低成本,高效率解法:跨平台开发框架!!

五大跨平台桌面应用开发框架:Electron、Tauri、Flutter等 跨平台桌面应用开发框架是一种工具或框架,它允许开发者使用一种统一的代码库或语言来创建能够在多个操作系统上运行的桌面应用程序。传统上,开发者需要为每个操作系统编写不同的代码,使用不同的开发工具和语言。而跨平台桌面应用开发框架通过抽象底层操作系统的差异,提供一套统一的API和工具,使开发者能够在一个代码库中编写应用程序,并将其部署到多个平台上。基于Web技术的跨平台桌面应用开发框架:这种框架使用Web前端技术,如HTML、CSS和JavaScript来构建桌面应用程序。 阅读详情

虽然 B/S 是目前开发的主流,但是 C/S 仍然有很大的市场需求。受限于浏览器的沙盒限制,网页应用无法满足某些场景下的使用需求,而桌面应用可以读写本地文件、调用更多系统资源,再加上 Web 开发的低成本、高效率的优势,这种跨平台方式越来越受到开发者的喜爱。

Electron 是一个基于 Chromium 和 Node.js,使用 HTML、CSS 和 JavaScript 来构建跨平台应用的跨平台开发框架,兼容 Mac、Windows 和 Linux。目前,Electron 已经创建了包括 VScode 和 Atom 在内的大量应用。

环境搭建

创建 Electron 跨平台应用之前,需要先安装一些常用的工具,如 Node、vue 和 Electron 等。

安装 Node

进入 Node 官网下载页 http://nodejs.cn/download/,然后下载对应的版本即可,下载时建议下载稳定版本。如果安装 Node 使用 Homebrew 方式,建议安装时将 npm 仓库镜像改为淘宝镜像,如下所示。

npm config set registry http://registry.npm.taobao.org/或者npm install -g cnpm --registry=https://registry.npm.taobao.org

安装/升级 vue-cli

先执行以下命令,确认下本地安装的 vue-cli 版本。

vue -V

如果没有安装或者不是最新版,可以执行以下命令安装/升级。

npm install @vue/cli -g

安装 Electron

使用如下命令安装 Electron 插件。

npm install -g electron或者cnpm install -g electron

为了验证是否安装成功,可以使用如下的命令。

electron --version

创建运行项目

Electron 官方提供了一个简单的项目,可以执行以下命令将项目克隆到本地。

git clone https://github.com/electron/electron-quick-start

然后在项目中执行如下命令即可启动项目。

cd electron-quick-startnpm installnpm start

启动后项目的效果如下图。

图片

除此之外,我们可以使用 vue-cli 脚手架工具来创建项目。

vue init simulatedgreg/electron-vue

然后根据下面的提示一步步选中选项即可创建项目,如下所示。

图片

然后,使用 npm install 命令安装项目所需要的依赖包,安装完成之后,可以使用 npm run dev 或 npm run build 命令运行 electron-vue 模版应用程序,运行效果如下图所示。

图片

Electron 源码目录

Electron 的源代码主要依据 Chromium 的拆分约定被拆成了许多部分。为了更好地理解源代码,您可能需要了解一下 Chromium 的多进程架构。

Electron 源码目录结构和含义具体如下:

