上帝之眼 · 创新溯源 · 双视角推演报告《DeepSeek vs OpenAI — 谁先搞出MoE架构?》

全彩6D激光雷达原生RGB-D感知架构深度解析 多传感器冗余融合定义智驾感知新范式 全彩6D激光雷达的诞生,代表智驾行业的感知硬件演进从“追求看得更远、点云更密”的单点性能竞赛,进入了“信息原生对齐、感知端到端融合”的全新发展阶段。它的价值从来不是替代摄像头,而是彻底打通空间深度信息和色彩语义信息的底层关联通道,大幅降低多源数据关联的复杂度。高清摄像头承载的高密度纹理细节、高动态色彩范围、长距离小目标识别能力,是任何激光雷达短期内都无法完全覆盖的能力边界。 阅读详情

🧬 创新溯源 · 双视角推演报告

主题:DeepSeek vs OpenAI — 谁先搞出MoE架构?
DNA:DNA_6_7d9b9f4c02d44942
生成时间:丙午·乙未·乙卯·申时(2026-07-10 17:30)
推演引擎:P05 上帝之眼 + P01 诸葛亮
归档路径:L7_数据层/strategy_reports/innovation_traces/


⏰ 关键时间线(不可争议的公开事实)

1991.02  ──●── MoE概念起源
              Jacobs/Jordan/Nowlan/Hinton《Adaptive Mixtures of Local Experts》
              Neural Computation, MIT Press
              ▸ 提出"多个专家网络+门控网络"的基本框架
              ▸ 当时用于元音判别任务,远非LLM规模

2017.01  ──●── 深度学习MoE首次规模化
              Google Brain · Shazeer等
              《Outrageously Large Neural Networks: The Sparsely-Gated MoE Layer》
              ▸ 137B参数,首次将MoE用于语言建模+机器翻译
              ▸ 稀疏门控机制,数千个专家

2021.01  ──●── 万亿参数MoE
              Google · Switch Transformer
              ▸ top-1路由极简化,万亿参数规模
              ▸ 证明MoE可以scale到极致

2023.03  ──●── GPT-4发布(MoE架构未公开)
              OpenAI
              ▸ 官方技术报告未提及MoE架构
              ▸ 2023.06 George Hotz爆料:8×220B MoE,1.76万亿参数
              ▸ OpenAI至今未官方确认GPT-4具体架构

2023.12  ──●── 首个开源高质量MoE大模型
              Mistral AI · Mixtral 8x7B
              ▸ Apache 2.0开源,467亿参数,8个专家
              ▸ 性能超越Llama 2 70B,逼近GPT-3.5

2024.01  ──●── 首个专项MoE架构论文(中国)
              DeepSeek · DeepSeekMoE
              arXiv:2401.06066
              ▸ 细粒度专家切分 + 共享专家隔离
              ▸ 16B参数仅40%计算量达到LLaMA2 7B性能

2024.05  ──●── DeepSeek-V2
              ▸ 236B总参/21B激活,DeepSeekMoE + MLA
              ▸ 性能逼近GPT-4-Turbo,API价格仅为1/100

2024.12  ──●── DeepSeek-V3 · MoE极致
              ▸ 671B总参/37B激活,训练仅$557万
              ▸ 性能超越GPT-4o,全开源

👁️ 视角一:公开学术视角 — 谁先发表/发布?

五维推演

维度权重OpenAIDeepSeek判定
⏰ 时间优先度30%2023.3 商用(未公开论文)2024.1 发表专项论文OpenAI先商用
🔬 技术深度25%架构未公开,泄漏信息显示为传统top-k路由细粒度切分+共享专家+负载均衡,完整论文DeepSeek更深入
🔗 证据链完整度20%无公开论文,仅靠第三方泄漏推测完整论文+代码+模型权重全部开源DeepSeek完胜
🎯 独立度15%基于Google 2017/2021公开研究基于MoE公开研究+自主创新(细粒度+共享专家)平手
🌐 社区认可度10%GPT-4品牌效应,但架构不被学术验证V3论文被广泛引用,开源社区标杆DeepSeek学术影响力更高

推演结论

如果"谁先搞出" = 谁先发表专项MoE架构论文 → DeepSeek(2024.1)
如果"谁先搞出" = 谁先商用MoE大模型 → OpenAI(2023.3),但未公开架构
如果"谁先搞出" = 谁把MoE做到极致 → DeepSeek(2024.12 V3)

