2024年“绝不会发生”的五个技术趋势

2022年7月AI技术趋势:LLM应用、多模态编排与AI Infra实战洞察 大语言模型(LLM)与多模态技术正从理论研究迈向工程落地,其核心已从模型参数竞赛转向结构化输入输出契约设计、跨模态指令编排及底层基础设施可控性。Prompt Engineering快速演进为可验证的API契约配置,视觉-语言对齐能力下沉为电商搜索、工业质检等真实场景的默认功能;与此同时,AI Infra呈现‘去中心化’特征,开发者更依赖FlashAttention-2、QLoRA、FAISS等轻量高效工具链实现性能突破。本文基于2022年7月一线实操数据,解析LLM应用层工程化、多模态指令化、AI系统显存与 阅读详情

每年这个时候,世界各地的分析师都会忙着为即将到来的技术趋势做出年度预测。虽然这样的预测很有价值,但我认为稍微改变一下会更有趣。为此,我列出了一份反预测清单,对2024年不会发生的趋势进行了预测。

1.科技公司对人工智能踩刹车

2023年春天,埃隆·马斯克(Elon Musk)等人公开呼吁科技公司暂时停止人工智能的开发工作,直到建立更好的控制措施。即便你不考虑人工智能对人类造成毁灭性打击的风险,也有很多人工智能以令人毛骨悚然的方式行事,或被用于邪恶目的的例子让你担忧。

尽管如此,科技公司不可能在2024年对人工智能踩刹车。首先,他们在人工智能上投入太多,科技公司的首席执行官们几乎把自己的公司押在了这些投资上。现在停止对他们来说将是一场经济灾难。

科技公司不会停止人工智能研发的另一个原因是,它们的竞争对手也不会停止。人工智能的现状与十多年前云技术的广泛采用情况类似。当时,供应商争先恐后地将云集成到他们的产品中,仅仅因为这是行业趋势。同样地,如今的软件供应商必须拥抱人工智能以保持相关性;否则,他们可能会被抛在后面。

2.居家办公宣告结束

随着疫情大流行的结束,一些人主张结束远程工作,理由是生产力下降和缺乏问责制等问题。尽管存在这样的呼吁,但全面重返办公室工作是不可能的——至少在2024年是不可能的。

这样说的原因有很多。首先,员工无法忍受强制返回办公室。居家办公有太多的好处。如果一个组织强迫所有员工在办公室工作,许多员工可能会去他处寻找工作机会。

此外,还有经济方面的考虑。继续接受远程工作的公司可以减少他们的办公空间需求,从而节省成本。更别提公司在基础设施上的巨额投资,这些基础设施使远程工作成为可能。

3.云提供商接受数据遣返

近年来,出现了一个重要但有些不为人注意的趋势——云遣返(Cloud Repatriation)。这一趋势背后的想法是,企业正在退出云计算,因为云计算所承诺的成本节约并没有实现。

虽然将工作负载带回本地可能不会严重影响云提供商,但如果订阅者开始在内部移动他们的数据,这将带来巨大的问题。

确实,数据存储加上出向费用(Egress Fee),对云提供商来说是一个巨大的赚钱工具。然而,它们还可以利用数据做更多的事情。超大规模厂商已经在人工智能上投入了全部精力。微软的Copilot等人工智能助手如果不能访问大量数据,就无法正常工作。如果客户从云存储中撤回他们的数据,那么提供商就有可能失去为他们的人工智能引擎提供动力的来源。因此,我认为我们将会看到云提供商展开全面的营销闪电战,旨在说服客户将其数据继续保存在云中。

4.元宇宙逐渐消失

不久之前,许多人认为元宇宙堪称“史诗般的失败”。

然而,最近几个月,人们对增强现实和混合现实环境重新产生了兴趣。例如,微软在2023年的Ignite主题演讲中,用了很大一部分时间来展示其混合现实产品Copilot。该公司展示了团队会议如何在虚拟世界中进行。

我的猜测是,元宇宙最初的发展节奏是被疫情大流行打乱的。2019年,有一种观点认为,元宇宙将是下一个大事件。然而,2020年大流行的爆发改变了这一优先事项,将资源集中在实现远程工作的技术上。从那以后,元宇宙几乎被遗忘了。

