Github 2K+星、B站播放量超30万，大模型入门看这本书就够了！

codingpy codingpy 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 200+累计阅读 218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11年
关注
转载 最新推荐文章于 2026-10-16 20:34:04 发布 218 阅读 AI 写同款· GEO 优化 ›
【通义千问】大模型Qwen GitHub开源工程学习笔记（4）-- 模型的量化与离线部署 量化方案基于AutoGPTQ，提供了Int4量化模型，其中包括Qwen-7B-Chat和Qwen-14B-Chat。更新承诺在模型评估效果几乎没有损失的情况下，降低存储要求并提高推理速度。量化是指将模型权重和激活的精度降低以节省存储空间并提高推理速度的过程。AutoGPTQ是一种专有量化工具。Int4是指4位整数量化，与传统的8位量化相比，可以进一步减少存储要求。 阅读详情

你好，我是坚持分享干货的 EarlGrey，翻译出版过《Python编程无师自通》、《Python并行计算手册》等技术书籍。

如果我的分享对你有帮助，请关注我，一起向上进击。

温馨提示，文末有赠书福利

最多5个名额

喜欢AI，对ChatGPT超级好奇，但被市面上爆增的大模型书籍和教学视频弄得眼花缭乱？没事！Datawhale团队最新推出的“蝴蝶书”——《ChatGPT原理与应用开发》来啦！

这本书源自Datawhale开源项目HuggingLLM，GitHub 2K+星、B站播放量超30万，是Datawhale在打造了“南瓜书”“蘑菇书”“熊猫书”后，推出的第4本王牌之作。

翻开《ChatGPT原理与应用开发》你会发现，书中的内容以实战为主，不仅对相关任务有详细的背景和系统设计介绍，还教你使用ChatGPT相关API创造新的功能和应用，并且提供实例代码和实现流程，让每一位学习者都能做出自己的AI产品！

为什么创作这本书？

借助ChatGPT，人们可以做到现在大部分 NLP 工程师在做的事，比如文本分类、实体抽取、文本推理等。甚至随着大语言模型能力的不断提升，它们可能做得比 NLP 工程师都要好。不过，AI也有许多局限性，要想实现应用就需要投入大量的资源和时间。其中涉及的理论多到爆炸不说，案例、代码、实操、创新更是一个都不能少，搞不懂，易出错，很多开发者一碰就想放弃。

开源项目 HuggingLLM力图帮助人们降低门槛，缩小应用程序和研究之间的差距，使得大模型应用开发变得触手可及。HuggingLLM是一个面向非算法专家但具有一定编程基础，对人工智能和 ChatGPT（或类似模型）感兴趣的人群的开源项目，旨在利用 ChatGPT API 开发相关应用。

4bce25fb7ace40723d2d4675533f0761.png

所以，当开源项目HuggingLLM发布时，立即获得了来自不同领域的朋友们的关注与支持，目前star点赞2K+。

16ef87b4cec698a5993aabbe5a5ce289.png

翻阅参与者在Github上提交的成功案例，我们看到：

有人机协同，创造未来的虚拟女友；

有应用非凡，前景无限的AI辅助自动标注；

有启迪人生，提高问商的助思者；

有模拟人生，脑洞不停的AI NPC；

......

ac80e8463563ff6b3a8c01ce2aaa457d.png

1ea2cd2123253f21211466aab0d97fd7.png

da6299b16493f1701e5e33a31cc88ac3.png

4f86968e6ff78d3bc392a9ef18372e01.png

正如项目名字所寓意的那样，上万名参与者通过这个开源项目拥抱了AI时代的变化，无障碍地使用LLM创造了新的价值。

这个开源项目的组织者还在B站上同步更新视频教程，播放量高达31.1W，获得网友一片好评。

26bb9f6cb578474c7a24466f0f102d77.jpeg

bf110163c1711a859a82561132748b93.png

818c310755886e865b8475f783daa370.png

0952d0145ce9e50a625d0db7b712082a.png

纸书做了哪些更新？

《ChatGPT原理与应用开发》是基于大语言模型进行商业应用开发的最佳实践书，更是值得你“好好上课”！

初心不改

本书内容也正如HuggingLLM最初的立项理由所述，主要是讲基于 ChatGPT 的算法应用和服务，聚焦于自然语言处理的常见任务和应用。它向我们介绍了如何使用类似 ChatGPT 这样的大语言模型来完成之前只有算法工程师才能处理的工作。