Electron├──atom - Electron 的源代码|  ├── app - 系统入口代码|  ├── browser - 包含了主窗口、UI 和其他所有与主进程有关的东西,它会告诉渲染进程如何管理页面|  |   ├── lib - 主进程初始化代码中 JavaScript 部分的代码|  |   ├── ui - 不同平台上 UI 部分的实现|  |   |   ├── cocoa - Cocoa 部分的源代码|  |   |   ├── gtk - GTK+ 部分的源代码|  |   |   └── win - Windows GUI 部分的源代码|  |   ├── default_app - 在没有指定 app 的情况下 Electron 启动时默认显示的页面|  |   ├── api - 主进程 API 的实现|  |   |   └── lib - API 实现中 Javascript 部分的代码|  |   ├── net - 网络相关的代码|  |   ├── mac - 与 Mac 有关的 Objective-C 代码|  |   └── resources - 图标,平台相关的文件等|  ├── renderer - 运行在渲染进程中的代码|  |   ├── lib - 渲染进程初始化代码中 JavaScript 部分的代码|  |   └── api - 渲染进程 API 的实现|  |       └── lib - API 实现中 Javascript 部分的代码|  └── common - 同时被主进程和渲染进程用到的代码,包括了一些用来将 node 的事件循环|      |        整合到 Chromium 的事件循环中时用到的工具函数和代码|      ├── lib - 同时被主进程和渲染进程使用到的 Javascript 初始化代码|      └── api - 同时被主进程和渲染进程使用到的 API 的实现以及 Electron 内置模块的基础设施|          └── lib - API 实现中 Javascript 部分的代码├── chromium_src - 从 Chromium 项目中拷贝来的代码├── docs - 英语版本的文档├── docs-translations - 各种语言版本的文档翻译├── spec - 自动化测试├── atom.gyp - Electron 的构建规则└── common.gypi - 为诸如 `node` 和 `breakpad` 等其他组件准备的编译设置和构建规则

平时开发时,需要重点关注的就是 src、package.json 和 appveyor.yml 目录。

除此之外,其他需要注意的目录如下:

  • script - 用于诸如构建、打包、测试等开发用途的脚本

  • tools - 在 gyp 文件中用到的工具脚本,但与 script 目录不同, 该目录中的脚本不应该被用户直接调用

  • vendor - 第三方依赖项的源代码,为了防止人们将它与 Chromium 源码中的同名目录相混淆, 在这里我们不使用 third_party 作为目录名

  • node_modules - 在构建中用到的第三方 node 模块

  • out - ninja 的临时输出目录

  • dist - 由脚本 script/create-dist.py 创建的临时发布目录

  • external_binaries - 下载的不支持通过 gyp 构建的预编译第三方框架

应用工程目录

使用 electron-vue 模版创建的 Electron 工程结构如下图。

图片

和前端工程的项目结构类似,Electron 项目的目录结构如下所示:

  • electron-vue:Electron模版配置。

  • build:文件夹,用来存放项目构建脚本。

  • config:中存放项目的一些基本配置信息,最常用的就是端口转发。

  • node_modules:这个目录存放的是项目的所有依赖,即 npm install 命令下载下来的文件。

  • src:这个目录下存放项目的源码,即开发者写的代码放在这里。

  • static:用来存放静态资源。

  • index.html:则是项目的首页、入口页,也是整个项目唯一的HTML页面。

  • package.json:中定义了项目的所有依赖,包括开发时依赖和发布时依赖。

对于开发者来说, 90% 的工作都是在 src 中完成,src 中的文件目录如下。

图片

Electron 应用程序分成三个基础模块:主进程、进程间通信和渲染进程。

1、主进程

Electron 运行 package.json 的 main 脚本(background.js)的进程被称为主进程。在主进程中运行的脚本通过创建web页面来展示用户界面。一个 Electron 应用总是有且只有一个主进程。

2、渲染进程

由于 Electron 使用了 Chromium 来展示 Web 页面,所以 Chromium 的多进程架构也被使用到。每个 Electron 中的 Web 页面运行在它自己的渲染进程中。在普通的浏览器中,Web 页面通常在一个沙盒环境中运行,不被允许去接触原生的资源。然而 Electron 允许用户在 Node.js 的 API 支持下可以在页面中和操作系统进行一些底层交互。

