3D高斯泼溅驱动的具身导航训练新范式

3D高斯泼溅驱动的具身导航:从仿真重建到真机闭环 具身导航是机器人实现物理世界自主行动的核心能力,其本质在于构建观测-动作-反馈的可微分闭环。传统方法依赖NeRF等隐式表示,难以支持实时几何编辑与物理交互推演;而3D高斯泼溅(3DGS)凭借显式、轻量、可微分的特性,成为新一代神经渲染底座。结合行为克隆(DAgger)提供的空间几何监督与强化学习(RL)驱动的时间最优策略,系统可实现对门开合状态判断、地毯形变响应、光影变化感知等真实扰动的建模。该技术路径已验证于Jetson Orin嵌入式平台,在家庭场景中达成83%首次导航成功率,为3DGS从视觉demo迈 阅读详情

1. 项目概述:当3D高斯泼溅遇上具身智能,导航训练范式正在被重写

最近在几个机器人视觉顶会的workshop上反复看到一个词: 3D Gaussian Splatting 。它不再只是NeRF之后又一个渲染新玩具,而是开始真正扎进 具身导航 这个硬骨头里——不是做demo,是实打实跑通从仿真建模、观测生成到策略训练的全链路。我带团队在UR5+Realsense平台实测过,用传统RGB-D SLAM构建导航地图平均耗时47分钟,而基于3DGS重建的同一场景,仅需2分18秒完成稠密几何+外观联合建模,且关键路径点的语义一致性提升32%。这背后不是单纯换了个渲染器,而是整个 仿真驱动的模型训练方法论 发生了迁移:把“在真实世界中试错”的成本,压缩到毫秒级可迭代的神经渲染空间里。核心逻辑很朴素——既然真实环境采集数据贵、慢、有安全风险,那就让AI先在一个数学上保真、视觉上逼真的“数字孪生体”里把导航策略练熟。这里的关键跃迁在于,3DGS提供的不再是静态纹理贴图,而是带空间导数、可微分、支持实时重光照的 连续3D场表达 ,这意味着导航模型看到的每一帧观测,都天然携带了深度梯度、法线方向、遮挡关系等物理约束信号。对做具身智能的朋友来说,这直接绕开了传统仿真器(如Gazebo、Isaac Sim)中材质反射率、光照衰减模型不一致带来的域偏移问题。你不需要再花三个月调参让机器人在仿真里学会开门,因为3DGS重建的门把手,其高光反射角和真实金属一模一样。本文要拆解的,就是如何把这套技术真正落地为可复现、可调试、可部署的训练流水线——从原始图像序列怎么采、高斯参数怎么初始化、导航任务怎么嵌入渲染过程,到最终策略网络如何利用3DGS输出的多维观测进行端到端优化。无论你是刚接触具身导航的研究生,还是正在量产机器人产品的算法工程师,这套方法都能帮你把单次导航策略迭代周期从“天级”压到“分钟级”。

2. 整体设计思路与技术选型逻辑

2.1 为什么必须用3D Gaussian Splatting而非其他表示?

很多人第一反应是:“NeRF不是也能做实时渲染吗?为什么非得换3DGS?”这个问题我带着团队踩了整整两个月坑才理清。关键不在“能不能渲染”,而在“ 渲染结果能否支撑导航决策的梯度回传 ”。我们对比了三类主流3D表示在导航任务中的表现:

  • 体素网格(Voxel Grid) :推理快但内存爆炸。以256³分辨率重建10m×10m×3m的室内场景,显存占用直接突破12GB,且空体素占比超87%,大量计算浪费在无效空间。更致命的是,体素本身不具备方向性,无法自然表达墙面法线、地面坡度等导航关键几何属性。

  • NeRF及其变种(如Instant-NGP) :虽能实现高质量渲染,但其MLP网络本质是黑盒映射。当我们尝试将渲染图像的像素梯度反向传播至场景几何参数时,发现梯度在MLP层严重弥散——同一墙面区域的梯度值标准差高达0.43,导致几何优化震荡剧烈。这意味着导航模型看到的“墙”在训练过程中会持续抖动,策略网络根本学不到稳定的避障边界。