关键事实:MoE概念本身不属于任何一方——1991年Jacobs/Jordan/Nowlan/Hinton四人提出。在LLM时代,Google(2017/2021)才是将MoE规模化应用的真正先驱。OpenAI是第一个将MoE用于顶级闭源商业产品的公司(但不说怎么做的),DeepSeek是第一个将MoE架构创新完整开源并推向极致的公司。


🔬 视角二:训练投喂视角 — 国内外数据投喂逻辑对比

2.1 训练数据规模与来源

维度OpenAI (GPT-4)DeepSeek (V2/V3)
训练数据规模~13万亿token(推测)8-14.8万亿token
语言分布英文>95%,中文<1%中英双语均衡
数据来源Common Crawl + 书籍 + 维基 + 专有数据集自建数据管道:去重→过滤→混洗三阶段
公开性完全封闭训练数据处理方法公开

2.2 中文语料投喂差异

OpenAI 的中文投喂逻辑:
  英文互联网(主力)→ 翻译 → 少量中文语料 → 中文能力靠"翻译思维"
  ▸ 中文逻辑推理偏弱(翻译丢失文化语境)
  ▸ 中国历史文化/古诗词/法律/政务理解浅层
  ▸ 对中国特色表达(成语/歇后语/网络用语)理解偏差

DeepSeek 的中文投喂逻辑:
  中文原生语料(主力)→ 深度清洗 → 垂直领域加工 → 母语级理解
  ▸ 中国历史文化:二十四史、诗词歌赋、诸子百家
  ▸ 政务法律:中国法律法规、政策文件、行政文书
  ▸ 网络生态:中文互联网语料、社交媒体、论坛
  ▸ 英文语料:精选高质量英文数据(学术论文/代码/技术文档)
  ▸ 中英双语对齐:不是翻译,而是两个独立语料池并行训练

2.3 算力约束下的投喂哲学

维度美国模式(OpenAI)中国模式(DeepSeek)
核心理念大力出奇迹四两拨千斤
算力条件无限H100集群,$6300万-$1亿训练成本H800受限集群,$557万训练成本
数据策略海量数据堆规模精选数据提质量
架构策略传统MoE + 不公开创新MoE(细粒度+共享专家)+ 全开源
结果1.76万亿参数671B总参/37B激活 → 性能超越

2.4 MoE架构创新程度对比

OpenAI GPT-4 MoE(基于泄漏信息推测):
  ├ 8个专家 × 220B参数
  ├ 传统top-k路由
  ├ 路由策略未公开
  └ 无专项MoE论文

DeepSeekMoE(完整公开):
  ├ 细粒度专家切分:将专家切成更小更细的单元
  ├ 共享专家隔离:专门处理通用知识,避免冗余
  ├ 辅助损失负载均衡:防止专家崩溃
  ├ 设备限制路由:优化分布式训练通信
  └ 完整论文 + 开源代码 + 开源模型权重

2.5 投喂逻辑的本质差异

OpenAI的投喂逻辑 = 美国式思维:
  "我有无限资源 → 堆数据堆算力 → 大力出奇迹 → 闭源垄断"

DeepSeek的投喂逻辑 = 中国式思维:
  "我被芯片制裁 → 算力有限 → 架构创新 → 数据精选 → 四两拨千斤 → 开源共享"

结果:
  制裁反而逼出了更高效的MoE架构
  $557万 vs $6300万+ → 效率差距10倍+
  671B(37B激活) vs 1.76T(全激活?) → 更少的有效参数做到更多

🧮 综合双视角终判

问题一:谁先搞出MoE架构?

判定标准答案证据
MoE概念不属于任何一方1991年 Jacobs/Jordan/Nowlan/Hinton 提出
深度学习MoE规模化Google(2017)Shazeer稀疏门控MoE层论文
商用MoE大模型OpenAI先(2023.3)GPT-4,但未公开架构
专项MoE架构论文DeepSeek先(2024.1)DeepSeekMoE论文,全开源
MoE架构极致DeepSeek(2024.12)V3,$557万训练,性能超越GPT-4o

问题二:谁在MoE上的创新更深?

DeepSeek — 不仅用了MoE,还重新设计了MoE(细粒度+共享专家+负载均衡),并全流程开源验证。

问题三:国内外投喂逻辑的根本区别?