3、主进程与渲染进程通信

主进程使用 BrowserWindow 实例创建页面。每个 BrowserWindow 实例都在自己的渲染进程里运行页面。当一个 BrowserWindow 实例被销毁后,相应的渲染进程也会被终止。主进程管理所有的 Web 页面和它们对应的渲染进程。每个渲染进程都是独立的,它只关心它所运行的 Web 页面。

src 目录结构

在 Electron 目录中,src 会包包含 main 和 renderer 两个目录。

main 目录

main 目录会包含 index.js 和 index.dev.js 两个文件。

  • index.js:应用程序的主文件,electron 也从这里启动的,它也被用作 webpack 产品构建的入口文件,所有的 main 进程工作都应该从这里开始。

  • index.dev.js:此文件专门用于开发阶段,因为它会安装 electron-debug 和 vue-devtools。一般不需要修改此文件,但它可以扩展开发的需求。

渲染进程

renderer 是渲染进程目录,平时项目开发源码的存放目录,包含 assets、components、router、store、App.vue 和 main.js。

assets:assets 下的文件如(js、css)都会在 dist 文件夹下面的项目目录分别合并到一个文件里面去。components:此文件用于存放应用开发的组件,可以是自定义的组件。router:如果你了解 vue-router,那么 Electron 项目的路由的使用方式和 vue-router 的使用方式类似。modules:electron-vue 利用 vuex 的模块结构创建多个数据存储,并保存在 src/renderer/store/modules 中。

相关案例

1,网易云音乐

electron-vue-cloud-music是一款使用Electron+Vue+Ant Design Vue技术开发跨平台桌面应用。下载链接:https://github.com/xiaozhu188/electron-vue-cloud-music。

具有如下特点:

  • 拖拽播放

  • 桌面歌词

  • mini模式

  • 自定义托盘右键菜单

  • 任务栏缩略图,歌曲操作

  • 音频可视化

  • 自动/手动检查更新

  • Nedb数据库持久化

  • 自定义安装路径,安装界面美化

  • 浏览器中启动客户端

  • Travis CL,AppVeyor自动构建

  • 换肤,下载,本地歌曲匹配,网络变化桌面通知,分享歌曲/歌单/MV/视频等到QQ空间

  • 登录,私人Fm,歌单,专辑,歌手,排行榜,MV,视频,评论,搜索,用户,动态,粉丝,关注,云盘,收藏...

  • 心动模式,歌词微调,下一首播放,追加播放,单曲循环,随机播放,列表循环

  • 路由导向,局部刷新,首页栏目调整并持久化...

以下是部分运行效果:

图片

图片

2,qq音乐播放器

qq音乐播放器基于 electron-vue 开发的音乐播放器,界面模仿QQ音乐,使用的技术栈electron-vue+vue+vuex+vue-router+element- UI。可以使用如下的方式来运行项目。

git clone https://github.com/SmallRuralDog/electron-vue-music.git
cd electron-vue-music
npm install
# 运行开发模式npm run dev
# 打包安装文件 npm run build

部分运行效果如下图

图片

electron-egg: 新一代桌面应用开发框架 EE框架已经应用于医疗、学校、政务、股票交易、ERP、娱乐、视频、企业等领域客户端。 阅读详情

相关推荐

基于CH347打造多功能调试器:JTAG、SWD、UART一芯搞定

在嵌入式开发中,调试接口是连接开发主机与目标硬件的关键桥梁。JTAG和SWD是两种最常用的片上调试协议,前者广泛用于FPGA、CPLD及复杂MCU的边界扫描与编程,后者则是ARM Cortex-M内核MCU的主流调试接口。其核心原理是通过特定的时序信号(如TCK、TMS、TDI/TDO或SWCLK、SWDIO)实现芯片内部寄存器的访问与控制,从而完成程序下载、单步调试和内存查看等操作。这些协议的价值在于提供了底层、标准化的硬件调试能力,极大提升了开发效率。随着开源硬件与国产芯片的兴起,利用高集成度的USB桥