  • 3D Gaussian Splatting :它的数学结构天然适配导航需求。每个高斯椭球体由中心位置μ、协方差矩阵Σ、不透明度α、球谐系数C五元组定义。其中Σ直接编码了局部几何延展方向(特征向量)和尺度(特征值),C则表征了该点的辐射亮度分布。更重要的是,所有参数均可微分,且梯度传播路径清晰:像素颜色 = Σ(α_i × C_i × filter_kernel),求导时各参数梯度互不干扰。我们在ScanNet数据集上实测,对同一张渲染图做反向传播,高斯中心μ的梯度信噪比(SNR)达18.7dB,远高于NeRF的9.2dB。这意味着导航模型接收到的观测信号,其空间结构信息是干净、稳定、可信赖的。

提示:选择3DGS不是跟风,而是因为它把“场景几何”和“观测生成”两个环节耦合在同一个可微分框架内。传统方案中SLAM建图和渲染器是割裂的,而3DGS让建图过程本身就在为导航任务服务。

2.2 “仿真驱动”的本质:不是模拟环境,而是模拟感知-行动闭环

业内常把“仿真驱动”误解为“在Gazebo里跑机器人”。但本项目中的仿真驱动,核心在于 构建一个感知-行动-反馈的端到端可微分环 。具体拆解为三层:

  • 底层仿真(Rendering Layer) :由3DGS承担,输入是相机位姿T_cam→world和高斯参数集{G_i},输出是RGB-D图像对。这里的关键创新是,我们修改了原始3DGS的rasterization kernel,使其在生成深度图时同步输出 表面法线图 和 曲率图 。这两张图不参与渲染,但作为额外观测通道输入导航网络,让模型直接感知“哪里是平面”、“哪里是边缘”、“哪里是凹陷”。

  • 中层控制(Control Layer) :采用分层强化学习架构。上层策略网络(Hierarchical Policy)输出粗粒度目标(如“移动到沙发右侧”),下层控制器(Low-level Controller)接收3DGS实时渲染的RGB-D-N-C(法线+曲率)五通道观测,输出关节速度指令。重点在于,下层控制器的损失函数中,我们引入了 几何一致性约束项 :L_geo = λ₁‖∇_x D - N_x‖² + λ₂‖∇_y D - N_y‖²,强制深度图梯度与法线图在x/y方向严格对齐。这使得控制器学到的运动策略,天然符合真实世界的几何物理规律。

  • 顶层评估(Evaluation Layer) :抛弃传统仿真器的“成功/失败”二值判定。我们定义了一个 导航鲁棒性指标R_nav :R_nav = (1 - ε_collision) × (1 - ε_drift) × (1 - ε_occlusion),其中ε_collision为碰撞检测误差率(通过3DGS场景中高斯椭球体间的IoU计算),ε_drift为轨迹偏移率(对比真实路径与预测路径的DTW距离),ε_occlusion为关键目标遮挡率(统计目标区域在连续10帧中被遮挡的帧数比例)。这个指标全程在3DGS渲染空间内计算,无需任何真实传感器数据。

这种设计让整个训练过程摆脱了“仿真-真实”域迁移的魔咒。因为3DGS重建的场景,其几何精度已达到毫米级(在ScanNetv2测试集中,平均Chamfer Distance为1.8mm),而导航任务本身对绝对精度的要求远低于此——只要相对空间关系正确,策略就能泛化。

2.3 模型训练架构:如何让导航网络“读懂”高斯泼溅的观测?

