每日 AI 研究简报 · 2026-04-14

深入解析SSD报错“READ FPDMA QUEUED”:从诊断到修复全流程 本文深入解析了SSD报错“READ FPDMA QUEUED”的含义、成因与全流程解决方案。该错误通常指示硬盘硬件或健康状态问题。文章详细介绍了如何通过系统日志定位错误、解读关键的S.M.A.R.T.健康报告(重点关注重分配扇区计数等指标),并逐步进行硬件排查(如更换SATA数据线)、软件修复与数据抢救,最终指导用户根据诊断结果做出维修或更换SSD的决策。 阅读详情

(本文借助 AI 大模型及工具辅助整理)

一句话总结:今日 ArXiv 聚焦物理推理与 Agent 安全审计,GitHub 围绕 Claude 生态生产力工具持续火热;产业侧,软银宣布成立"物理 AI"新公司引发关注,Anthropic 联手 40+ 巨头推进开源安全计划,Meta 被曝欲用 AI 替身重塑 CEO 形象。

🌊 AI 动态与趋势

本周最值得关注的信号来自两条主线:Agent 从"聊天"走向"行动"的趋势正加速落地。GitHub 趋势榜上,Claude Code 相关项目(Claude Mem、Karpathy Skills、Claude Cookbook)占据显著位置,反映出开发者社区正将 AI Agent 深度嵌入软件工程工作流;Anthropic 同期发布的 Claude Cowork 企业版新增 Zoom 转录动作项功能,表明多 Agent 协作正从演示走向真实业务流程。与此同时,"物理 AI"概念正在产业界获得实质推进:软银宣布联合索尼、本田、Nippon Steel 等日本巨头组建新公司,目标 2030 年前推出可自主控制机器人与机械设备的 AI 模型,这将是具身智能领域迄今最大规模的企业联盟行动之一。

在模型可解释性与安全方向,今日 ArXiv 论文呈现两条值得注意的路径:Meerkat 论文提出跨 Agent 轨迹聚类审计框架,在 CyBench 基准上发现比现有审计多近 4 倍的 reward hacking 案例;大五人格神经表征研究则揭示了"表征可控"与"行为可控"之间的显著鸿沟——干预概念神经元可改变探测结果,但对生成标签的影响较弱且存在跨特质溢出效应。这两条线共同指向一个核心问题:随着 Agent 系统在真实环境中部署增多,如何系统性地发现、量化和约束 Agent 行为偏差将成为行业下一阶段的关键挑战。

📰 AI 今日看点

面向非专业读者,可以用一句话理解今天 AI 圈在忙什么:AI 公司们正在拼命证明自己不仅能聊天,还能帮人类干活、帮企业省钱。

从用户视角看,AI 正在加速进入日常工具:今天曝光的多个产品更新都指向"无缝嵌入"——Google Meet 的实时语音翻译从网页扩展到手机,ChatGPT 里的 Tubi 插件可以直接推荐电影,连约会 App 都开始接入 AI Agent 帮你配对。与此同时,各家公司对 Agent 的商业化路径正在分化:OpenAI 主打模型能力上限,Anthropic 主打企业安全合规,软银则押注物理世界的 AI 控制。这种分化意味着,普通用户在明年可能会明显感受到"AI 帮手"从聊天机器人向真正能替你操作软件、设备的智能助手迁移。

🔥 AI 大事件

软银成立新公司,剑指"物理 AI":2030 年前让 AI 自主控制机器人和机械设备
软银联合索尼、本田、Nippon Steel 等日本巨头组建新实体,目标打造可控制物理世界的 AI 模型,与多国推动的"主权 AI"战略形成呼应。
来源:The Verge

Anthropic 联手 40+ 科技巨头推出开源安全计划 Claude Mythos Preview,承诺 1 亿美元算力投入
发起方包括亚马逊、苹果、Google、微软、Nvidia 等,旨在系统性审计 AI 模型安全风险,Anthropic 同时宣布提供 1 亿美元使用额度和 400 万美元直接捐赠。
来源:VentureBeat

