError` 全网最全解决方案,一文搞定所有导包问题

本文全面解析Python中常见的ModuleNotFoundError和ImportError问题,提供从基础到高级的解决方案。文章首先分析问题原因,包括模块未安装、环境不一致、路径问题等,然后给出7种解决方案:安装缺失模块、检查Python环境、使用虚拟环境、添加搜索路径、相对导入、setup.py安装本地包和使用__init__.py。针对Jupyter Notebook、Docker容器等常见场景提供专门解决方案,并推荐使用requirements.txt、pipenv等预防措施。最后分享调试技巧,帮

博客 917

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")

上一篇: AI Agent从无到有57: 上下文记忆系统——基于 Redis 的长短期记忆实现
下一篇: AI Agent从无到有59: 容器化部署——用 Docker Compose 打包多服务应用
Wang's Blog
博客等级 码龄12年 7438粉丝 2422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

Wang's Blog

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