AI如何通过智能数据聚合与验证重塑学术写作

AI学术工具助力本科毕业论文高效写作 人工智能技术正在深刻改变学术研究的工作方式,特别是在文献检索与论文写作环节。通过自然语言处理和机器学习算法,新一代学术工具实现了文献的智能聚合、语义分析和个性化推荐。这些技术突破解决了传统学术研究中信息过载、检索效率低下等痛点,显著提升了科研工作者的生产力。在本科毕业论文写作场景中,AI工具能有效辅助文献调研、论文润色、数据可视化等关键环节。以Semantic Scholar、Connected Papers为代表的智能检索平台,结合Zotero等文献管理工具,可以构建完整的学术工作流,将文献处理效率提升数 阅读详情

1. 项目概述:AI如何重塑学术写作范式

去年协助一位博士生优化论文时,我亲眼见证了传统写作方式的困境:她花了三周时间手动整理200篇文献的关键结论,却在交叉验证时发现三处关键数据引用错误。这正是当前学术写作中普遍存在的痛点——研究者60%的时间消耗在数据收集与验证环节,而非真正的学术创新。而"书匠策AI"这类工具的出现,正在从根本上改变这一现状。

这个项目的核心价值在于:通过智能数据聚合、交叉验证和结构化输出三大功能,将学术写作中的机械性工作自动化。不同于简单的文献管理软件,它能深度理解学术语境,自动提取实验数据、方法论和结论间的逻辑关联,甚至能识别不同研究间的潜在矛盾点。我测试过的早期版本已能将文献综述环节的效率提升4-8倍,且数据准确率显著高于人工处理。

2. 核心技术解析:数据魔法的实现原理

2.1 多模态文献解析引擎

系统采用BERT-GPT混合架构处理文本,同时开发了专门的图表解析模块。对于PDF文献中的表格数据,通过CV+OCR技术实现结构化提取,误差率控制在0.3%以下(实测Elsevier期刊样本)。更关键的是建立了学科知识图谱,能自动标注"研究方法-数据-结论"的逻辑链条。

2.2 动态验证机制

当用户输入研究假设时,系统会:

  1. 实时扫描关联文献库(支持PubMed/CNKI等主流数据库)
  2. 构建证据网络图
  3. 标记支持/反对该假设的关键论文
  4. 生成置信度评分(采用贝叶斯算法)

这个过程中最惊艳的是矛盾检测功能。例如当某篇论文的结论与多数研究相悖时,系统会追溯其实验设计差异,自动生成可能的原因分析。

2.3 智能写作辅助

不同于传统写作模板,该系统提供:

  • 实时学术用语建议(基于千万级优质论文训练)
  • 自动生成方法论述述变体(保持学术严谨性前提下)
  • 数据可视化推荐引擎(根据数据类型匹配最优图表)

3. 实操演示:从选题到成稿的全流程

3.1 研究框架构建阶段

输入"区块链在医疗数据共享中的应用"后,系统在17秒内:

  1. 生成领域知识图谱(包含128个关联概念)
  2. 标记出5个研究空白点
  3. 推荐3种可行的理论框架

特别实用的功能是"学术趋势雷达",用热力图显示各研究方向的新颖度/竞争度,帮助避开红海领域。

3.2 文献处理环节

上传50篇PDF文献后:

  • 自动提取关键数据形成对比表格
  • 识别出3组相互矛盾的研究结论
  • 生成方法论的演变时间轴

实测发现,系统对中文文献的支持度超出预期,能准确识别"辨证论治"等专业术语的英文对应表述。

3.3 写作优化阶段

在撰写讨论部分时,系统会:

  1. 检测论点与证据的匹配度
  2. 提示未被引用的重要反证
  3. 提供学术化表达改写建议(可调节"保守-创新"滑块)

4. 实战经验与避坑指南

4.1 数据校准要点

虽然系统自动化程度高,但必须注意:

  • 对关键数据建议人工复核(特别是跨语言文献)
  • 定期更新本地术语库(各学科前沿术语迭代快)
  • 谨慎使用自动生成的统计结论(建议作为参考而非最终结果)

4.2 写作风格把控

遇到过的典型问题包括:

  • 系统偏好被动语态,需手动调整句式多样性
  • 理论框架部分容易过度引用经典文献
  • 讨论部分有时会生成过于保守的表述

解决方案是创建个人写作偏好档案,持续训练系统适应自己的学术风格。

4.3 伦理边界意识

特别注意:

  • 严禁直接使用系统生成的完整段落(有学术不端风险)
  • 所有AI辅助内容必须明确标注
  • 最终学术观点必须由研究者自主把控

5. 进阶应用场景探索

除了常规论文写作,这套系统在以下场景表现突出:

  • 基金申请书撰写(自动匹配既往资助项目的关键词)
  • 学术演讲准备(生成PPT内容框架+演讲备注)
  • 期刊选择建议(分析投稿命中率+审稿周期)
  • 交叉学科研究(构建领域间概念桥梁)

最近尝试的一个创新用法是:将系统作为"学术辩论陪练",输入对立观点后,它能快速整理反驳证据链,这对准备论文答辩特别有帮助。

这个工具真正的革命性在于改变了学术生产的思维方式——从"搜索-阅读-写作"的线性过程,转变为"假设-验证-迭代"的动态循环。当然,它永远不会替代研究者的创造性思考,但确实能让我们从繁琐的学术苦力中解脱出来,把精力集中在真正的创新点上。

AI文献综述工具:三步实现高效学术写作 文献综述是学术研究的基础环节,传统方法需要耗费大量时间进行文献检索与脉络梳理。随着自然语言处理技术的发展,基于知识图谱和语义分析的AI工具正在改变这一现状。这类工具通过混合检索算法(结合语义检索与布尔检索)实现文献智能聚合,并利用BERTopic等模型构建研究脉络可视化图谱。其技术价值在于将数周工作量压缩至30分钟,特别适合需要快速把握领域动态的研究场景。以百考通AI文献综述工具为例,其核心功能包括跨平台文献聚合、争议点自动识别和学术规范排版,可广泛应用于学位论文、会议投稿等场景。值得注意的是,虽然AI能显 阅读详情

相关推荐

ChatGPT提示词实战:如何用AI高效完成学术文献综述(附10个模板)

本文提供了一套完整的AI辅助学术文献综述实战工作流,详细解析了如何利用ChatGPT等大语言模型,从文献检索、筛选、阅读分析到综述撰写的全流程。通过10个实用提示词模板,帮助研究者高效完成信息整合与文本生成,同时强调规避AI幻觉与学术伦理风险,提升研究效率。

weixin_29238147的博客 1195

秘塔AI搜索:重塑信息获取与智能创作的未来

秘塔AI搜索是一款颠覆传统搜索模式的智能工具,融合了先进的大语言模型MetaLLM与语义解析技术,实现全网检索、多场景内容生成和全流程智能写作辅助。其无广告界面、信息溯源机制以及脑图可视化功能,为用户提供了学术研究、市场营销、新闻编辑等20+领域的高效支持,成为提升信息获取与创作效率的不二之选。秘塔AI搜索通过语义解析和大语言模型的结合,让搜索变得更加智能、精准和便捷。秘塔AI搜索集成了超过1.2亿权威信源,包括学术论文、行业报告和法律文书,并支持溯源机制,彻底解决了虚假信息传播的问题。

领码SPARK - 以无代码之星火,燎原数字之未来! 5418

具有PWM控制VSC-HVDC链路的IEEE30总线传输系统(Simulink仿真实现)

内容概要:本文构建了一个包含PWM控制VSC-HVDC链路的IEEE30节点电力传输系统,并基于Simulink平台完成了系统的建模仿真。该模型聚焦于高压直流输电(HVDC)技术在区域电网互联中的应用,采用电压源型换流器(VSC)与脉宽调制(PWM)技术实现高效、灵活的电能传输。研究重点在于分析VSC-HVDC链路在复杂多节点电网中对潮流分布、系统稳定性及电能质量的调控能力,特别关注其在区域电网互联、新能源大规模接入以及跨区域电力交换等场景下的动态响应特性与控制性能,为现代智能电网的发展提供技术支撑与仿真验证手段。; 适合人群:具备电力系统、电气工程或自动化等相关专业背景的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于研究VSC-HVDC在多节点电网(如IEEE30节点)中的建模与仿真方法;②分析PWM控制策略下HVDC链路对电网潮流分布、电压稳定性和故障穿越能力的影响;③为区域电网互联、新能源并网及智能电网调度等课题提供仿真基础和技术验证。; 阅读建议:此资源以Simulink仿真实现为核心,建议读者在掌握电力电子技术和电力系统分析基础知识的前提下,结合仿真模型深入理解VSC-HVDC的工作原理与控制策略。在学习过程中,应着重关注模型参数设置、控制环路设计及仿真结果的分析,以达到理论与实践相结合的目的。