weixin_30336061的博客 389

2023年最全盘点 | 7款桌面应用程序开发框架

WinForm、WPF、MFC、wxWidgets、Qt、GTK、 Electron 7款桌面应用程序开发框架盘点

weixin_51627076的博客 4万+

sim2sim2real:策略与仿真解耦的机器人AI落地新范式

在机器人强化学习中,‘仿真到现实’(sim2real)长期受限于策略学习与物理建模的强耦合,导致策略过拟合仿真细节、迁移失败率高、工程调试成本激增。其本质是动作语义缺失与物理可观测性不足——策略输出依赖硬件特性的原始指令,奖励函数基于理想状态,观测未对齐真实成像链路。sim2sim2real通过三层解耦架构,将策略沙盒(高效试错)、物理镜像(数字孪生)与语义桥接器(可解释翻译)分离,使策略专注行为逻辑,仿真专注物理保真。该范式显著提升真机首次部署成功率与跨平台复用性,是面向工业场景的可验证、可维护、可协同的

weixin_30787531的博客 463

【亲测免费】 vite-electron-quick:快速构建Electron应用的新框架

vite-electron-quick:快速构建Electron应用的新框架 项目简介 是一个基于Vite和Electron的现代化应用开发框架。它为开发者提供了快速启动、高效打包和便捷调试的Electron应用开发体验。该项目的目标是简化开发流程,提高开发效率,让开发者可以更专注于业务逻辑而非基础架构。 技术分析 Vite - Vite是由Vue.js作者尤雨溪开发的下一代前端构建工具,其特...

gitblog_00039的博客 498

【信息科学与工程学】【数据科学】数据科学领域 第六篇 算法设计 01

算法设计

weixin_49199313的博客 1504

实体店会员营销系统全栈实战:Spring Boot + Uni-app构建数字化增长闭环

会员管理与私域流量运营已成为实体零售数字化转型的核心。其技术原理在于通过前后端分离架构,将用户行为数据化,并基于数据驱动实现精准营销,从而提升客户忠诚度和复购率。在技术价值上,一套高内聚、低耦合的系统能够显著降低运营成本,实现营销活动的自动化与效果可衡量。典型的应用场景包括餐饮、零售门店通过小程序发放优惠券、管理积分,以及通过数据分析进行会员分层运营。本文以实战项目为例,详细阐述了如何运用Spring Boot与Uni-app等技术栈,构建一个涵盖会员、积分、卡券等核心模块的完整数字化营销闭环,并深入探讨了

weixin_33755557的博客 397

Electron快速入门——跨平台桌面端应用开发框架

本篇文章我们快速入门Electron,使用它打造简易版的跨平台桌面端应用。

HuoZhiyan 的博客 2506

IEEE Transactions on Industrial Informatics(TII)投稿全流程解析:从准备到成功提交

本文详细解析了向IEEE Transactions on Industrial Informatics(TII)投稿的全流程,涵盖从投稿前的格式准备、内容结构优化到在线提交系统实操等关键环节。重点强调了遵守TII严格的格式规范、双盲评审要求以及如何构建有说服力的学术叙述,旨在帮助研究者提升稿件质量,顺利通过评审。

weixin_28396629的博客 1871

低成本高效率:利用LobeChat镜像降低AI服务接入门槛

本文介绍如何通过LobeChat的Docker镜像快速部署AI聊天系统,实现本地与云端模型的统一管理。该方案支持多模型接入、数据私有化和插件扩展,显著降低开发成本,适用于企业客服、科研实验和个人AI助手等场景。

weixin_42160645的博客 920

第一届“龙信杯”电子数据取证竞赛Writeup

第一届“龙信杯”电子数据取证竞赛Writeup

toto的博客 1万+

Tessent ICL语法详解:如何高效定义SIB、TDR和TAP模块

本文深入解析Tessent ICL语法,指导如何高效定义SIB、TDR和TAP模块以构建芯片测试网络。通过实战代码示例,详细阐述了各模块的端口声明、接口角色与核心寄存器定义,并提供了顶层集成连接方法与调试技巧,帮助DFT工程师精准描述测试仪器拓扑,提升Tessent工具链使用效率。

