美团AI新品,专为程序员配送:不挑Python还是C++

视频教程-项目实战视频课程:美团网(Vue2+Python+Flask)-Python 项目实战视频课程:美团网(Vue2+Python+Flask) 东北大学计算... 阅读详情

转自:量子位

美团搞起AI大模型后,动作和发布实在太密了。

这不就在最近,美团又出了一款AI IDE编程工具。

代号Meituan CatPaw,官方介绍是酱紫的——

Meituan CatPaw是美团推出的AI IDE,通过Agent驱动编程体验革新,让开发者专注于创意实现,提升项目交付效率。

外卖送得快,AI代码交付更快,美团这算是给AI Coding赛道火上浇油了。

而且低调上线的CatPaw,当前阶段还对所有人完全免费(新用户注册后即可获得500次对话额度)。

它支持macOS 10.15以上系统(Windows版本预计本周五上线),全面兼容主流编程语言,包括但不限于Python、C++、Java、JavaScript、TypeScript、Go、Rust等。

问题是:CatPaw能做什么?实测表现又会如何?

无需切换窗口,从开发到调试预览一条龙搞定

首先需要提醒,CatPaw目前仍旧需要邀请码,不过获取方式很简单——

从官网添加社群后,公告里一般会有专属邀请码。

它目前主要有四大核心功能:

  • Tab(代码补全预测)

  • Agent(快速问答生成)

  • Browser(IDE内预览调试)

  • Codebase (项目维度分析)

先说AI编程基本工——代码自动补全。

目前CatPaw具备基础补全和NextEdit(基于历史编辑内容预测下一次编辑)两种能力。

在设置里启用后,一般按下Tab键即可自动补全代码。

具体打开方式be like:

当你写代码时,它会根据你正在输入的内容,智能提供补全建议。按下Tab键即代表你接受建议,然后它将在光标右侧用灰色文本显示补全内容。

而且很方便的是,它支持批量编辑多行代码。

一旦AI检测到有同时适用于多行代码的修改时,它会在右侧的悬浮框中一次性全部展现给你。

更重要的是,它不仅能补全当前单词,而且还能预测你接下来可能要修改的整个代码块。

就是说,AI会实时分析你最近编写的代码模式、修改记录以及你接受过的补全建议。基于这些信息,AI会推断出你接下来最可能想要实现的代码逻辑或功能。

如此一来,超越传统的单词补全,CatPaw也支持进行智能化的上下文预测了。

当然了,如果你不想使用这个功能,还能点击底部的“CatPaw Tab”设置全局禁用或某一编程语言禁用。

再说Agent问答生成功能,它基本以侧边栏对话形式展开(这样无需频繁切换窗口)。

模式主要有三种,分别适用于不同场景:

  • Ask模式(智能问答助手):代码理解、技术咨询、单文件代码生成。

  • Agent模式(全能执行助手):复杂任务执行、多文件操作、自动化工作流。

  • 用户自定义模式(个性化工作流):特殊需求、定制化工作流。

这里我们简单实测了一个Agent任务:

而代码写完之后,CatPaw还内置了浏览器预览调试,无需切换窗口就能立马看到效果。

以前写前端代码还需要同时打开IDE和浏览器,改完代码后还需手动刷新页面。

而现在,CatPaw内置了DevTools调试工具,用户可以在此查看页面元素、调试JavaScript代码、分析网络请求等,无需切换到外部浏览器即可完成所有调试工作。

并且,当项目成功运行后,右下角就会自动弹出“发现可用端口xxx”提示。点击下方的“打开预览”按钮,即可在编辑器中看到打开的预览页面。

以及最后,CatPaw还提供了项目级代码分析功能。

当你刚加入一个新团队,或者需要维护一个很久没碰过的老项目时,面对成千上万行陌生的代码,是不是感觉一头雾水?