智能范式重构:百考通AI如何重塑毕业设计与答辩新体验

百考通AI代表的不仅是工具的创新,更是学术工作方法的进化——从分散耗时的资源搜集到智能精准的知识推送,从表达障碍的技术沟通到流畅专业的学术呈现。百考通AI正在开启的,是一场静默却深刻的学术准备革命——在这里,技术真正服务于人的创造性,复杂得以简化为清晰,压力转化为从容,每一个优秀的毕业设计背后,是更高效的智能赋能,更是更自由的学术探索。毕业设计的复杂性源于其多重要求的叠加。:基于自然语言处理技术,平台可分析学生输入的研究内容与技术实现,智能生成符合学术规范的论文大纲,确保逻辑结构的完整性与严谨性。

2401_83139982的博客 764

当R语言遇见MaxENT:参数优化的艺术与自动化调参实践

本文探讨了R语言与MaxENT在生态位建模中的结合应用,重点介绍了参数优化与自动化调参的实践方法。通过caret与ENMeval工具链,研究人员可以高效处理多物种、多环境变量的大规模分析任务,提升模型性能与工作效率。文章还涵盖了从数据准备到结果可视化的全流程,为生态学家提供了实用的技术指导。

corn8的博客 456

路径搜索算法——RRT*算法

RRT算法是RRT算法的优化版本,通过引入路径优化机制实现渐进最优性。该算法在高维空间和复杂环境中表现优异,主要步骤包括随机采样、树扩展和邻近节点重新连接。相比RRT,RRT能够不断优化路径质量,但计算复杂度更高。Python实现展示了其核心逻辑:随机采样扩展树节点,检查碰撞,选择最优父节点,并通过重新连接优化路径。算法适用于机器人导航等场景,但需平衡计算效率与路径质量。

swaggytiger的博客 3063

2026年AI论文写作软件全景评测:这5款工具如何重塑学术生产力

从文献阅读到论文成稿,现代学术写作已经进入智能协作新时代。本文将带你了解当前最实用的 5 款 AI 写作工具,助你构建高效的科研工作流。深夜的实验室里,键盘敲击声此起彼伏。作为即将

mat7213的专栏 147

frp内网穿透(socks隧道)

在实验过程中还是遇到了挺多的问题,但好在大多都解决了。不过还是遗留了一些不懂的问题,等以后再慢慢研究了。最后,以上仅为个人的拙见,如何有不对的地方,欢迎各位师傅指正与补充,有兴趣的师傅可以一起交流学习。

2301_76227305的博客 1万+

2026年AI论文写作工具全景评测:这5款工具如何重塑学术生产力

从文献阅读到论文成稿,现代学术写作已经进入智能协作新时代。本文将带你了解当前最实用的 5 款 AI 写作工具,助你构建高效的科研工作流。深夜的实验室里,键盘敲击声此起彼伏。作为即将

mat7213的专栏 182

基于Halcon与C#的PCB焊接缺陷智能检测系统开发实战(附完整源码与项目文档)

本文详细介绍了基于Halcon与C#的PCB焊接缺陷智能检测系统开发实战,涵盖机器视觉技术、硬件选型、图像处理算法及C#上位机开发。通过实战案例展示如何实现高效、准确的PCB焊接缺陷检测,提升生产效率与质量,并附完整源码与项目文档。

mango的博客 220

Dev-C++使用技巧2(亲测)(更改字体和颜色、自动保存、快捷键选项、一键排版)