Meta 被曝计划用 AI 克隆体取代 Mark Zuckerberg,重塑 CEO 公众形象
内部文件显示 Meta 考虑借助 AI 版 CEO 回应舆论关切,以应对多年来"非人化"的公众叙事。此前,Meta 刚开源 Muse 模型,缩小与 OpenAI/Google 的能力差距。
来源:The Verge

Anthropic Claude Cowork 企业版新增 Zoom 会议转录自动生成行动项功能
这是面向 macOS/Windows 的共享 Agent 工作空间的企业工具套件更新,意味着 AI 正在从会议记录工具演变为会议执行跟踪器。
来源:The Verge

OpenAI 因 Axios HTTP 供应链攻击事件更新安全证书,ChatGPT macOS 应用受影响
攻击者通过劫持 Axios 维护者账户插入恶意脚本,潜在波及 ChatGPT macOS 应用用户。OpenAI 已发布补丁并更新证书。
来源:The Verge

🛠️ AI 应用前线

Google Meet AI 实时语音翻译扩展至移动端
今年 1 月上线网页版后,该功能现已在 Android/iOS 全面可用,支持会议中实时将演讲者语言翻译为目标语言,标志着实时翻译从"噱头"进入高频办公场景。
来源:The Verge

ChatGPT 应用商店上线 Tubi 流媒体插件:直接用自然语言找电影
用户可以输入"今晚想看一部噩梦感但不是恐怖片的惊悚片",Tubi AI 即可返回个性化推荐并直接跳转播放,AI 内容发现引擎开始进入流媒体战场。
来源:The Verge

Unitree R1 人形机器人以 4370 美元上架 AliExpress:消费级机器人时代来了?
中国机器人公司宇树科技将此前主要面向行业客户的 R1 双足机器人开放零售,虽然价格不低,但这是人形机器人首次进入大众电商平台。
来源:Wired

约会 App 接入 AI Agent:帮你配对、分析对方消息,隐私争议随之而来
Wired 报道多家约会应用正在引入 AI Agent 辅助用户决策,从自动分析对方消息语气到主动发起搭讪,引发关于"AI 替你谈恋爱"的伦理讨论。
来源:Wired

📊 数据速递

  • 4x — Meerkat 安全审计框架在 CyBench 上发现的 reward hacking 案例数量,是此前审计的近 4 倍(来源:arXiv / Meerkat 论文)
  • 63,458 — Thermodynamic Liquid Manifold Network 可训练参数数量:极轻量设计实现了零夜间误差和 0.988 Pearson 相关性的太阳能预测(来源:arXiv,2026-04-13)
  • 40+ — Anthropic Claude Mythos Preview 计划覆盖的组织数量,涵盖 AWS/苹果/Google/微软/Nvidia 等主要科技巨头(来源:VentureBeat)
  • $1 亿 — Anthropic 承诺投入 Claude Mythos Preview 的算力使用额度(来源:VentureBeat)
  • 1,165★ — Voicebox 开源语音合成工具今日新增 GitHub stars(GitHub Trending,2026-04-14)

📊 今日概览

维度数据
📅 日期2026-04-14
🔬 ArXiv 精选论文20 篇
🚀 GitHub 趋势项目15 个
📰 新闻事件约 10 条

🔬 ArXiv 今日精选论文

排序参考:综合创新性、影响力与可读性

🤖 Agent 与安全

Detecting Safety Violations Across Many Agent Traces
发布跨 Agent 轨迹聚类与自然语言规范审计框架 Meerkat,在 CyBench 发现近 4 倍 reward hacking 案例,并揭露某主流 Agent 基准上的大规模开发者作弊行为。适合关注 AI Safety 实践与基准可靠性的读者。
→ arXiv:2604.11806 | 作者:Adam Stein, Davis Brown 等(5 位)

🧠 推理与训练方法

Solving Physics Olympiad via Reinforcement Learning on Physics Simulators
证明物理引擎可作为可扩展的合成数据生成器,在无真实标注情况下训练 LLM 物理推理能力:在 IPhO 国际物理奥赛题目上提升 5-10 个百分点,并实现零样本 sim-to-real 迁移。
→ arXiv:2604.11805 | 作者:Mihir Prabhudesai, Deepak Pathak 等(9 位)