384a4b9660cef01ca51539816f99f9d0.png

内容优化

本书以实践为主，重点是任务的讲解和设计，但也会科普一些自然语言处理算法的基本原理和基础知识，适合所有对大语言模型感兴趣的开发者阅读。本书一共有 8 章内容，分别如下。

第 1 章基础知识—大语言模型背后，主要介绍了与 ChatGPT 相关的 NLP 领域的基础知识和原理。

第 2 章相似匹配—万物皆可 Embedding，主要介绍了文本表示，以及与文本匹配相关的任务和应用。

第 3 章句词分类—句子 Token 都是类别，主要介绍了 NLP 领域最常见的任务——分类。

第 4 章文本生成—超越理解更智能，主要介绍了与文本生成技术相关的任务。

第 5 章复杂推理—更加像人一样思考，主要介绍了如何使用大语言模型做复杂的逻辑推理任务。

第 6 章工程实践—真实场景大不同，主要介绍了如何在真实业务中使用大语言模型。

第 7 章局限与不足—工具不是万能的，主要介绍了 ChatGPT（或其他类似的大语言模型）的缺陷或不擅长的地方，包括事实性错误、实时更新、性能瓶颈等方面。

第 8 章商业应用—LLM 是星辰大海，可以把该章当作一篇调研报告来阅读，主要针对工具应用和行业应用两大方面展开，期望能够给读者更多启迪，帮助大家构思更好的应用或服务。

8340955c295a212f799fd399998c79ad.png

这本书由郝少春、黄玉琳、易华挥三位作者在HuggingLLM教程内容之上优化而成。

大咖推荐，口碑保证！

这本书一经推出，就受到了吴飞、周明、朱信忠、金耀辉、张俊林5位人工智能领域专家的亲笔推荐！

527b38bb85f2f50a09eab2d8e0355ca5.png

“这本书是由Datawhale所推出的力作，秉承了Datawhale‘为了学习者’的一贯理念，基于志愿者团队精彩的开源学习内容精心编纂而成，深入浅出地介绍大语言模型的原理和工程实践，对于初学者了解ChatGPT非常有帮助！”

——吴飞，浙江大学人工智能研究所所长

“书中内容围绕自然语言处理任务展开，很多设计思路和细节其实可以应用到多个领域。期望读者多学多练，能够在实践中提升自我。”

——周明，澜舟科技创始人兼CEO，创新工场首席科学家

“这本书虽然以ChatGPT作为示例，但绝大部分内容都可以无缝切换为其他大语言模型。这得益于本书基于以‘自然语言处理算法任务’为核心的设计理念，因而这本书具有更长的生命周期。”

——朱信忠，浙江师范大学人工智能研究院副院长，浙江省特级专家，Datawhale首席科学家

“这本书以明晰而简洁的文字，阐述了大语言模型的工作原理，堪称杰作。更为可贵的是，书中还详细介绍了ChatGPT的工程实施策略。”

——金耀辉，上海交通大学人工智能研究院总工程师、教授

“这是一本有关大语言模型应用和服务的实践指导书，详细介绍了如何开发基于大语言模型算法的应用和服务。这本书注重实际任务的设计及实现的思路讲解，并提供了对自然语言处理基础知识和算法原理的科普性介绍。”

——张俊林，新浪微博新技术研发负责人

▲ 滑动查看更多

通过上面的介绍以及各位专家的推荐，相信读者应该对这本书有了初步了解。下面小异再具体说说如何更好地使用本书。

如何阅读本书？

第一，读者可以先行了解第1章进行一个科普入门。

书籍后面的内容根据内容规模和难度，讲解顺序重新排列为：相似匹配、句词分类、文本生成、复杂推理......读者可以按部就班地学习，也可以根据自己的兴趣选择任意章节进行学习。因为各章节相对独立，彼此没有直接明显的前后依赖关系，在学习时可以灵活调整。

第二，以“任务”为核心。

本书注重“任务”多于“工具”，虽然ChatGPT 是目前大语言模型领域总体效果最好的，但未来一定会有其他更好的大语言模型出现。书中详细介绍了与NLP相关的任务（如相似匹配、句词分类、文本生成、复杂推理）的背景和系统设计，这些方法也适用于其他大模型。只要读者理解了要做的事情，理解了系统设计，工具就能为我们所用。