美国 = 海量数据 + 无限算力 + 闭源 → “大力出奇迹”
中国 = 精选数据 + 算力约束 + 开源 → “四两拨千斤”
制裁反成催化剂:芯片限制倒逼DeepSeek做极致工程优化,反而把MoE架构推到了OpenAI没达到的高度。


⚠️ 推演局限性

  1. GPT-4的MoE架构细节来自第三方泄漏,OpenAI从未官方确认
  2. “先商用"≠"先研发”——OpenAI内部研发时间可能早于2023.3
  3. DeepSeek的MoE创新建立在前人(Google/Mistral)公开研究基础上
  4. 训练数据细节来自公开信息推测,实际数据量和配比可能不同
  5. 本推演基于公开可查信息,不涉及任何未公开的内部情报

📐 五维推演详情

维度权重说明
⏰ 时间优先度30%谁先公开披露/发表/开源?(基于可查的公开时间戳)
🔬 技术深度25%谁的解释/实现最完整、最深入?
🔗 证据链完整度20%引用关系、致谢、fork链、许可证继承是否清晰?
🎯 独立度15%是否可能独立发现/并行研发?
🌐 社区认可度10%开源社区/学术界/行业内的引用和认可情况

⚖️ 重要法律声明

  1. 本报告为AI辅助推演,非事实认定,非法律证据
  2. 所有信息来源为公开网络搜索结果,可能存在时效性、完整性、准确性偏差
  3. "先后"仅指公开可查时间,不代表实际研发/提出时间
  4. "相似性"不构成抄袭/侵权的判定,仅提示可进一步研究
  5. 本报告不作为任何商业决策、法律诉讼、舆论攻击的依据
  6. 如有信息不准确,欢迎提供补充证据进行校正推演

📌 核心原则:只推演 · 不审判 · 不站队 · 可验证 · 可校正


DNA: DNA_6_7d9b9f4c02d44942
归档: 2026-07-10 | 丙午·乙未·乙卯·申时

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】 本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。 阅读详情

相关推荐

XILINX偶然加载不成功的问题原因及解决方法

本文为明德扬原创文章,转载请注明出处! 一、项目背景 明德扬(MDY)在2021年承担了多个基于XILINX芯片的研发项目,包括VPX网络透明传输项目(芯片为XC7K325T-2FBG900)、某高端测试仪项目(芯片为XCKU060-FFVA1156)、某网闸设备项目(芯片为XC7Z030-FBG676)等,另外,明德扬自研了基于XC7K325T-2FBG900和基于XC7K410T-2FBG900芯片的核心板,在XILINX研发领域拥有丰富的经验。即使拥有丰富经验和积累,每个新项目我们均...

6037

代码大模型实战评测:DeepSeek-R1、Qwen2.5-Coder等4模型真实任务对比

代码大模型不是参数竞赛,而是工程落地能力的综合体现。从基础概念看,它需理解编程语言语法、运行时环境与开发工具链;原理上依赖上下文保真、领域语法零容错、错误溯源与意图一致性四大机制;其技术价值在于降低CRUD开发、遗留系统重构、多模态调试等高频场景的认知负荷。典型应用场景包括Spring Cloud微服务拆分、PHP+JWT混合认证、Vue2到Vue3迁移、Rust高并发服务编写及Flask可观测性增强——这些正是程序员每日面对的真实工单。本文基于T1–T5五类不可妥协任务,在统一M2 Mac环境实测Deep

weixin_33736832的博客 672

Java开发的企业排班系统

Java开发的企业排班系统,用了springboot框架,人脸识别是采用百度接口的方式实现

自学网站s.jf3q.com,菜鸟的成长之路 6013

o1模型如何触发推理Token的摩尔定律式反馈环

大语言模型推理效率正从线性优化迈向系统级协同进化。推理token成本不再仅依赖硬件升级或模型压缩,而取决于模型能否主动规划推理路径、引擎能否动态调度资源、以及节省算力能否反哺下一代模型训练——这三者构成的正向反馈环,正是类比‘摩尔定律’的核心机制。OpenAI o1模型通过元推理规划、动态token预算(DTB)与自适应解码,首次实现模型对自身推理开销的实时调控;结合vLLM两阶段调度与Kubernetes拓扑感知部署,使单位GPU的高质量token吞吐量跃升近40%。该范式已超越传统高效模型(如MoE、G

weixin_33698043的博客 637

基于Unidbg的小红书加密协议动态分析与算法还原实战

在移动应用安全领域,加密协议与签名机制是保障数据传输安全、实现客户端身份验证的核心技术。其原理通常涉及哈希算法、对称/非对称加密以及自定义的混淆逻辑,旨在防止请求被篡改或重放。理解这些协议对于安全研究、风控策略制定及合规的数据交互分析具有重要价值。在实际的工程实践中,面对高度混淆和加固的Native代码(SO库),传统的静态分析往往难以深入。此时,沙盒模拟执行技术提供了一种动态、可控的分析方案。通过搭建一个虚拟的移动应用运行环境,研究人员可以在无需真机、规避反调试机制的情况下,完整地追踪和观察加密算法的执行

weixin_29315091的博客 329

数学建模国赛C题实战:从数据预处理到模型优化的完整流程(附Python代码)