而CatPaw的这个功能,就是专门解决这个痛点的。

只需输入一个简单的指令(如 @Codebase),它就能分析整个项目代码,梳理项目结构。

事实上,美团此次能推出相对完善的AI IDE工具,离不开它在AI Coding方向上的持续投入,背后更是美团对AI、大模型的全面布局。

美团大模型布局:从内到外,从专到全

今年6月10日,美团就正式推出了自己的首款AI Coding Agent产品——NoCode。

NoCode发布不久,美团方面就透露了CatPaw或将很快面世。如今,CatPaw算是如约而至。

要说这二者的关系,美团基础研发平台工程效率负责人程大同其实有所透露:

对标Copilot,美团从2022年开始做CatPaw,2024年又开始往NoCode上投入。

NoCode是CatPaw的研发团队孵化出来的,从产品层面上可能不会那么快合并,因为解决的问题和用户场景有所区别,不过技术架构和Agent发展方向会逐步有一些协同。

而无论是NoCode还是CatPaw,对美团来说,其首要意义还在于技术验证而非商业价值。

在这个验证过程中,程大同曾表示,AI Coding的核心竞争力首先在于模型。

说到模型,这里补充一下,CatPaw AI IDE背后的核心引擎即为美团自研的LongCat大模型——

Auto模式下自动推荐LongCat-Flash模型,另外也支持通过API手动添加模型。

OK,当我们把视线放在美团模型上时,从美团今年的更新迭代逻辑来看,其路线也相当明确——

主打一个从内到外、从专到全,且速度优先。

从内到外其实算是美团AI战略的一部分了。王兴曾表示,美团的AI战略建立在三个层面:

  • AI at work:用AI提升内部员工效率与运营能力;

  • AI in products:打造全新的AI原生产品,将用AI改造现有2B和2C端的产品和服务;

  • Building LLM:持续加大投资,构建内部大语言模型。

一旦时机成熟,这些经过内部验证的AI模型或工具将逐步推向外界。

就像这次的AI编程工具,其实也是将美团内部员工都在用的工具慢慢开放给外部公众。

据《智能涌现》爆料,编程工具CatPaw上线后,美团内部研发人员的周活占比超过80%;每周新增的代码中,由AI生成的占比达到约50%。

而从专到全、速度优先的逻辑,则要通过梳理美团最近发布的一系列模型来看。

今年9月初,美团正式发布大语言模型LongCat-Flash-Chat,并且月底就上线了LongCat-Flash-Thinking模型。

通过这两个模型,它算是把思考/非思考的基础对话能力搞定了,而且从“Flash”命名也能看到,美团模型从一开始就追求“快”。

然后到了10月,美团继续上新LongCat-Video视频生成模型,在语言能力之外,美团模型不断拓展能力边界。

而之后不久,主打全面多模态的LongCat-Flash-Omni终于问世,总算是补齐了最后一块拼图。

可以看到,美团正在分“三步走”来迭代模型:

这第一步,就是速度优先。对用户来说,速度几乎是“模型是否好用”的基础门槛。因此不管是Chat还是多模态模型,先把模型响应、语音识别、实时生成这几件事做到“丝滑不卡”就成为美团的第一任务。

接下来就是专业深耕。有了速度,再往深里卷。就像LongCat-Flash-Omni模型,它在复杂逻辑推理、物理仿真、嘈杂语音识别等专业领域,明显做了不少优化。

而最终,模型便逐步从单一语言模型进阶成多模态。在这个过程中,美团直指“世界模型”目标,一步步打通了文字、语音、视觉。

并且基于这些模型,美团逐步诞生了NoCode、CatPaw这样的专业工具。

可以说,从模型到工具,从内部到外部……美团正在用全面快速的AI大模型实现刷新——

是时候要重新认识美团了。

在线体验:
https://catpaw.meituan.com

图片

如果果你觉得这篇文章有帮助,别忘了点赞、关注、收藏哟,你的支持是我原创的动力~

对了,双11期间大家都在做活动,今天有以前的小伙伴私信我,有没有优惠,都是老铁粉了,我也给大家准备一些诚意!