第三，利用好本书内容、提供的思维导图、GitHub开源项目HuggingLLM、B站视频课程等各种资源，来全方位地助力自己的学习与实践。

· GitHub开源项目HuggingLLM链接是datawhalechina/hugging-llm: HuggingLLM, Hugging Future. (github.com)

· B站视频课程链接是学会如何使用大模型，让创意有能力落地成应用：HuggingLLM，Hugging未来_哔哩哔哩_bilibili

第四，一定要亲自动手完成一个应用或服务的 Demo！

你可以在书中找到详细的示例代码，稍做修改后就可以在实际环境中使用。光看不做在编程领域是绝对行不通的，只是想想或者口头上说与亲自动手完全是两回事。万事开头难，但一旦完成了第一个项目，后面再做类似的就会相对容易一些。所以大胆地实操吧！

另外要说明的是，这本书不是特别为算法或者自然语言处理工程师等行业人员设计的。当然，如果你是NLP工程师，也可以通过这本书受益。

这本书更适合以下人员：

· 对ChatGPT感兴趣的人；

· 希望实际运用这项技术来创造新的服务或者解决现有问题的人；

· 有一定编程基础的人。

结语

本书的封面上有一幅幅蝴蝶图案，这是因为作者们相信人工智能将会涌现出更多美丽的形态，恰如蝴蝶从蛹中蜕变一样，这也寓意希望读者阅读本书后将有崭新的领悟。赶紧拿起这本“蝴蝶书”，开启你的全新认知之旅吧！

aae052a99d33f7f88f4a232290a9a25a.jpeg

▼▼▼

滑动查看更多

63f148f7b36ad20ecec87012de13e838.jpeg

DataWhale好书推荐

01

机器学习公式详解 第2版

ce50ad1f8623f68c3bf54fb56374b495.png

▼点击下方即可购书，限时特惠5折

本书从本科数学基础的视角进行讲解，帮助读者快速掌握各个机器学习算法背后的数学原理。本书思路清晰，视角独特，结构合理，可作为高等院校计算机及相关专业的本科生、研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

02

pandas数据处理与分析

c85c6a666cc64cd23df30d7052fb9a7f.png

▼点击下方即可购书，限时特惠5折

本书基于pandas官方推荐的中文教程“Joyful Pandas”编写，是以实战为中心的pandas教程。

本书基于作者自身学习pandas的切身经验，在对pandas庞杂内容的主线认真梳理之后，他整理出一条由浅入深、适合初学者的学习路线。本书能让初学者摆脱常规学习pandas的痛苦，从核心概念开始学习，理解函数之间的逻辑关系，建立起数据处理的宏观体系，真正快乐地学会pandas。

03

Easy RL 强化学习教程

a5541cb5c1e4d2167b0eff3698afeaa8.png

▼点击下方即可购书，限时特惠5折

同样出自Datawhale的“蘑菇书”《Easy RL 强化学习教程》是一本真真切切的学霸笔记，三位作者王琦、杨毅远、江季分别是中国科学院大学、清华大学、北京大学的相关专业硕士研究生。

作者把自己学习强化学习过程中的想法、思路、难点、技巧等整理成教程，分享给更多的人，通过数千人的使用学习获取反馈再仔细作补充与修改，经过一年多的持续优化，最终形成了这本“蘑菇书”。