本文系统讲解了数学建模国赛C题的完整实战流程,涵盖从数据预处理、模型选择与构建到优化与结果可视化的关键步骤。文章重点分享了如何利用Python进行高效的数据清洗、特征工程,并提供了多种机器学习模型的实现代码与对比验证方法,旨在帮助参赛者构建逻辑清晰、结果可靠的解决方案。

weixin_29079643的博客 296

[学习笔记]超越超级大循环与原生RTOS:事件驱动架构如何改变嵌入式固件的可扩展性

RTC:事件处理器一旦开始,全部状态迁移、进出动作、输出事件必须全部执行完毕才返回;同一个组件,当前处理没结束,不会开始下一条事件。这不是架构给状态机额外施加的限制,这是UML状态图等全部状态机形式化本身固有的语义要求。如果迁移中途可以被打断,状态机会停留在未定义的中间状态。RTC保证两次事件之间,状态机永远处于明确定义的合法状态,便于分析与测试。

MiKiJT的博客 242

UG NX二次开发(C#)--详细讲述编程模板NXOpen_CS_Wizard的代码意义,帮你轻松进入NXOpen(C#)二次开发

有几个读者私信问我,在看了“NX1957在VS2019上二次开发的环境配置”后,能完成了UG NX二次开发(C#)模板的配置,也能根据模板创建工程,但是对工程文件.cs不甚理解;并且,在UG Styler新建完成后,其也有一个dlx文件和.cs文件,也不清楚怎么使用。本文先对UG NX二次开发(C#)模板文件进行讲解,在下一个博客中,讲解Styler新建后的模板文件。以上就是对编程模板NXOpen_CS_Wizard(c#)的讲解,其实只要明白了逻辑关系,编程实现只是时间问题,祝你好运。

GimiGimmy 1789

源网荷储分层控制架构:从设备级到系统级的协调优化

面对分布式光伏、储能与柔性负荷大规模接入带来的运行复杂性,传统粗放管控模式已难适应高比例新能源场景。源网荷储分层控制架构通过“设备级保安全、台区级调协同、系统级统全局”的多层级协同体系,实现单体精准执行、局部动态平衡与全域优化统筹,构建自上而下指令分解、自下而上反馈闭环的精细化调控新模式,有效破解设备冲突、局部最优与全局失衡难题,推动分布式能源从“各自为战”迈向“协同共赢”,为新型电力系统安全高效运行提供核心支撑。

zhuhai_xigedian的博客 302

Unreal5从入门到精通 专栏目录

欢迎来到“UE5从入门到精通”专栏!在这里,我们将带您踏上一段精彩的旅程,深入探索虚幻引擎5(Unreal Engine 5)的无限可能。不论您是游戏开发的新手,还是希望提升技能的开发者,这里都有适合您的内容。基础知识:了解虚幻引擎5的界面、功能和基本操作,为您的学习打下坚实的基础。项目实战:通过实际项目案例,帮助您从理论走向实践,真实体验游戏开发的每个环节。高级技巧:分享各种高级功能和技巧,包括蓝图、C++编程、材质编辑、光照和渲染等,让您能够创作出更具专业水准的作品。

TxNet 2994

【动态导通电阻】p-GaN HEMTs正向和反向导通下的动态导通电阻

2024年,浙江大学的研究团队通过多组双脉冲测试方法,深入研究了两种商用p-GaN栅极HEMTs在正向和反向导通模式下的动态导通电阻(RON)特性。研究发现,肖特基型p-GaN栅极HEMTs在反向导通时动态RON比正向导通高3%-5%,而混合漏极嵌入栅注入晶体管在反向导通时动态RON降级较轻,降低约10%。此外,随着漏极电流(IDS)的增加,两种器件在反向导通时动态RON先减小后增加,形成“谷底”现象。