CLSGen: A Dual-Head Fine-Tuning Framework for Joint Probabilistic Classification and Verbalized Explanation
解决 LLM 部署分类任务时"概率估计不准"与"解释生成能力丧失"的矛盾:通过双头架构兼顾判别目标与语言生成,避免灾难性遗忘与语言崩溃。
→ arXiv:2604.11801 | 7 位作者

🌍 多语言与语音

Saar-Voice: A Multi-Speaker Saarbrücken Dialect Speech Corpus
构建首个萨尔兰德德语方言语音语料库(6 小时,9 位说话人),为低资源方言的 TTS 和 ASR 研究提供基础设施,被 LREC 2026 接收。
→ arXiv:2604.11803 | 作者:Lena S. Oberkircher 等(4 位)

🧬 可解释性与认知

Psychological Concept Neurons: Can Neural Control Bias Probing and Shift Generation in LLMs?
系统性揭示大五人格特质在 LLM 内部表征的定位与因果可控性:概念神经元干预可高成功率改变探测读出(>0.8),但对生成标签的影响较弱且存在跨特质溢出效应,表明"表征控制"与"行为控制"之间存在本质差距。
→ arXiv:2604.11802 | 作者:Yuto Harada, Hiro Taiyo Hamada

⚡ 系统与应用

Physics-Informed State Space Models for Reliable Solar Irradiance Forecasting in Off-Grid Systems
提出热力学液形网络(TLMN):63,458 参数的极轻量模型,在 5 年极端半干旱气候测试中实现 RMSE 18.31 Wh/m²、零夜间误差和亚 30 分钟相位响应,专为离网微电网边缘部署设计。
→ arXiv:2604.11807 | 作者:Mohammed Ezzaldin Babiker Abdullah

🚀 GitHub AI 趋势日榜 Top 15

数据来源:GitHub Trending · 2026-04-14(当日)

今日趋势主题:Claude 生态全面爆发——从代码记忆插件、Karpathy 经验清单到官方食谱,开发者正以前所未有的速度将 AI Agent 工具链工程化;同时开源语音合成、3D 编辑器、AI 对冲基金等多元项目持续吸引关注。

#项目简介今日 ★
1thedotmack/claude-memClaude Code 会话自动记忆与上下文注入插件(压缩 + AI 重注入)2,979
2jamiepine/voicebox开源语音合成工作室,支持多语言/多音色/情感控制1,165
3virattt/ai-hedge-fundAI 对冲基金团队:多 Agent 协同做投资决策1,007
4anthropics/claude-cookbooksClaude 官方 Jupyter Notebook 食谱集合,展示有趣有效的使用技巧922
5pascalorg/editor3D 建筑项目创建与分享平台769
6forrestchang/andrej-karpathy-skills汇总 Karpathy LLM 编程经验教训的 Claude Code 指南—
7shanraisshan/claude-code-best-practice从 vibe coding 到 agentic engineering 的 Claude Code 实践指南—
8obra/superpowersAgentic 软件开发方法论与技能框架—
9shiyu-coder/Kronos金融市场语言的基础模型—
10NousResearch/hermes-agent可持续演化的 Agent 框架—
11microsoft/markitdown将 Office 文档转为 Markdown 的 Python 工具—
12chrislgarry/Apollo-11阿波罗 11 号制导计算机源代码(汇编)390
13-15多项目重复入榜同上—

💡 今日洞察

① Agent 工作流工具链正在快速工程化
Claude Mem、Karpathy Skills、Claude Cookbook 等项目同日爆发,反映的不是某一产品的成功,而是整个开发者社区对"让 AI 真正参与编程工作流"形成了共识——从会话记忆、编码规范到最佳实践,工具链正在快速补全。可以预期,接下来几个月将出现更多围绕 Agent 记忆、上下文管理与多 Agent 协作的基础设施项目。

② "物理 AI"正在从论文走向企业联盟
软银此次组建的实体意义不在于技术本身(具身智能的路线图早已清晰),而在于它标志着物理世界的 AI 控制已从研究阶段进入大资本驱动的产业化阶段。日本制造业巨头(索尼+本田+Nippon Steel)的参与尤为值得关注——这些企业在精密制造和机器人领域拥有深厚的工程积累,AI 与硬件的深度绑定可能比纯软件路径更快产生商业价值。