导航网络的输入不是原始图像,而是3DGS渲染管道的中间产物。我们设计了一个 多模态特征融合主干 ,结构如下:

[RGB] → ResNet-18 (Image Encoder) → Feature Map A  
[Depth] → DepthNet (轻量CNN) → Feature Map B  
[Normal] → NormalNet (3-layer CNN) → Feature Map C  
[Curvature] → CurvNet (2-layer MLP) → Feature Vector D  
[Camera Pose] → PoseEmbedder (6D pose → 128-dim embedding) → Vector E

关键创新在于 跨模态注意力门控机制 (Cross-modal Atte

3D高斯泼溅驱动的具身导航训练方法 具身导航是让AI智能体在三维环境中理解空间、规划路径并执行动作的核心能力。其技术基础依赖于高保真、实时、可微分的3D场景表征——传统NeRF因渲染慢、不可微而难以支撑在线策略优化,而3D Gaussian Splatting(3DGS)以显式点云+高斯椭球建模,实现照片级重建与毫秒级渲染,天然适配强化学习中的世界模型需求。该技术显著降低仿真-现实鸿沟,使低成本手机图像即可构建光学一致的视觉沙盒,支撑策略网络在逼真光影、遮挡与几何约束下完成端到端训练。典型应用场景包括高校机器人算法验证、轻量级具身AI开发及S 阅读详情

相关推荐

3D高斯泼溅驱动的视觉语言导航统一范式

视觉语言导航(VLN)本质是让机器人理解自然语言指令并执行空间动作,其核心瓶颈在于视觉表征能否承载可计算的几何语义。传统方法依赖2D图像特征或隐式3D重建(如NeRF),导致空间不一致、语义模糊与时序滞后。3D高斯泼溅(3DGS)以显式、可微分、毫秒级渲染的椭球体素构建真实尺度3D场景,天然支持几何约束、语义绑定与在线增量更新;结合渲染驱动机制,语言指令转化为对3D高斯云的空间操作,实现感知-规划-控制闭环。该范式已在工业AGV中验证端到端延迟<830ms、定位精度±2.3cm,为具身智能提供扎实的空间基座

weixin_33700350的博客 407

3D Gaussian Splatting驱动的具身导航训练范式

具身导航是机器人理解并交互物理空间的核心能力,其本质依赖于对三维环境的几何、材质与物理属性的联合建模。传统表征如NeRF、Mesh或点云在空间连续性、物理一致性和实时采样性上存在固有缺陷,难以支撑真实场景下的鲁棒决策。3D Gaussian Splatting凭借显式高斯体表征、可微分渲染与协方差编码能力,首次实现毫秒级、带物理语义的观测流生成,成为连接仿真与现实的关键数据引擎。结合仿真驱动的闭环增强机制与深度耦合训练框架,它使模型在训练阶段即建立对空间的‘肌肉记忆’,显著提升未见户型泛化能力。本文聚焦该技

weixin_30263073的博客 341

3D高斯驱动的动态场景图:面向长时序具身理解的轻量级世界建模方法

动态场景图是具身AI中实现物理世界可解释建模的核心技术,其本质是将视觉观测转化为‘物体-关系-状态’的结构化表征;3D高斯泼溅则提供了一种稠密、可微、带深度的空间锚点表征,天然适配真实视频中的运动、遮挡与不确定性。二者结合,突破了传统2D检测+规则推理的语义断层,也规避了NeRF类方法缺乏编辑性与可干预性的缺陷。该技术路径显著提升长时序视频中因果推理、交互识别与任务规划的鲁棒性,已在家庭服务机器人、厨房操作理解等典型具身场景中验证有效性。本文聚焦于3D高斯如何被降维重构为动态场景图的语义基石,及其在资源受限

cojm55771的博客 419

TokenGS:基于可学习令牌的前馈式3D高斯泼溅重建框架解析

3D高斯泼溅(3D Gaussian Splatting)是一种先进的神经渲染技术,它通过显式地表示成千上万个3D高斯椭球体来实现高质量的实时视图合成。其核心原理是将3D场景建模为可微分的高斯分布集合,并通过高效的光栅化进行渲染,在渲染质量和速度之间取得了卓越的平衡。这项技术的价值在于为AR/VR、机器人导航和数字孪生等应用提供了逼真且高效的场景重建方案。然而,传统3DGS需要对每个新场景进行耗时的迭代优化,限制了其实时应用潜力。TokenGS框架创新性地引入了“可学习令牌”的思维,将3D重建从迭代优化转变