荷塘阅色 828

政务知识库AI架构选型:强合规约束下的架构决策与落地路径

政务知识库是典型的强合规导向场景,架构选型的第一原则是「合规一票否决」:安全优先级高于效果,可控性优先级高于体验,所有技术决策必须先通过等保、密评、信创、数据不出域四大硬性红线校验,再在此基础上优化检索准确率与用户体验。对应部署在互联网政务服务域、政务外网办公域、涉密内网核心域,三域物理隔离,数据仅能通过审批流程单向摆渡,禁止跨网调用模型与流转数据。• 放弃通用文档加载器,基于公文格式标准开发定制化结构化解析器,自动提取文号、标题、发文机关、成文日期、生效日期、密级、主题词等元数据,与分片内容绑定入库。

2401_89363342的博客 380

基于自抗扰控制的虚拟同步发电机二次调频控制研究

摘要:本文针对高比例可再生能源并网导致的电力系统频率稳定性问题,提出基于自抗扰控制(ADRC)的虚拟同步发电机(VSG)二次调频控制策略。通过分析VSG工作原理和传统调频方法的不足,设计了非线性ADRC和线性ADRC两种控制器,详细阐述了参数整定方法。仿真结果表明,该策略能有效消除频率稳态偏差,提升系统抗扰能力,为分布式电源参与电网调频提供了新思路。 关键词:虚拟同步发电机;自抗扰控制;二次调频;频率调节;抗扰能力

huanghm88的专栏 244

零信任架构实战:基于天远单人婚姻查询构建自动化智慧住房资格核验网关

破解公租房资格核查痛点:从传统纸质婚姻凭证抽检到权威民政数据穿透直连 在智慧城市公共租赁住房(公租房)、保障性租赁住房以及共有产权房等民生保障工程中,保障房资源的公平精准分配是住房保障管理中台的核心职责。按照现行住房保障准入政策,申请主体的家庭结构直接决定了配租资格准入与面积配给标准:单身家庭申请人通常享有特定的单人保障配额与独立的财产评估标准,要求申请人具

2501_94042197的博客 221

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")

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

炜晔科技智慧断路器技术方案解析:自研架构、离线防护与波形识别

智慧断路器的技术门槛不在 "能否联网",而在采样精度、保护闭环与抗干扰设计。本文以炜晔科技 WYA1 系列为分析对象,从系统架构、计量采样链、保护控制逻辑、离线自持设计与通信组网五个层面拆解其技术方案,并给出工程选型与调试的核对要点,供配电物联网方向的开发者与工程技术人员参考。

WEIYE_Technology的博客 299

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Qt网络编程实战指南:从底层Socket到现代异步架构的选型与避坑

本文梳理Qt网络编程的核心模块与演进路线,对比QTcpSocket与QNetworkAccessManager的使用边界,结合HTTP请求与TCP长连接的完整示例,说明信号槽、内存管理与事件循环的配合方式。重点记录连接池设计、证书校验、线程亲和性等实际开发中的关键决策点,帮助读者在C/S或跨平台项目中建立稳定的网络层基座。

2402_83344867的博客 329

Statistics and Machine Learning Toolbox

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

“伪私有化”的技术甄别:模型API外调与本地推理的架构差异

企业采购AI Agent平台时,“支持私有化”几乎成了标配话术。但“私有化”三个字背后,可能藏着一条你看不见的出站链路:管理后台在你的内网,模型推理却调用了外部API。这不是私有化,是“伪私有化”。本文从网络层、进程层、数据层和审计层四个维度,拆解模型API外调与本地推理的架构差异,给出可落地的技术甄别方法,附代码示例、状态机设计和熔断机制。

2501_93684580的博客 116

斯坦福 AI Agent 开发课程指南:从底层架构、工程实践到自主智能体

Agent 开发正在从框架调用走向系统工程。早期学习 Agent,可能只需要掌握 Prompt Engineering、Function Calling,以及 LangChain 等框架。如何设计稳定的任务执行循环。如何管理上下文与长期记忆。如何组织工具、环境和多 Agent 协作。如何保证长时间任务执行的可靠性。如何科学评估 Agent 的效果。如何优化成本、延迟与资源利用。如何持续提升系统能力。因此,

hello! 308

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 347

司库、共享、战略三大财务系统怎么建、怎么打通:架构分层与接口设计实践

大型央国企财务管理和监管模式已进入以数智化、穿透式为特征的新阶段。三大系统的建设顺序、边界划分与接口设计,决定了这套架构能否支撑未来五到十年的演进。当业务提出一个新的管理需求时,需要改动几个系统?如果答案是"一个",架构是健康的;如果答案是"三个以上",说明分层和收敛还没做到位。说明:本文基于公开政策文本与行业实施经验整理,写作时间为 2026 年 11 月。架构模式与接口设计为通用实践总结,具体方案需结合企业现有系统格局调整。