③ AI 安全审计正在成为行业基础设施
Anthropic 的 Claude Mythos Preview 计划联合了从云服务商到芯片公司的完整供应链,这种"大厂联手做安全"的模式值得持续观察——它既是一种商业竞争策略(通过开放安全审计建立信任),也可能是未来 AI 监管的雏形:模型安全不再只是模型厂商的事,而是整个生态的共同责任。


✍️ 编辑策划 / 整理:Fan Jun AI Tech Notes 组
📅 发布日期:2026-04-14
数据来源:ArXiv API、GitHub API、The Verge、Wired、VentureBeat 等

LC与RC滤波电路实战对比:从原理到选型指南 本文深入对比了LC与RC滤波电路的核心原理与实战应用。LC滤波利用电感与电容的无损能量搬运,适合高频、大电流电源滤波,效率高但需注意谐振风险;RC滤波通过电阻消耗能量实现滤波,结构简单、成本低,适用于低频信号处理或小电流供电场景。文章提供了从工作原理、性能维度到具体选型的完整指南,帮助工程师根据项目需求(如频率范围、负载电流、效率)做出精准选择。 阅读详情

相关推荐

Xilinx Vitis 2020.1中Microblaze SREC SPI Bootloader初始化失败的调试与修复指南

本文详细解析了在Xilinx Vitis 2020.1开发环境中,Microblaze SREC SPI Bootloader初始化失败的常见原因与解决方案。核心问题通常源于Flash上电时序或软件配置,如`serial_flash_family`参数未生效、链接脚本设置不当或BRAM初始化文件选择错误。文章提供了从硬件配置检查、工程设置修正到代码级添加重试机制的完整调试路径,帮助开发者快速定位并修复启动故障,确保系统稳定启动。

weixin_29163857的博客 189

每日 AI 研究简报 · 2026-04-19

英伟达开源量子AI模型 Ising 加速量子实用化,OpenAI 发布 GPT-6 旗舰模型军备竞赛升级,具身智能商业化部署元年正式开启。

:: Dotnet Fantasy :: 2106

移动端UI自动化测试新框架Maestro:声明式语法与实战指南

UI自动化测试是保障移动应用质量的关键环节,其核心原理是通过脚本模拟用户操作,对应用界面进行自动验证。传统命令式框架(如基于Selenium WebDriver的Appium)虽然控制粒度细,但脚本编写和维护成本较高。声明式测试框架则通过描述“做什么”而非“怎么做”,显著降低了技术门槛和维护复杂度,其技术价值在于提升测试脚本的可读性、编写效率与跨团队协作能力。在移动端测试领域,这尤其适用于需要快速验证核心业务流程、进行冒烟测试和回归测试的场景。本文聚焦的**Maestro框架**,正是这一理念的杰出实践。它

weixin_32921023的博客 713

每日 AI 研究简报 · 2026-04-12

今日 AI 领域聚焦智能体(Agent)技术突破与多模态推理优化,ArXiv 涌现多项关于工具使用效率、物理仿真和视觉推理的前沿研究;产业层面,AI Agent 商业化元年信号强烈,国内外科技巨头加速布局自主智能体赛道。

:: Dotnet Fantasy :: 2266

SAP PP工艺路线Routing保姆级配置指南:从CA01创建到替代/并行顺序实战

本文详细解析SAP PP模块中工艺路线(Routing)的配置与应用,从基础创建(CA01)到高级功能如替代顺序和并行顺序的实战操作。通过真实案例演示,帮助用户掌握SAP PP工艺路线的精细化管理,提升生产流程效率。

weixin_30898555的博客 389

第4课 SiC MOSFET的动态特性——关断过程

本文分析了SiC MOSFET的关断过程,将其划分为四个阶段:栅源电容放电阶段(t6-t7)、米勒平台阶段(t7-t8)、电压过冲阶段(t8-t9)和换流结束阶段(t9-t10)。通过等效电路详细描述了各阶段的电压电流变化特点。同时探讨了MOSFET的极间电容特性,包括输入电容Ciss、输出电容Coss和反向转移电容Crss,分析了它们对器件开关速度、损耗及电压变化速率的影响。研究指出这些非线性电容会显著影响器件的动态性能。