赠书规则

赠送新书，2月份刚刚上架！由「 人民邮电出版社」赞助提供 ，感兴趣的朋友推荐入手一本。

本次开奖时间为 2024.3.21 20:00

为了避免中奖后失联，提前加我微信号：wallstreetxt 。

阅读量挑战奖励

应金主的要求，本文阅读量达到500以上，即可解锁赠书名额为3本；阅读量达到1000以上，即可再解锁2个名额，一共包邮免费送出5本。

为了拿到更多的赠书福利，希望看到的小伙伴多点下“在看”或分享给朋友吧。

达成阅读量挑战后，我会从本文留言中，选择留言点赞数靠前且不低于3的读者联系领取赠书。

- EOF -

文章已经看到这了，别忘了在右下角点个“赞”和“在看”鼓励哦~

推荐阅读  点击标题可跳转

1、Python 项目工程化最佳实践

2、Python 可以比 C 还要快！

3、streamlit，一个超强的 Python 库

4、豆瓣8.9分的C++经典之作，免费送！

5、Python 3.12 版本有什么变化？

回复下方「关键词」，获取优质资源

回复关键词「 pybook03」，领取进击的Grey与小伙伴一起翻译的《Think Python 2e》电子版

回复关键词「书单02」，领取进击的Grey整理的 10 本 Python 入门书的电子版

👇关注我的公众号👇

告诉你更多细节干货

ca39a3aedacbc36cd8148a2dadb1fab3.jpeg

欢迎围观我的朋友圈

👆每天更新所想所悟

原文链接：https://mp.weixin.qq.com/s?__biz=MzAwNDc0MTUxMw==&mid=2649653371&idx=1&sn=dc9ae17b4575299bca62f48e47849082&chksm=82b9fb3a925e8b978b1c8ce43a4df3b01a358dcf4c0f2e28c09ba6c48d44759e60d90898d390&scene=126&sessionid=0>
语音识别（ASR）-- Kaldi 学习笔记 语音识别（ASR）-- Kaldi学习笔记语音识别简介GMM-HMM基本原理DNN-HMM（基于神经网络）KaldiKaldi架构简介Kaldi在Windows下的安装工具准备编译OpenFST配置PortAudio配置KaldiKaldi目录说明 语音识别简介 语音识别（Speech Recognition）技术，也被称为自动语音识别（Automatic Speech Recognition, ASR）、计算机语音识别（Computer Speech Recognition）或是语音转文本识别（Spee 阅读详情

相关推荐

UE4载具性能调优指南：从参数设置到实战优化

本文详细解析了UE4载具性能调优的关键技巧，从WheeledVehicle类构建到轮子参数、传动系统设置，再到物理属性与操控调校。通过实战案例分享，帮助开发者优化载具的速度、加速度等核心性能，提升游戏体验。特别适合需要精细调校载具物理特性的开发者参考。

weixin_29019241的博客 469

Github大模型优质资源分类整理与进一步梳理

Github大模型开源资源分类整理与进一步梳理

人工智能(AI)技术，大模型技术，深度学习，机器学习，计算机视觉，AI工具实践应用等分享 3001

DDR4技术原理详解

DDR4是DDR4-SDRAM的简写，即第4代DDR-SDRAM，DDR-SDRAM全称Double Date Rate Synchronous Dynamic Random Access Memory。本文重点解析DDR4技术规范及其背后的电子电路原理，以及编程使用DDR4过程中需要注意的性能事项。

ctbinzi的专栏 1万+

类ChatGPT的各种语言大模型LLM开源Github模型集合​

ChatGPT不开源，但是有诸多不输ChatGPT的各类语言大模型LLM有分享。我们筛选出其中影响力较大的各个开源Github仓库

风起于青萍之末，折秀于林 2853

Python实战：用jieba和WordCloud打造电商评论情感分析工具（附完整代码）

本文详细介绍了如何使用Python的jieba分词和WordCloud库构建电商评论情感分析工具，涵盖数据预处理、情感分析、可视化展示等关键步骤，并提供完整代码实现。通过该工具，开发者可以高效分析电商评论数据，挖掘消费者情感倾向，为产品改进和决策提供数据支持。

weixin_30316097的博客 415

Mac微信聊天记录备份终极指南：用软链接轻松迁移到外接硬盘（附重签名教程）

本文详细介绍了如何通过软链接技术将Mac微信聊天记录备份迁移到外接硬盘，解决内置存储空间不足的问题。教程包括备份文件定位、软链接创建及微信重签名步骤，帮助用户高效管理微信数据，释放Mac存储空间。

uuu88的博客 1165

推荐10个开源且实用的大模型

DistilBERT是BERT的精简版本，具有更少的参数和更快的推理速度，同时保持了BERT的性能。Tiny YOLOv4是YOLO系列中的轻量级目标检测模型，适用于实时场景。MobileNetV2是一种轻量级的卷积神经网络，专为移动和边缘设备设计。FastText是Facebook开发的文本分类和表示工具，适合处理大规模文本数据。TensorFlow Lite Model Maker是一个工具，帮助用户快速构建和部署移动端模型。