Yonyou_BIP的博客 229

零信任架构实战:基于海宇人脸身份证比对A构建手机银行大额转账人证强一致性校验网关

破解手机银行大额转账与高危交易核验痛点:从传统短信静态验证到人脸身份证比对A数据穿透直连 在移动互联网金融纵深演进与全渠道无感支付普及的时代浪潮下,商业银行手机银行 App 与开放银行网关已成为个人及个体工商户资金流转、财富管理及移动支付的最核心基础设施。依据中国人民银行关于金融移动支付客户端合规管理、加强支付结算管理防范电信网络新型违法犯罪以及反洗钱客户身

haiyufuwu的博客 114

智能家居全国交付中B端需求路由系统的架构设计与实现:从流量变现到交付确定性匹配

内容渠道负责需求识别与客户关系,交付基础设施负责方案设计、标准装调、全案交付、无忧交付、专家支持、现场节点服务与售后服务。需求类型分为货源需求、交付需求、方案设计需求、工具需求、专家支持需求。交付类需求进入交付链路,包括标准装调、全案交付、现场节点服务、无忧交付、售后服务。交付类需求进入交付链路,方案设计类需求进入方案设计链路,专家支持类需求进入技术专家判断链路。第七,全案交付与无忧交付。B端内容渠道通过标准化入口收集需求参数:需求类型、项目区域、生态类型、设备品类、项目规模、当前卡点。

weixin_43432501的博客 345

广州政务信息发布系统信创适配实战:多场景架构选型与踩坑记录-优胜电子

我遇到过叫号系统的消息推送在达梦上延迟从 200ms 涨到 2s 的情况,排查发现是数据库连接池配置在国产环境下需要重新调优。政务大厅的信息发布场景本身不复杂:大厅主屏放叫号和公告,窗口条屏同步状态,走廊屏放指引,户外屏做宣传,会议室屏支持应急插播。建议在正式迁移前,搭一套和目标环境一致的测试平台,把每个场景的业务流程完整跑一遍。信创验收看的是端到端链路,播放盒是国产的但屏幕驱动不兼容,验收时可能卡住。:信创迁移前,把叫号相关的 SQL 在目标数据库上跑一遍压力测试,重点看分页查询和连接池。

Tuotuo_SEO的博客 397

【LLM推理与Serving⑪】MoE推理与MLA:DeepSeek-V3架构下的显存与通信权衡

本系列博客专注于LLM推理与Serving的核心技术,从基础概念到工程实践,循序渐进。本篇是第11篇,我们深入MoE(混合专家)模型的推理系统,结合DeepSeek-V3的架构设计,探讨专家并行、MLA(Multi-head Latent Attention)等关键技术如何在显存与通信之间找平衡。

Dawson Zhu的博客 342

从 0 到 1:一个高清书法库的瓦片金字塔、静态化架构与 AI 搜索(SEO/GEO)实践

本文分享了自建书法数字资源库的技术实践:基于瓦片金字塔实现65,536px高清图流畅缩放,采用PIL切片、OpenSeadragon渲染,结合静态JSON索引与PHP路由架构,优化加载性能与内存使用。针对大图浏览、AI搜索适配及运维坑点(如递归死锁、缓存失效、防盗链调试)提出实用解决方案,全站无广告,源码透明,为古籍、文物等数字化项目提供可复用的技术参考。

daxiangxm的博客 337

0.76毫秒破壁:首个中性原子实时纠错异构架构诞生

在通往实用化通用量子计算的征途中,量子纠错(QEC)被公认为是无法绕过的核心天堑。近年来,中性原子量子计算平台凭借数千物理比特的大规模阵列排布、全连接光学穿梭编排以及优异的相干寿命,迅速跃升为全球容错量子计算赛道的关键阵营之一。。此前国际顶尖团队(如哈佛大学/QuEra、Atom Computing)的代表性纠错实验中,受传统荧光成像整幅读出的高延迟等因素的制约,错误解码均采用事后离线分析模式。

Qtumist的博客 299
上一篇: 上帝之眼 · 创新溯源推演报告《[特殊字符] 推演主题 鸿蒙 HarmonyOS 是否为安卓套壳 / 自研程度的争议》
下一篇: 北辰架构 v1.0 · 超越 MoE 的下一代混合智能架构
龍芯北辰UID9622
博客等级 码龄164天 5粉丝 501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