目前我们的AI编程与智能体实战星球已经200人,真心全力带大家学习智能体和AI编程,而且通过趣味的学习方法,通过学习工具,然后变现,而不是枯燥的死学习理论知识。这些课程外面都卖399,599,我们现在100多一点(服务1整年),有兴趣的加入!

图片

优惠还剩6天

【美团笔试题汇总】2023-09-02-美团春秋招笔试题-三语言题解(CPP/Python/Java) ****LYA是一位魔法学徒,她正在学习制作魔法药水。一个合格的魔法药水需要满足以下两个条件:药水中的材料必须按照一定的顺序排列,材料的魔力值需要严格递增。即对于相邻的两种材料,后一种材料的魔力值必须大于前一种。相邻两种材料的魔力值之差也需要严格递增。即对于排序后的任意三种连续的材料,第三种与第二种材料魔力值之差必须大于第二种与第一种材料魔力值之差。现在LYA准备了一组材料,她想知道这组材料是否可以制作出合格的魔法药水。你能帮助她吗?第一行包含一个正整数 n(1≤n≤105)n(1 \leq n \leq 阅读详情

相关推荐

【美团笔试题汇总】2024-04-13-美团春秋招笔试题-三语言题解(CPP/Python/Java)

K小姐拿到了一个 nnn 行 mmm 列的矩阵,她想知道这个矩阵中有多少个 2×22 \times 22×2 的子矩阵是"好子矩阵"。一个子矩阵是"好子矩阵",当且仅当这个 2×22 \times 22×2 的子矩阵中的所有元素都相同。第一行包含两个正整数 nnn 和 mmm,表示矩阵的行数和列数。接下来的 nnn 行,每行包含 mmm 个正整数,表示这个矩阵。输出一个整数,表示 2×22 \times 22×2 好子矩阵的数量。 样例输出 数据范围 1≤n,m≤1001 \leq n, m \leq 1

春秋招笔试突围 1719

快报:Python 被爆重大“黑料”!程序员:劲爆!

坐拥各大编程排行榜的Python,真的无敌了吗? 在我一个朋友看来,他坚信 Python 可以做任何事情。但其实我是不服的,我相信很多人都有这种感觉。 但是我最近当看 GitHub 年度项目数量时,我哭了,因为 Python 应用项目也太太太太多了吧!你们都是被 Python 迷惑了吗?说好一起同 Java 和 C 白头,你们却一个一个变了心? 所以程序当我的朋友不断投入 Python ...

优快云学习 1万+

【美团笔试题汇总】2023-08-12-美团春秋招笔试题-三语言题解(CPP/Python/Java)

K小姐得到了一个由 111 到 nnn 组成的排列,她想知道排列中是否存在两个指定的数 xxx 和 yyy 相邻。现在请你帮助K小姐判断,给定的 xxx 和 yyy 是否在排列中相邻。第一行包含一个正整数 nnn,表示排列的长度。第二行包含 nnn 个正整数 a1,a2,⋯ ,ana_1, a_2, \cdots, a_na1​,a2​,⋯,an​,表示这个排列。第三行包含两个正整数 xxx 和 yyy,表示需要判断是否相邻的两个数。如果 xxx 和 yyy 在排列中相邻,输出 ,否则输出 。 样例输出

春秋招笔试突围 590

未来十年,有哪些职业会消失...Python人工智能也会被替代吗

我们不得不承认,在未来,职场上的竞争对手很可能不再是人类,真正觊觎你工作的可能是「机器人」。 2017 年5月,在中国乌镇围棋峰会上,「阿尔法狗」与排名世界第一的世界围棋冠军柯洁对战,并以3比0的总比分获胜,自此围棋界公认阿尔法围棋的棋力已经超过人类职业围棋顶尖水平。 或许,阿尔法狗这一类的人工智能距离我们普通人还比较远,但很多弱人工智能已经逐渐地渗透到我们日常工作和生活之中,比如苹果的Siri、微软的Cortana、小米的小爱同学这类人工智能助理,比如你接到的说着一口流利普通话的AI广告电话推销员,.