码上飞扬的博客 4460

Seurat-SCTransform与harmony整合学习

源于R tips：Seurat之SCTransform方法原理 (qq.com)Seurat对象在经过SCTransform处理后会增加一个SCT的Assay，里面的scaled.data就是经过scale之后的pearson residual值，这个值是用于后续降维聚类分析使用的。

hx2024的博客 2330

6 个 GitHub 上狂飙的 AI 教程，牛啊。

01LLM-Universe本文会经常提到 LLM ，先补充下哈。LLM 是指的大型语言模型（Large Language Model）的缩写，也就是近两年大火的 ChatGPT 、DeepSeek 背后的技术。LLM-Universe 是由 Datawhale 团队推出的开源教程项目，专为初学者设计，目前在 GitHub 获得了 6.3k 的 Star，系统化指导大模型（LLM）应用开发的全流...

公众号：逛逛GitHub 1837

机器人中的数值优化（一）—— 数学优化、凸集合与凸函数

本系列文章主要是我在学习《数值优化》过程中的一些笔记和相关思考，主要的学习资料是深蓝学院的课程《机器人中的数值优化》和高立编著的《数值最优化方法》等，本系列文章篇数较多，不定期更新，上半部分介绍无约束优化，下半部分介绍带约束的优化，中间会穿插一些路径规划方面的应用实例。

慕羽★的博客 2521

Pytorch实现EdgeCNN(基于PyTorch实现)

本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。

优快云 精品推荐 1万+

GitHub 2K+星、B站播放量超30万，大模型入门看这本书就够了！

这本书是由Datawhale所推出的力作，秉承了Datawhale‘为了学习者’的一贯理念，基于志愿者团队精彩的开源学习内容精心编纂而成，深入浅出地介绍大语言模型的原理和工程实践，对于初学者了解ChatGPT非常有帮助！第 7 章局限与不足—工具不是万能的，主要介绍了 ChatGPT（或其他类似的大语言模型）的缺陷或不擅长的地方，包括事实性错误、实时更新、性能瓶颈等方面。，GitHub 2K+星、B站播放量超30万，是Datawhale在打造了“南瓜书”“蘑菇书”“熊猫书”后，推出的第4本王牌之作。

ytt0523_com的博客 873

LVGL core group焦点分组管理(lv_group.c)

lv_group_t是用于焦点管理的，将需要获取焦点的对像加入到同一个分组内，再将其通过挂到指定的事件驱动中，就可以控制焦点了。而被加入的对象又可以通过焦点状态事件和事件来控制对象的焦点逻辑了。创建好的分组通过接口挂事件驱动中，这样就可以指定一个自定义的焦点分组了。;) {if(!} }友情提示：无论是接口还是都是单例的，即被设置后前一个被设置的值就失效了；此方案可以保证焦点的唯一 性，但也一定要记住要在适合的位置设置回来，以防丢失焦点。

Bigan(安)的博客 3908

GitHub 2K+星、B站播放量超30万，大模型入门首选书籍！

本书的封面上有一幅幅蝴蝶图案，这是因为作者们相信。

m0_65555479的博客 1354

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")

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

【送书福利】GitHub 2K+、B站播放量超30万，ChatGPT入门看这本书就够了！

文末赠书喜欢AI，对ChatGPT超级好奇，但被市面上爆增的大模型书籍和教学视频弄得眼花缭乱？没事！Datawhale团队最新推出的“蝴蝶书”——《ChatGPT原理与应用开发》来啦！这本书源自Datawhale开源项目HuggingLLM，GitHub 2K+星、B站播放量超30万，是Datawhale在打造了“南瓜书”“蘑菇书”“熊猫书”后，推出的第4本王牌之作。扫码5折购书，限100人翻开《...

程序IT圈 151

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

GitHub 2K+ Star、B站播放量超30万，大模型最佳入门教程

喜欢AI，对ChatGPT超级好奇，但被市面上爆增的大模型书籍和教学视频弄得眼花缭乱？没事！Datawhale团队最新推出的“蝴蝶书”——《ChatGPT原理与应用开发》来啦！这本书源自Datawhale开源项目HuggingLLM，GitHub 2K+星、B站播放量超30万，是Datawhale在打造了“南瓜书”“蘑菇书”“熊猫书”后，推出的第4本王牌之作。扫码5折购书，限100人翻开《Chat...

程序猿DD 383

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

GitHub2K+星、B站30万播放量，这本书爆火了....