问题在于,科技公司在虚拟世界进行了大量投资,并渴望看到这些投资的回报。现在,他们正在寻找将元宇宙与人工智能相结合的方法,为客户创造全新的体验。

元宇宙最终是否会成功尚有待观察,但在2024年,我认为我们将看到一个新的推动力,来让人们接受元宇宙。

5.密码卷土重来

2024年我们绝对不会看到的最后一个趋势是密码的回归。用户经常抱怨他们已经管理了太多的密码。与此同时,企业也在努力应对各种与密码相关的漏洞。

在2024年,我们可能会看到越来越多的组织采用无密码身份验证技术。此外,技术公司可能会推动通用数字身份的概念,允许用户将他们的数字身份从一个网站带到另一个网站。

用Trae+Gemini构建AI原生技术趋势追踪器 技术趋势分析本质是面向动态演进的技术生态进行语义化感知与时间序列建模。其核心原理在于突破传统关键词匹配的局限,借助大模型的上下文理解能力实现概念漂移识别与范式级归类;技术价值体现在将碎片化、异构化的开发者行为数据(如GitHub Trending、Hacker News讨论、Stack Overflow新标签)转化为可量化、可追溯、可决策的趋势热力图;典型应用场景包括技术雷达更新、全栈技术选型评估及面试知识图谱动态构建。本文基于Trae Solo低代码工作流平台与Gemini语义中枢,实现端到端的技术趋势自 阅读详情

相关推荐

WAIC技术落地十大趋势:从大模型轻量化到人机协同工作流

人工智能正从实验室走向产线,核心驱动力不再是算法突破,而是工程化落地能力。大模型轻量化解决精度-延迟-成本三角平衡问题,多模态实时推理推动端侧AI在2W功耗下稳定运行,国产算力适配栈成为行业知识蒸馏与AI原生应用架构的底层支撑。这些技术趋势共同指向一个本质转变:AI不再作为辅助模块嵌入旧系统,而是驱动可信AI工程化、具身智能商业化、人机协同工作流重构等真实场景升级。本文基于WAIC一线实测数据,聚焦可验证指标、可复现配置与可迁移架构,为CTO、算法工程师及产业决策者提供面向2024—2025年技术选型与系统

weixin_31992389的博客 334

FreeBSD libc缓冲区溢出漏洞CVE-2024-38388:原理、复现与修复指南

缓冲区溢出是内存安全领域的经典漏洞类型,其原理在于程序向预先分配的内存缓冲区写入超出其容量的数据,导致相邻内存区域被覆盖。这种漏洞的利用价值极高,攻击者可通过精心构造的溢出数据覆盖函数指针或返回地址,从而劫持程序执行流程,最终实现远程代码执行。在操作系统核心库、网络服务等底层组件中,缓冲区溢出漏洞影响尤为深远,常危及服务器安全。FreeBSD操作系统中近期修复的CVE-2024-38388漏洞,正是libc库fts_open函数在处理特定文件系统路径时存在的堆缓冲区溢出问题,攻击者可借此在目标系统上执行任意

dieqiao8331的博客 316

2024中国AI大模型产业发展报告:从技术竞赛到应用深水区

人工智能大模型作为当前AI技术的核心代表,其发展正从追求参数规模的早期阶段,转向与产业深度融合、创造实际价值的新阶段。其技术原理基于海量数据和强大算力进行预训练,并通过微调适配特定任务,关键在于实现从通用能力到行业专用能力的转化。这一转变的技术价值在于,它标志着AI技术从实验室走向广泛工程化应用,推动生产效率变革。在应用场景上,大模型正深入金融、医疗、法律、内容创作等垂直领域,解决诸如智能客服、代码生成、药物研发等具体业务问题。开源与闭源模型的生态演进、算力基础设施的挑战与创新,共同构成了当前产业发展的核心

weixin_33965305的博客 420

三大可落地趋势挖掘技术:动态窗口、因果锚定与约束驱动

趋势分析的本质不是发现变化,而是识别可驱动决策的可执行信号。从时间序列的多尺度非平稳特性出发,动态窗口序列分解通过自适应粒度捕捉高频局部模式;因果图谱锚定法则借助不可逆锚点事件与双重差分,剥离混杂因素,锁定真实因果路径;约束驱动的异常挖掘则聚焦业务硬性规则,在违规边界上定位高价值干预机会。三者分别对应‘侦察—定位—打击’闭环,适用于电商、SaaS、本地生活等多行业实时运营优化场景,无需复杂AI平台,Excel+SQL+Python即可快速验证。