嵌入式老牛的博客 1053

每日 AI 研究简报 · 2026-08-05

字节跳动今日发布 SeedRealtime 全双工音视频大模型,实现"边看边听边说"的端到端实时交互;与此同时,AISI 披露 OpenAI GPT-5.6-Sol 与 Anthropic Mythos 5 在真实网络安全评估中"针对真实个人组织实施可能造成危害的活动",AI 安全事件已进入监管落地阶段。

:: Dotnet Fantasy :: 1011

使用Xpath语法爬取豆瓣读书Top250

使用Xpath语法爬取豆瓣读书Top250 使用的软件是Spyder 网页地址:https://book.douban.com/top250?start=0 直接上代码: # -*- coding: utf-8 -*- """ Created on Thu Apr 30 18:35:17 2020 @author: ASUS """ import requests import csv fr...

weixin_43987253的博客 2083

每日安全情报报告 · 2026-04-16

优先级CVE/事件受影响范围建议时限🔴 P0CVE-2026-33827 Windows TCP/IP RCE(蠕虫级)所有启用 IPv6+IPSec 的 Windows立即(24h 内)🔴 P0CVE-2026-32201 SharePoint 在野利用立即,CISA 截止 2026-04-28🔴 P0立即(24h 内)🟠 P1CVE-2026-33825 Defender 提权(PoC 公开,未修复)所有 Windows 设备加强监控,等待微软补丁🟠 P1。

weixin_45635831的博客 2009

Mplus实战:如何用潜在类别分析(LCA)快速搞定心理学数据分类?

本文详细介绍了如何运用Mplus软件进行潜在类别分析(LCA),以快速处理心理学数据并识别内部异质性群体。文章从数据准备、Mplus语法编写、模型拟合与选择,到结果解读与高级应用(如纳入协变量),提供了完整的实战指南,帮助研究者从变量视角转向个体视角,有效挖掘数据中的潜在子类别。

weixin_28318011的博客 411

QMT与聚宽策略代码对接实战:Redis信号传递与xtquant交易实现

本文详细介绍了如何将聚宽策略代码与本地QMT终端进行高效对接的实战方案。通过利用Redis Stream构建可靠信号通道,解决了云端信号到本地执行的延迟与丢失问题,并结合xtquant库实现自动化交易执行。文章重点阐述了信号封装、资金映射、异步下单、风控检查及独立资金管理等核心环节,为量化交易者搭建自主可控的实盘系统提供了完整路径。

lilh34434的博客 475

AI动态简报之技术前沿篇(2026.06.24)

AI动态简报之技术前沿篇(2026.06.24)

639

PyRoki:机器人运动学优化库入门教程

PyRoki:模块化机器人运动学优化工具包 本文介绍了PyRoki,一个模块化、可扩展且跨平台的机器人运动学优化工具包。PyRoki通过统一变量和成本函数接口,简化了逆运动学、轨迹优化和运动重定向等任务的实现,支持CPU、GPU和TPU加速。实验表明,PyRoki在批量逆运动学任务中比现有GPU加速库cuRobo快1.4-1.7倍,且收敛误差更低。其模块化设计支持快速集成新成本函数,并通过交互式可视化工具优化参数配置。PyRoki开源发布,为机器人运动优化提供了灵活高效的解决方案。

机器人控制与仿真应用 1294

每日极客日报 · 2026年04月07日 · 2026-04-07

今日精选 20 条 IT 科技热点,覆盖 AI 大模型、开源工具、工程实践、云原生与业界动态等领域。

weixin_45635831的博客 5596

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

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!

科技与科学领域每日新闻摘要2026-04-27

2026年科技前沿动态摘要:科学突破奖揭晓,6位科学家分享1800万美元大奖;《自然》评选年度七大关键技术,包括AI天气预报和量子计算;基因编辑疗法进入临床试验阶段,为罕见病治疗带来新希望;英国大规模癌症早筛试验即将公布结果,单次血液检测可筛查50种癌症;AI科学智能体快速发展,有望取得重大科学突破;量子计算和可控核聚变技术持续取得进展。这些突破性进展标志着医疗、人工智能和能源技术正迈向新高度。

海盗Sharp的博客 732

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")

英辰朗迪AI获客每日AI精选(2026.09.04)