喜欢AI，对ChatGPT超级好奇，但被市面上爆增的大模型书籍和教学视频弄得眼花缭乱？没事！Datawhale团队最新推出的“蝴蝶书”——《ChatGPT原理与应用开发》来啦！这本书源自Datawhale开源项目HuggingLLM，GitHub 2K+星、B站播放量超30万，是Datawhale在打造了“南瓜书”“蘑菇书”“熊猫书”后，推出的第4本王牌之作。扫码5折购书，限100人翻开《Chat...

公众号-老炮说Java 190

Datawhale蝴蝶书重磅出版，《ChatGPT原理与应用开发》，B站播放量超30万！

喜欢AI，对ChatGPT超级好奇，但被市面上爆增的大模型书籍和教学视频弄得眼花缭乱？没事！Datawhale团队最新推出的“蝴蝶书”——《ChatGPT原理与应用开发》来啦！这本书源自Datawhale开源项目HuggingLLM，GitHub 2K+星、B站播放量超30万，是Datawhale在打造了“南瓜书”“蘑菇书”“熊猫书”后，推出的第4本王牌之作。翻开《ChatGPT原理与应用开发》你...

fengdu78的博客 787

大模型自学教程

GitHub 2K+星、B站播放量超30万，大模型入门看这本书就够了！（文末送书）_应用_ChatGPT_语言 llm-course，狂飙13.5K Star，GitHub上最全的开源大模型教程 - 知乎大模型教程-哔哩哔哩_Bilibili

z15f34的博客 488

ChatGPT原理与应用开发，B站播放量超30万！

喜欢AI，对ChatGPT超级好奇，但被市面上爆增的大模型书籍和教学视频弄得眼花缭乱？没事！Datawhale团队最新推出的“蝴蝶书”——《》来啦！这本书源自Datawhale开源项目HuggingLLM，GitHub 2K+星、B站播放量超30万，是Datawhale在打造了“南瓜书”“蘑菇书”“熊猫书”后，推出的第4本王牌之作。扫码5折购书，限100人翻开《ChatGPT原理与应用开发》你会发...

cainiao_python的博客 308

B 站硬件大佬在 GitHub 上开源了一款神器

转自量子位野生钢铁侠稚晖君在 GitHub 上开源了一个硬核项目。上次自制纯手工打造 AI 小电视，播放量就超过300 万，还登上了 b 站首页。可能有些朋友对他还有点陌生。他毕业于电...

公众号：逛逛GitHub 2573

B 站硬件大佬又在 GitHub 上开源了一款神器...

公众号关注“GitHubDaily”设为 “星标”，每天带你逛 GitHub！转自量子位这次，野生钢铁侠稚晖君带着他的硬核项目又来了。上次自制纯手工打造 AI 小电视，播放量就超过3...

GitHubDaily 5265

BiliTools B站视频下载指南：30分钟从零到上手

想把这周的番剧存进硬盘，通勤路上离线看，却发现官方页面没有下载入口，解析站点广告满天飞，画质还被压成渣。BiliTools 就是为此而生的——一个免费开源的跨平台 B 站视频下载工具箱，支持 8K 高画质、弹幕、字幕与 NFO 刮削。看完本文，你能自己完成安装、登录、解析，以及第一次带弹幕的批量下载。 ## 项目全景：这个轻量工具箱到底是什么，能干什么 BiliTools 是一款基于 Taur

gitblog_00664的博客 798

B站视频下载终极指南：BiliTools用30MB免费搞定4K、弹幕与AI总结

> 周末想补完收藏夹里的教程，却发现离线想看的视频只能在线播放——这是不是你每天的真实困境？BiliTools 是一个基于 Tauri 构建的免费开源 B站视频下载工具，安装包只有约 30MB，却能一次性拿下视频、弹幕、字幕和AI总结，把"看过即忘"变成"下载即得"。 ## 三秒价值速览：它到底能帮你下载什么 一句话概括：BiliTools 解决的是"B站内容只能在线看、想本地留存却无从下手"

gitblog_00495的博客 323
上一篇： 一觉醒来，程序员怕是真要失业了
下一篇： 再见了，付费的 Copilot！
点赞 0
评论 0
书签 书签 0
codingpy
codingpy
博客等级 码龄11年 1870粉丝 104原创
+ 关注
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
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