weixin_33787529的博客 2136

CUSUM交易信号系统:从统计控制图到趋势决策引擎

CUSUM(累积和控制图)本质上是一种用于检测序列均值突变的统计方法,其核心原理是通过动态累积标准化偏差来识别系统状态跃迁。在量化交易中,它已超越传统滤波或平滑功能,演变为一种具备明确经济含义的趋势确认机制——以波动率自适应阈值、双向独立累积和衰减记忆为技术支柱,实现对‘趋势真正开始’的高置信度判断。该方法显著提升盈亏比与策略鲁棒性,广泛应用于股票、期货及加密资产的趋势跟踪策略中,尤其适配中低频、风控严苛的实盘环境。本文聚焦CUSUM在交易场景下的范式重构与工程落地。

weixin_30680385的博客 714

CUSUM趋势检测:从统计过程控制到量化交易实战

CUSUM(累积和)是一种源于工业统计过程控制(SPC)的异常检测方法,核心在于识别时间序列均值的持续性偏移,而非瞬时波动。其原理是通过动态累积偏差并设定参考值k与阈值h,实现对趋势启动的早期、低延迟响应,显著优于均线类方法的滞后性与Z-Score的单点快照局限。在量化交易中,CUSUM的技术价值体现在趋势初生期的高灵敏捕捉能力,适用于多周期信号生成、波动率突变监控及多因子仲裁等场景。实际应用需适配金融数据特性——如采用对数收益率、滚动EWMA基准与确认机制,避免未来泄露与参数过拟合。本文聚焦CUSUM在实

weixin_34082789的博客 468

RAG事件预测:用信号捕手思维做趋势研判

事件预测本质上是基于多源异构信号的动态研判过程,其核心在于从海量非结构化数据中识别时间敏感、语义关联、可信度分层的早期线索。RAG凭借向量检索对格式免疫、元数据可编程过滤、证据链可追溯等特性,天然适配‘信号采集→语义聚类→时序对齐→灰度推理’的技术路径。相比微调模型,它在成本可控性、数据实时性与决策可解释性上形成显著优势,尤其适用于金融舆情预警、产品政策变动、开源项目演进等强时效、高不确定性场景。本文聚焦RAG如何从文档检索工具进化为轻量级趋势哨兵。

weixin_29032489的博客 269

AI工具实战手记:10个可复现、可验证的交互式技术风向标

人工智能工具已从API调用层下沉至人机协同的交互层,其核心价值不再仅是算法能力,而是能否在真实工作流中精准解决高频痛点。理解神经网络可视化原理、掌握音频分离模型的技术路径、识别文本生成中的token预算陷阱——这些都指向一个更基础的能力:建立对AI系统输入-输出映射关系的技术直觉。本文聚焦TensorFlow Playground、LALAL.AI、OpenAI Playground等典型网站,拆解其背后可验证的模型选型、参数调控逻辑与前端渲染策略,覆盖教育演示、音视频处理、代码生成、多模态创作等主流应用场

vanadiumlin 476

从官方提示词看Claude3.5的进化:Sonnet和Opus版本差异全解析(附避坑指南)

本文深入解析了Claude 3.5 Sonnet与Opus版本在官方系统提示词上的核心差异,包括知识截止日期、安全伦理护栏及交互风格。通过对比分析,为不同应用场景提供选型指南与避坑建议,帮助用户根据信息时效性、交互深度和安全要求,精准选择最适合的模型版本。

grass的博客 652

AI语音诈骗技术原理与实战防御指南

AI语音诈骗并非单纯依赖声音逼真,而是基于低样本克隆、跨模态身份绑定和实时话术对抗等核心技术,精准利用人类对语音的本能信任与信息差敬畏心理。其背后是WavLM、VITS、LoRA微调等开源模型的恶意工业化应用,已突破传统声纹识别(如MFCC)和视频鉴伪工具的检测能力。这类攻击正从‘广撒网’升级为动态耦合的精准钓鱼,广泛渗透金融核验、远程开户、医疗咨询及法律文书等高信任场景。本文结合真实案件拆解技术实现路径,并提供可落地的个人三红线、企业行为免疫层与工程师级土法检测方案。

anheku1562的博客 438

《2026国赛命题趋势前瞻:从近年真题看今年高教社杯的三大热点方向》

距离2026年“高教社杯”全国大学生数学建模竞赛,只剩下不到一个月的时间。如果你还在盲目刷往年真题,如果你还在死磕传统的微分方程和线性规划,如果你还在用五年前的论文模板——那么很遗憾,你很可能已经在起跑线上落后了。这不是危言耸听。过去三年,国赛的命题风格发生了肉眼可见的剧变。国赛正在从“数学技巧比拼”全面转向“数据科学能力+工程落地思维”的综合较量。2026年,恰逢国赛创办第35周年。在这个特殊的节点,命题会走向何方?哪些方向会大概率成为今年的“爆点”?