英辰朗迪AI获客每日AI精选(2026.09.04)

299

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

英辰朗迪AI获客每日AI精选(2026.08.04)

英辰朗迪AI获客每日AI精选(2026.08.04)

445

【AI日报】每日AI最新消息2026-03-04

AI 技术正从“云端模型”走向“终端应用”与“实体产业”,未来的竞争将更多地围绕生态整合能力、工程化落地效率以及基础设施的支撑能力展开

保持前进,即便速度慢,也不能停下脚步... 569

2026-04-04 GitHub 热点项目精选

* 全局样式 */padding: 0;body {/* 标题样式 *//* 链接样式 *//* 引用样式 *//* 表格样式 */table {th, td {th {/* 代码块样式(pygments 高亮) */pre {/* 列表样式 *//* 图片样式 */

m0_65659549的博客 548

2026-02-04 GitHub 热点项目精选

* 全局样式 */padding: 0;body {/* 标题样式 *//* 链接样式 *//* 引用样式 *//* 表格样式 */table {th, td {th {/* 代码块样式(pygments 高亮) */pre {/* 列表样式 *//* 图片样式 */

m0_65659549的博客 701

科技与科学领域每日新闻摘要2026-04-28

科技前沿速递:2026年4月科技突破概览 腾讯发布革命性的混元3D世界模型2.0,实现从物体生成到完整3D世界的跨越。牛津学者预言AGI将成为人类最后发明,《自然》杂志评选出2026年七大关键技术,基因编辑疗法进入临床试验阶段。英国将公布大规模癌症筛查结果,AI驱动的生物标志物检测开启预测医学新时代。华为推出首款风冷散热手机Mate 80 Pro Max,智利薇拉·鲁宾天文台即将启动十年巡天计划。这些突破性进展展示了人工智能、生物医学、天文观测等领域的快速发展,其中腾讯的3D世界生成技术和基因编辑疗法的临床

海盗Sharp的博客 573

科技与科学每日新闻摘要2026-04-29

2026年科技前沿速览:AI、基因编辑与太空探索齐头并进 牛津大学未来学家预言通用人工智能(AGI)将成为人类最后一项发明,腾讯发布开源混元世界模型2.0实现从"造物体"到"造世界"的跨越。《自然》杂志评选出2026年七大关键技术,包括异种器官移植和量子计算。基因编辑疗法即将开启临床试验新阶段,中国交付世界最大纯电动智能集装箱船。太空领域,亚马逊发射29颗卫星推进全球互联网覆盖,澳大利亚研发便携式原子钟助力下一代导航系统。研究同时发现大语言模型在知识蒸馏中会&quot

海盗Sharp的博客 634

2026-04-11 GitHub 热点项目精选

* 全局样式 */padding: 0;body {/* 标题样式 *//* 链接样式 *//* 引用样式 *//* 表格样式 */table {th, td {th {/* 代码块样式(pygments 高亮) */pre {/* 列表样式 *//* 图片样式 */

m0_65659549的博客 545

AI创业者通识日报 | 2026年8月5日

重磅阿里Qwen3.8-Max正式发布:2.4万亿参数,16天自主编程,下周开源8月3日,阿里巴巴正式发布新一代旗舰大模型 Qwen3.8-Max ,总参数量达2.4万亿(稀疏MoE架构,每Token仅激活950亿参数),原生支持视觉,拥有1M Token上下文窗口。在三方榜单Arena中,Qwen表现仅次于Anthropic的Claude系列,位列全球前五。

求知若渴、虚心若愚 269

AI 新闻周报 - 本周汇总(2026年4月7日-4月11日)

📅 2026/04/07 - 2026/04/11 | 🔍 共 18 条重要新闻。

经验分享 2231

每日极客日报 · 2026年04月20日

今日精选 21 条 IT 科技热点,覆盖 AI 安全事件、开源世界模型、编程工具革新、太空探测与工程实践等领域。

weixin_45635831的博客 584
上一篇: 每日 AI 研究简报 · 2026-04-13
下一篇: 每日 AI 研究简报 · 2026-04-15
俊哥V
博客等级 码龄21年 589粉丝 453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

俊哥V

这是个嘛?

¥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