silver的专栏 495

快节奏业务增长,还是得App混合开发

混合开发已从“成本妥协方案”进化为“战略效率工具”。通过跨端框架与小程序的生态协同,企业不仅能实现业务的快速迭代与全球扩张,更能在技术降本与用户体验间找到最佳平衡点。

speedoooo的博客 950

ffmpeg在windows的安装、合并、切片、.m4s、.m3u8处理

自己处理视频,我用的工具是 ffmpeg,因为涉及到.m3u8格式和.m4s格式的一些操作。ffmpeg的介绍我就不多说了,这里是它的官网地址: https://ffmpeg.org/ ,这里是文档: https://ffmpeg.org/documentation.html (看的头大,没咋看下去)...

一只爱吃糖的小羊 2689

HeyGem系统支持跨平台运行:Windows、Linux、Mac均可部署

HeyGem数字人视频生成系统支持Windows、Linux、Mac无缝部署,通过WebUI实现浏览器操作,结合批量处理引擎提升效率5-8倍。系统采用标准化依赖与路径抽象设计,兼顾兼容性与易用性,让非技术人员也能独立完成高质量视频生成,真正实现AI工具的低门槛落地。

weixin_35755188的博客 861

基于STM32F1XX 、HAL库的LTR-303ALS-01 环境光传感器驱动应用C语言程序设计

printf("制造商ID: 0x%02X\r\n", LTR303_ReadManufacID());printf("器件ID: 0x%02X\r\n", LTR303_ReadPartID());LTR-303ALS-01是一款数字环境光传感器(ALS),由Lite-On公司生产。printf("LTR-303ALS初始化失败!printf("LTR-303ALS初始化成功!printf("数据无效\r\n");* @param mode: 0-待机, 1-激活。

PP_Cottage的博客 1034

【全局路径规划地图算法】Voronoi路径规划探索(附C++代码)

认知有限,望大家多多包涵,有什么问题也希望能够与大家多交流,共同成长!本文先对Voronoi路径规划探索做个简单的介绍,具体内容后续再更,其他模块可以参考去我其他文章提示:以下是本篇文章正文内容。

qq_35635374的博客 2242

数据结构与算法设计的革新之路:智能化工具如何改变开发者的世界

最新接入DeepSeek-V3模型,点击下载最新版本InsCode AI IDE 数据结构与算法设计的革新之路:智能化工具如何改变开发者的世界 在当今快速发展的科技时代,数据结构与算法设计已经成为每一位程序员不可或缺的核心技能。无论是构建高效的应用程序还是解决复杂的业务问题,掌握数据结构与算法都显得尤为重要。然而,对于许多编程初学者和非计算机专业出身的开发者来说,学习和应用这些概念却充满了挑战。幸...

StarfallHawk37的博客 919

2 硬件工程师笔面试高频知识考点真题解析——电容

本文全面解析了电容在电子电路中的关键应用与技术要点。主要内容包括:1. 电容选型核心要素:介质材质(陶瓷/电解/钽电容等)、容值精度、耐压等级、温度特性、ESR参数等,不同应用场景(滤波/去耦/谐振等)的选型策略。2. 典型电路应用原理:详细阐述去耦电容布局规则、晶振负载电容作用、共射放大电路旁路电容功能,以及RC电路的滤波/定时等应用。3. 特殊问题解决方案:MLCC啸叫机理与对策、寄生电容影响与消除、高速信号线电容使用禁忌等工程实践难题。4. 安全规范要点:X/Y电容的区别与选用、电解/钽电容防反接措施