更改字体和颜色 顶部菜单栏->工具->编辑器选项。 更改字体 当前选项卡->显示,字体word有的基本都有,华文楷体、宋体,幼圆之类。西文字体默认字体Consloas就不错,中文的话幼圆、新宋体都挺不错。 幼圆效果: 新宋体效果: 更改颜色 当前选项卡->语法,分别单击图中的部分,然后在左边修改前景颜色就可以了。需要直接显示的修改前景颜色,背景颜色设为白色;需要选中显示的修改背景颜色,前景设为白色。 自动保存 我们有时候忘记保存或者电脑突然关机,可能会丢失代码。

魔神之云的博客 2万+

2026年AI写作辅助平台全景评测:这5款工具如何重塑学术生产力

从文献阅读到论文成稿,现代学术写作已经进入智能协作新时代。本文将带你了解当前最实用的 5 款 AI 写作工具,助你构建高效的科研工作流。深夜的实验室里,键盘敲击声此起彼伏。作为即将

mat7213的专栏 136

大模型——CoPaw:阿里云通义推出的个人智能体工作台,让 AI 助理真正落地

阿里云通义实验室于2026年2月发布CoPaw个人智能助理,采用"本地+云端"双部署模式,支持多平台接入和技能扩展。该产品基于AgentScope多智能体生态构建,具备极简部署、长期记忆系统和灵活的技能插件体系三大核心特性。用户可通过简单命令快速安装,并通过记忆文件系统实现个性化交互体验。CoPaw还支持钉钉、飞书等主流平台接入,并开源了模块化架构,允许本地模型接入。技术架构采用多频道对话网关与可插拔Skills系统,为用户提供真正的AI助理服务体验。

2137

2026年AI写作辅助网站全景评测:这5款工具如何重塑学术生产力

从文献阅读到论文成稿,现代学术写作已经进入智能协作新时代。本文将带你了解当前最实用的 5 款 AI 写作工具,助你构建高效的科研工作流。深夜的实验室里,键盘敲击声此起彼伏。作为即将

weixin_39899055的博客 13

YOLOv11改进策略【损失函数篇】| Slide Loss,解决简单样本和困难样本之间的不平衡问题

本文记录的是改进YOLOv11的损失函数,将其替换成Slide Loss,并详细说明了优化原因,注意事项等。Slide Loss函数可以有效地解决样本不平衡问题,为困难样本赋予更高的权重,使模型在训练过程中更加关注困难样本。若是在自己的数据集中发现容易样本的数量非常大,而困难样本相对稀疏,可尝试使用Slide Loss来提高模型在处理复杂样本时的性能。

Limiiiing的博客 4570

华为OD机考双机位C卷 - 最左侧冗余覆盖子串 (Java)

华为OD机考双机位C卷 - 最左侧冗余覆盖子串 (Java), 提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。

算法大师! 59

2026年AI写作辅助软件全景评测:这5款工具如何重塑学术生产力

从文献阅读到论文成稿,现代学术写作已经进入智能协作新时代。本文将带你了解当前最实用的 5 款 AI 写作工具,助你构建高效的科研工作流。深夜的实验室里,键盘敲击声此起彼伏。作为即将

mat7213的专栏 20

Statistics and Machine Learning Toolbox

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

AI如何重塑学术研究:智能文献综述与论文降重技术解析

自然语言处理(NLP)技术正在深刻改变学术研究的工作流程,特别是在文献综述和论文降重这两个关键环节。基于Transformer架构的预训练模型(如BERT、ELECTRA)通过语义理解和生成能力,实现了从传统关键词检索到智能语义搜索的跨越。这种技术突破不仅提升了文献检索效率,还能自动生成结构化综述和知识图谱。在论文降重方面,结合同义词替换、结构重组和跨语言回译的混合算法,可以在保持学术严谨性的同时有效降低重复率。这些AI技术特别适用于研究生论文写作、学术文献整理等场景,其中智能文献检索和语义降重作为核心功能

weixin_42546361的博客 319

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")

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

上一篇: .NET Core异步链路追踪实战与优化
下一篇: 深入解析以太网MAC控制器:从错误处理到IEEE 1588纳秒级同步
java2000_test
博客等级 码龄19年 10粉丝 320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