YOLO 23

2024嵌入式线下培训变革:从单片机到系统工程师的进阶之路

嵌入式系统开发是连接硬件与软件的关键技术领域,其核心在于通过微控制器、传感器和执行器构建智能设备。其工作原理涉及底层硬件驱动、实时操作系统调度以及通信协议栈的协同。掌握嵌入式开发技术,对于实现物联网终端、工业控制设备和智能硬件至关重要,尤其在边缘计算和人工智能应用场景中价值显著。随着行业对人才能力模型要求的提升,嵌入式培训正从传统的单片机教学,转向融合RTOS、物联网通信、边缘AI的体系化实战。本次课程更新聚焦于FreeRTOS、嵌入式Linux、MQTT协议、TensorFlow Lite Micro等热

weixin_33797791的博客 563

【KDD2024】ShapeFormer:用于多元时间序列分类的Shapelet Transformer

多元时间序列分类(MTSC)因其在现实世界中的广泛应用而吸引了大量研究关注。最近,Transformer在MTSC中取得了先进的性能。然而,

m0_52597077的博客 4747

AI Agent 运行时正走向“水电化”:session-as-event-log 成新基线

AI Agent 运行时(agent runtime)是支撑大模型智能体落地的核心基础设施,其本质是管理会话状态、工具调用与凭证生命周期的抽象层。随着 Anthropic Managed Agents 与 AWS AgentCore 等产品成熟,行业正快速收敛到以结构化事件日志(event log)为持久化核心、以无状态执行器(Harness)为计算单元、以动态凭证隔离(credential isolation)为安全基线的技术范式。这种设计不仅提升可观测性与可审计性,更使跨平台 trace 分析、幂等性保

weixin_34332905的博客 438

C++继承与多态 - 继承多态原理01

C++继承多态原理讲解

大秦坑王的专栏 2980

SolidWorks的GB库(钢型材库,包括铝型材、铝管等结构)安装及使用教程(生成铝型材为例)

1、GB库的下载 2、GB库的安装教程 3、GB库的使用教程

树下等苹果的博客 12万+

烟花与枪火——AI对齐从来不是技术问题

2026年3月,美军用AI在24小时内打击逾千个目标,一场关于"谁来定义AI价值观"的权力博弈同步爆发。从商业公司悄悄删除安全条款,到AI模拟战争中本能选择核武器,再到联合国限武截止日期在沉默中滑过——本文还原那条从人类底线价值观到AI实际行为之间的传导链,究竟在哪里断裂。烟花与枪火本质上都是火。AI全面渗入生活的此刻,真正的问题只有一个:这个工具,在替谁说话?

Maxwell_li1的博客 344

ADS124S08配置避坑指南:从SPI时序到寄存器设置,手把手教你调通24位ADC

本文详细解析了ADS124S08 24位ADC的SPI时序配置、寄存器设置及外围电路设计中的关键细节,帮助工程师避开常见陷阱。从SPI通信模式选择到DRDY引脚读取优化,再到基准电压启动时间调整,提供了实战验证的解决方案,确保高精度数据采集的稳定性。

weixin_29192365的博客 288

2024实战派AI增效工具清单:10个真正嵌入工作流的垂直利器

AI工具的价值不在参数炫技,而在解决职场人真实、高频、高成本的重复性任务。从合同条款识别、会议纪要生成、PPT逻辑校验,到用户反馈信号挖掘与跨平台文案适配,本质是‘场景化智能’对专业工作流的深度渗透。这类工具普遍具备强垂直训练、高输出直用率、低学习门槛和明确ROI测算能力,区别于通用大模型的泛化问答。尤其在法律合规、内容策划、产品运营、视频制作等需兼顾准确性与效率的领域,能显著降低人工校验成本、缩短交付周期、提升决策信息密度。本文聚焦已被验证连续稳定运行超18个月、单工具月均节省11.3小时以上的10个被低