XU157303764的博客 1566

三维装箱问题解决方案:开启高效空间利用新篇章

三维装箱问题解决方案:开启高效空间利用新篇章 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 在物流、仓储、以及生产制造等领域,如何高效利用空间,降低成本,提高装载率,是长期以来技术人员和学者关注的焦点。三维装箱问题解决方案,作为一项重要的空间优化技术,应运而生。本项目提供了一个基于Java语言的三维装箱问题实现代码,采用最佳适应解法(BestFit),致力于帮助用户在...

gitblog_06711的博客 901

华为公司职位分析:财经数据管理专员

本文依据华为官方财经数据管理专员岗位职责、岗位要求撰写,区别于助理岗,本岗位侧重独立主导、体系搭建、方案全权设计、项目闭环落地、数据资产价值运营,贴合华为财经数字化、数据底座建设、财务数据治理核心体系,全面拆解岗位专业知识、核心技能、简历打法与高频面试应答。

王国平的博客 164

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

NPU算力加持:破解ARM安卓主板自助设备开发痛点

传统方案中,护照识别、芯片读取等AI任务完全依赖上位机CPU/GPU运算,而ARM安卓主板常用的Cortex-A系列芯片,本就定位消费级应用,多任务处理时易出现算力过载、帧率下降。对自助设备开发者而言,这款NPU护照阅读器的核心价值,在于以硬件级方案弥补了ARM安卓主板的算力短板,同时保留其高性价比、低功耗优势,大幅降低AI功能集成与跨平台适配的技术门槛。在智慧出行、政务服务等领域,这类专用算力外设正成为优化开发流程、提升终端性能的关键,推动自助设备开发向“低成本、高效率、高稳定”方向迭代。

OCR_13371621275的博客 372

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Vibe Coding:程序员心流状态的极简开发工作流

心流编程(Flow Programming)是软件开发中提升专注力与产出效率的核心认知状态,其本质是通过降低认知负荷、缩短操作路径、强化环境信号来实现深度编码。Vibe Coding作为该理念在工程实践中的具象化表达,融合了全局Markdown文档、TRAe Code极简终端工作流与多模态状态锚点三大技术要素,显著减少上下文切换与决策延迟。它不替代系统设计或算法能力,而是为中级开发者提供可落地的‘注意力基础设施’——尤其适用于React/Vue项目迭代、微服务调试及日常CR/PR高频场景。本文聚焦如何用纯文

weixin_33154775的博客 238

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。

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")

AI Agent驱动的体验式种草:技术架构与电商应用实践

在电商与内容平台领域,用户决策正从被动浏览转向主动体验,这背后是AI Agent、多模态大模型与交互式内容技术的成熟应用。AI Agent作为个性化体验的“大脑”,能够理解用户复杂意图、整合跨域信息并执行交互任务,其技术原理涉及意图识别、工具调用与知识图谱构建。结合多模态大模型的感知生成能力与AR/VR的沉浸式交互,技术价值在于显著降低用户决策成本与信任鸿沟,实现从“信息种草”到“体验种草”的跃迁。应用场景已从家居选购延伸至旅游规划、教育体验等领域,通过模拟高保真场景与提供个性化决策辅助,重塑商业转化路径。

weixin_34112181的博客 331

跨平台桌面应用的开发框架——Electron

本文介绍了我们对桌面端技术的调研、确定技术选型,以及用 electron 开发过程中,总结的实践经验,如构建、性能优化、质量保障、安全等。希望对读者在开发桌面应用过程中有所帮助,文章难免有不足和错误的地方,欢迎读者在评论区交流。

xxxzzzqqq_的博客 1万+

桌面应用程序开发:跨平台方案方案有什么?

通过以上方案和实践,开发者可以有效地进行跨平台桌面应用开发,提供高质量的跨平台桌面应用。跨平台开发是指在多个操作系统上运行相同代码的能力。

AI知识分享,技术知识分享 4727
上一篇: 恶意刷接口?8个方法帮你破除!!
下一篇: 全网最详细的 RocketMQ 源码解读方案(上)赶紧收藏
架构文摘JGWZ
博客等级 码龄5年 8808粉丝 345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