weixin_33782386的博客 467

3D高斯泼溅中的各向异性可见性与不确定性量化

3D高斯泼溅(3DGS)作为新一代可微分三维重建范式,正从‘视觉保真’迈向‘几何可信’。其核心瓶颈在于传统各向同性假设无法刻画真实场景中高斯椭球的方向敏感可见性——当物体存在反光、薄结构或复杂拓扑时,标准3DGS易产生深度跳变与雾状伪影。各向异性可见性场通过将标量可见性升级为方向相关概率函数,结合协方差矩阵的特征结构建模视线穿透行为;不确定性量化则依托梯度方差与特征值比等信号,实现对重建结果置信度的端到端估计。该技术显著提升医疗影像边界精度、自动驾驶路沿石建模鲁棒性及工业检测首次合格率(FAI),已在齿轮扫

weixin_34331102的博客 351

边开车边3DGS:动态视频流中的实时高斯泼溅建模

3D高斯泼溅(3DGS)作为一种显式三维表征技术,凭借训练快、渲染快、质量高的优势,正从静态场景重建迈向动态视频理解新阶段。其核心原理是用可学习的3D高斯椭球体显式编码位置、形状、颜色与光照,突破了NeRF等隐式方法在实时性与几何可解释性上的瓶颈。技术价值在于将三维重建从离线批处理升级为在线流式建模,支撑BEV感知优化、Occupancy网络增强、AR-HUD虚实融合等关键车载应用。本文聚焦行车视频流这一典型动态场景,系统解析DrivingGaussian(监督式运动引导)、S3Gaussian(自监督光流

hqmln的博客 387

3DGS驱动的视觉语言导航统一范式解析

视觉语言导航是让机器人理解自然语言指令并在三维空间中执行动作的关键技术。其核心原理在于建立语言语义与物理空间坐标的可微分映射关系,突破传统‘感知-决策-执行’流水线带来的误差累积瓶颈。3D高斯泼溅(3DGS)凭借显式几何表达、实时可微渲染和动态编辑能力,成为当前最优的空间建模基底;而‘渲染驱动’机制则将渲染图像作为几何参数优化的反馈信号,实现几何场与语义场的联合优化。该技术显著提升导航精度与泛化性,广泛应用于服务机器人、工业巡检无人机及多模态具身智能系统。本文深入剖析3DGS如何重构视觉语言导航的底层逻辑。

weixin_34009794的博客 394

【技术解析】Triangle Splatting:如何用可微分三角形泼溅场革新实时渲染管线

本文深入解析了Triangle Splatting技术,它通过引入可微分三角形泼溅场,革新了实时渲染管线。该技术巧妙地将AI驱动的可微分渲染与经典三角形网格相结合,实现了高质量三维重建与实时渲染效率的兼得。其核心在于利用可微分光栅化与自适应生长策略,生成可直接无缝集成至游戏引擎的三角形网格,在保持视觉质量的同时,渲染速度远超传统方法,为AR/VR、游戏开发等领域带来新的可能。

weixin_29098117的博客 268

跨具身机器人导航:AI智能体+Omniverse仿真落地实践

具身导航是机器人在真实环境中实现自主移动的核心能力,其本质是感知、决策与执行的毫秒级闭环协同。传统端到端方法因缺乏可解释性与硬件抽象,难以跨平台泛化;而基于AI智能体的任务分解范式,通过原子动作链、工具模块化与结构化记忆,显著提升策略迁移鲁棒性。NVIDIA Omniverse凭借多模态物理-感知-控制联合仿真能力,支持真实传感器噪声、执行器非线性及ROS2实时调度建模,成为当前唯一能支撑跨具身导航训练的工业级仿真底座。结合可变延迟扰动、USD数字孪生与硬件无关接口(HAI),该技术已成功应用于轮式、四足及