ciya3282的博客 474

5 分钟上手 Kimi Work:安装、配置、跑通第一个任务

这篇文章提供了Kimi Work的快速入门指南,帮助用户在5分钟内完成从安装到运行第一个任务的全过程。主要内容包括: 安装步骤: macOS用户下载.dmg文件并拖入Applications Windows用户下载.exe安装包,需注意中文路径问题 初始设置: 使用现有Kimi账号登录 检查任务配额和文件访问权限 首个任务推荐: 建议从简单的本地文件整理开始(如按类型分类桌面文件) 详细说明了任务执行流程和审批机制 常见问题: 计划生成卡顿的解决方法 文件无变化的排查步骤 进阶建议: 提供难度递增的后续任务

sg_knight的专栏 2801

2025_NIPS_Truthful Aggregation of LLMs with an Application to Online Advertising

大型语言模型(LLMs)生成内容的 revenue 变现是在线广告的下一个前沿领域。我们考虑这样一种场景:广告商旨在影响LLM的回复,而平台则寻求最大化广告商价值并确保用户满意度。核心挑战在于,广告商的偏好通常与用户偏好存在冲突,且广告商可能误报其偏好。为解决这一问题,我们提出MOSAIC——一种拍卖机制,它确保真实申报是广告商的占优策略,并使每个广告商的效用与其对社会福利的贡献保持一致。重要的是,该机制无需LLM微调或访问模型权重,且随着计算资源的增加,可证明收敛到最优微调LLM的输出。

c_cpp_csharp的专栏 82

AI 可在数分钟内伪造文件,“看起来没问题”已不再可靠

多年来,识别伪造文件主要依靠寻找破绽:错误的字体、模糊的标识或与声称日期不符的元数据。生成式AI彻底改变了这一局面——传统识别特征已失效,伪造者不再需要专业技能,任何拥有聊天机器人工具的人都能在几分钟内完成伪造。数据显示这并非渐进趋势而是质的飞跃。Sumsub报告显示,2025年合成身份文件欺诈激增300%以上,北美地区较2024年第一季度增长311%,深度伪造欺诈尝试更是呈数量级增长。研究人员使用GPT-4o在五分钟内生成的合成护照,肉眼已无法与真实证件区分。

FreeBuf_的博客 405

多物理场耦合仿真-主题032-电磁-流体耦合

电磁-流体耦合,即磁流体动力学(MHD, Magnetohydrodynamics),是研究导电流体在电磁场中运动规律的学科,涉及电磁场与流体力学的深度耦合。本主题系统阐述磁流体动力学的基本理论、控制方程和数值方法。首先介绍MHD的基本概念和物理基础,包括导电流体的性质、电磁场基本方程;然后详细推导MHD控制方程组,包括连续性方程、动量方程、能量方程和电磁场方程;接着讨论MHD流动的特征参数,如Hartmann数、磁雷诺数、相互作用参数等;最后通过六个典型工程案例展示MHD分析的实际应用,包括电磁泵、磁流体

2401_87715305的博客 426

从1986年飞机手册到AI提示词:5条Anti-Slop写作规则

AI生成内容日益泛滥,大量教程和文档呈现出信息密度极低、结构高度模板化的“Slop”现象——尽管语句通顺,却难以直接落地执行。究其根源,大语言模型本质上是概率系统,倾向于生成语义安全却缺乏后果意识的文本。对抗Slop的关键,并非简单要求模型“少说废话”,而是建立一套可验证、可执行的内容标准。在技术文档、开发教程和AI提示词工程中,借鉴强监管行业的手册规范,能显著提升输出质量。本文从一本1986年出版的飞机维修手册中提炼出5条反Slop写作规则,包括目标前置、指令可验证、删除填充词、显式声明风险、消除歧义,并

weixin_33767813的博客 389

【嘉立创EDA】PCB金属包边设计快捷方法

本文使用嘉立创EDA,描述如何在PCB设计时,快速增加边框包边设计,特别是金属包边(伪)——这里标记(伪)是因为该这里的包边特指不含边缘壁。请参考本文时特别注意!本文将此过程记录,以供有需要的读者参考。

l64481000的博客 1747

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")

上一篇: Go语言之父:开源14年,Go不止是编程语言,究竟做对了哪些?
下一篇: 年度回顾:2023年技术领域那些“最佳”、“最糟”和“最丑恶”的事件
老贾的AI世界
博客等级 码龄7年 3335粉丝 254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

老贾的AI世界

你的鼓励将是我创作的最大动力

¥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