Libra1313的博客 1579

西电微机系统课程设计步进电机开环控制系统

** 微机系统与应用课程设计 课题二 步进电机开环控制系统设计** 一、程设计目的 掌握微机系统总线与各芯片管脚连接方法,提高接口扩展硬件电路的连接能力。 加深对 A/D 和并行接口芯片的工作方式和编程方法的理解。 搞懂步进电机的工作原理及控制方式,掌握开环控制系统的设计思路和实现方法。 二、课程设计的内容 手动调节电位器旋钮(0V~5V),通过 ADC0809 模拟输入水库水位 0 米~50...

qq_37015775的博客 4040

RK3576开发板ROS2部署实战:从Buildroot配置到Hello World Demo

本文详细介绍了在RK3576开发板上部署ROS2的完整实战流程。从Buildroot工程配置、集成ROS2依赖,到搭建Docker交叉编译环境、处理编译难题,最终完成系统镜像打包并在板端成功运行Talker-Listener Demo。该指南旨在帮助开发者深入理解嵌入式机器人系统的构建链,实现从底层到应用的完全掌控。

mac99的博客 1159

那些学了 Python 的程序员,编程能力都“退化”成什么样了?

在知乎上有一个特别火的问题:如何学Python? 你会看到很多高赞回答是: 我一天就学完了。 在大家群嘲的背后,我们来分析一下,为什么在大家印象里,Python这么容易学,甚至简单到被某些人鄙视呢?学Python,人的编程能力会严重退化吗? 1、“幼年”被鄙视,“长大”后却是高级脸 Python代码简洁易懂,是最接近自然语言的编程语言了。同样的内容按照代码量计算,C++:Java:P...

优快云学习 1万+

从亚稳态到流片失败:SpyGlass CDC在5G芯片设计中的避坑指南

本文深入探讨了在复杂5G芯片设计中,如何利用SpyGlass CDC工具构建高效的时钟域交叉验证流程,以避免因亚稳态问题导致的流片失败。文章结合实战经验,详细解析了从约束编写、时钟复位完整性检查到层次化验证和特殊场景处理的全过程,并强调了精准的检查约束是确保验证有效性的基石,旨在帮助设计团队安全跨越异步时钟域的雷区。

weixin_29168153的博客 446

Python 被爆重大“黑料”!程序员:劲爆!

坐拥各大编程排行榜的Python,真的无敌了吗? 在我一个朋友看来,他坚信 Python 可以做任何事情。但其实我是不服的,我相信很多人都有这种感觉。 但是我最近当看 GitHub 年度项目数量时,我哭了,因为 Python 应用项目也太太太太多了吧!你们都是被 Python 迷惑了吗?说好一起同 Java 和 C 白头,你们却一个一个变了心? 所以程序当我的朋友不断投入 Python 学习时,我...

changzongya3154的博客 412

YOLOv8 TensorRT C++部署实战详解:从XMake构建到推理流水线

本项目实现了一个基于YOLOv8和TensorRT的高性能火灾烟雾检测系统,具有以下核心特点: 技术架构:采用TensorRT 8.6+进行GPU加速推理,结合CUDA 12.1和OpenCV 4.8+,实现高效计算机视觉处理。系统使用XMake替代CMake构建,配置更简洁高效。

hscing的博客 1066

Origin 2025b中文版安装全指南:避开乱码、水印与崩溃陷阱

Origin作为科研绘图领域的事实标准,其2025b版本首次官方支持简体中文UI,但安装远非‘下一步’即可完成。核心在于理解软件本体、语言包、许可证服务与系统区域设置四者间的耦合关系——尤其Windows非Unicode程序语言必须设为‘中文(简体,中国)’,否则必然触发坐标轴乱码、PDF文字方块等典型故障;而AI辅助拟合、内置Python 3.11等新特性,又依赖正确的字体链(如SimSun)与注册表强制加载(UILanguage=zh-CN)才能稳定启用。该版本广泛应用于材料科学、电化学、XRD/SEM

weixin_42548874的博客 1422

学Python的程序员,编程能力都“退化”成什么样了?