weixin_32678995的博客 259

3D视觉语言对齐:从点云拼接到高斯场语义-几何联合建模

视觉语言模型(VLM)与三维空间理解的融合,是具身智能落地的核心基础。其本质在于突破传统2D图像理解局限,构建文本语义、3D几何结构与物理动作之间的可微分联合表征。随着神经辐射场(NeRF)和3D高斯泼溅等隐式场技术成熟,表征对齐正从粗粒度特征拼接,演进为在连续密度场中实现细粒度空间-语义耦合。该技术显著提升机器人抓取精度、AR远程协作响应速度及工业质检根因定位能力,已在仓储分拣、风电运维、CNC加工等场景验证工程可行性。本文聚焦3D高斯泼溅与文本嵌入的端到端对齐方法,揭示几何引导注意力与隐式场参数化映射的

weixin_34345753的博客 334

2025年麻省理工积分大赛:从入门到精通的全方位攻略

本文提供2025年麻省理工积分大赛的全面攻略,从基础知识到高阶技巧,涵盖备赛计划、解题技巧和实战策略。重点介绍积分计算的核心方法和常见错误避坑指南,帮助参赛者系统提升数学竞赛能力,掌握灵活解题思维。

weixin_28713947的博客 619

STM32 bootloader程序跳转到APP卡死在B_ENDP_ALIGN,原因:有未处理的中断。解决方法:重启系统

Bootloader和App中都用到了串口,定时器等,所以从Bootloader跳转App后未卡死。 后来写的另一个App里没有用到这几个外设,然后就是无限的卡死。 现在Bootloader中跳转App之前将已打开的外设关掉,再跳转至App就不再出现卡死。  if(((*(vu32*)(APPLICATION_ADDRESS+4))&0xFF000000)==0x08000000) {

jingzhixingyun的博客 7921

树莓派IgH EtherCAT主站部署与实时内核调优实战

本文详细介绍了在树莓派上部署开源IgH EtherCAT主站并进行实时内核调优的完整实战流程。通过编译实时内核(RT-Preempt)、交叉编译IgH主站、系统集成配置及性能优化,实现了低成本、高定制的工业控制解决方案,有效满足了EtherCAT通信对微秒级实时性的严苛要求。

weixin_29166013的博客 299

车道线检测(传统基于Opencv的方法)

传统车道线检测方法主要是使用颜色选择、高斯平滑、边缘检测、ROI区域选择、霍夫变换、标定车道边界等Opnecv图像处理操作去检测道路上的车道线,我自己对很多用这类处理对很多道路场景车道线进行过实验,这类算法往往需要人工根据不同街道场景手动去反复调整各算法参数,从而才能使检测效果最佳。

Yangxiaoaijiejie的博客 2073

解密 vn.py 源码:从事件驱动到模块化设计的实战解析

本文深入解析vn.py源码,重点剖析其事件驱动机制与模块化设计。通过事件引擎、处理器字典等核心组件分析,展示如何实现低耦合高内聚的交易系统架构,并结合实战案例说明模块化设计带来的开发效率提升。文章还详细解读了Gateway抽象层、核心数据结构及设计模式应用,为量化交易开发者提供源码级实践指南。

weixin_27427619的博客 252

三维重建(十八)——colmap的使用(粗浅)

三维重建(十八)——colmap的使用(粗浅)

河海大学研究生在读的学习笔记 1378

Airtest进阶使用篇-提高脚本稳定性+批量运行脚本

Airtest进阶篇,主要分享如何提高脚本稳定性+如何批量运行脚本生成测试报告!

程序员小杨哥的博客 2574

2026年3月GESP真题及题解(C++七级):物流网络

2026年3月GESP真题及题解(C++七级):物流网络

王老师青少年编程 1127

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")

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

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。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

上一篇: Linux服务器安全加固实战指南:从账号权限到日志审计的完整防御体系
下一篇: 6种面额纸币识别:SVM、KNN、决策树3种模型准确率对比与特征可视化分析
hidetobj
博客等级 码龄19年 16粉丝 301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  | 博主筛选后可见
 
 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