在知乎上有一个特别火的问题:如何学Python? 你会看到很多高赞回答是: 我一天就学完了。 在大家群嘲的背后,我们来分析一下,为什么在大...

143

GD32模拟IIC读写DVC1124

GD32模拟IIC读写集澈AFE芯片DVC1124

ponyma_的博客 1227

学Python到底能干点什么?我为什么不建议去学Python

和 Python 相比,Lua 的功能更简单,体积更小;我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

m0_59236602的博客 1002

Aurora 8B/10B IP核介绍 —— Xilinx 技术文档Pg046

一、概述该IP核与用户接口之间支持AXI4-Stream协议,且基于ZYNQ SOC、A7、K7、V7以及UltraScale、UltraScale+系列FPGA的高速收发器(the high-speed serial transceivers)进行实现。多达 16 个连续绑定4 个连续绑定的 GTP 收发器framingstreaming以及全双工或单工加扰消扰CRC校验热插拔Aurora 8B/10B核心(图1-1)是一种可扩展的、轻量级的、用于高速串行通信的链路层协议;

qq_32147275的博客 1640

【openGauss实战1】openGauss基于CentOS8的部署

基于openGauss数据库在CentOS8上的安装实践。

IT邦德 3051

为什么人工智能用Python开发?从没有一篇文章讲的这么详细

Python作为脚本语言,运行速度没有Java,C++快。Python到底有啥优势?为什么人工智能的主流语言是Python?Python作为一门编程语言,其魅力和影响力已经远超C#、C++等编程语言前辈,被程序员誉为“最美丽的”编程语言。从云端、客户端,到物联网终端,在到现在人工智能,python应用无处不在。那么问题来了?Python语言究竟有什么优点?

xx16755498979的博客 641

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

大厂秋招真题【贪心】美团20230826秋招T2-小美的数组重排

60+天陪伴式学习,40+直播课时,300+动画图解视频,300+LeetCode经典题,200+华为OD真题/大厂真题,还有简历修改、模拟面试、专属HR对接将为你解锁。每期人数维持在20人内,保证能够最大限度地满足到每一个同学的需求,达到和1v1同样的学习效果!数组分别进行升序和降序排序,考虑同一位置的两个元素相加是否满足。行,每行输出一个字符串,如果能通过重排满足条件则输出。目前开始常态化报名!不考虑排序所需要的空间,只需要若干常数变量。对于第一个用例,无论怎么重排都不满足条件。中的次大值,依次类推。

weixin_48157259的博客 675

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")

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

快报:Python被爆重大“黑料”!程序员:劲爆!

坐拥各大编程排行榜的Python,真的无敌了吗?在我一个朋友看来,他坚信 Python 可以做任何事情。但其实我是不服的,我相信很多人都有这种感觉。但是我最近当看 Git...

Python大本营的博客 261

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

美团AI产品经理实习岗,一面给我面麻了

产品经理是一种独特的职业,它需要结合技术、市场和用户的需求,为用户提供最佳的产品解决方案。在面试过程中,产品经理需要展示出自己在技术、市场和用户需求方面的熟练程度,以及如何将这些方面的知识融合到产品开发过程中。核心概念与联系核心算法原理和具体操作步骤以及数学模型公式详细讲解具体代码实例和详细解释说明未来发展趋势与挑战附录常见问题与解答。

2401_85375151的博客 1228
上一篇: 英伟达北京员工晒出了工资条,总薪酬1688万,个税687万,月薪11.43万,基础年薪100万,剩下全是股票分红…
下一篇: 罗福莉C位亮相小米,离职DeepSeek后首次官宣
菜鸟学Python
博客等级 码龄9年 8086粉丝 571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