2026年做产品设计该用哪款AI工具?7款盘点+4个选型标准

2026产品设计AI工具选型指南:7款工具与4个标准 AI工具选型正成为产品设计团队的核心能力。理解AI在设计工作流中的介入方式,需从需求分析、原型生成到设计走查全链路考量。通用大模型擅长需求梳理与竞品分析,垂直工具则深度集成设计文件,两者形成上下游协作。选型时需评估工具对业务语境的理解、产出物与现有工作流的兼容性、学习维护成本及数据安全合规。不同规模团队可组合对话式AI、文生UI、智能走查等工具,通过真实项目POC验证,避免被演示效果迷惑。 阅读详情

产品设计是产品经理日常工作中最耗时间的环节之一:画原型、对设计稿、参与评审、反复修改,每一步都要投入不少精力。而到了2026年,越来越多AI工具已经能够接手其中的重复性工作,帮产品经理明显缩短从想法到方案落地的时间。

不过,市面上打着“AI”旗号的设计工具越来越多,哪些是真正能提高效率,哪些只是在功能菜单里多加了一个AI入口,还需要仔细分辨。下面这7款工具,各自在AI生成、原型设计、UI设计或产品验证方面有比较突出的能力,一起来看看。

1、摹客3

摹客3是新一代AI产品设计协作平台,将原型设计和UI设计整合在同一个平台中。产品经理和设计师可以分别在对应模式下工作,设计数据原生互通、资源直接复用,不需要在多个工具之间反复导入导出文件。

摹客AI - 让设计更具创造力

其内置的AI助手小摹AI,AI能力覆盖设计生成、检查、整理和开发交付等多个环节,主要包括:

  • AI一键生成多页设计稿:输入需求描述后,小摹AI可以一次生成多页高保真设计稿,支持APP和网页两种形态,还可以自定义设计风格、主题色、圆角和深浅模式。生成结果可以直接继续编辑,而不是一张无法修改的静态图片。

  • AI设计检查:可以从颜色、字体、组件等维度检查设计规范,提前发现不一致的问题,减少评审阶段反复修改的成本。

  • 一键生成前端代码:AI生成的设计稿可以进一步转换为前端代码,缩短从设计到开发的交付链路。

  • 图层树智能重整:一键整理杂乱的图层结构,减少设计师手动命名、分组和整理图层的重复工作。

一句话总结:原型与UI一体化,同时把AI能力覆盖到设计生成、检查和交付等环节,更适合希望在一个平台内完成产品设计协作的团队。

AI评级:⭐⭐⭐⭐⭐

2、Figma AI

Figma是目前设计师群体中应用非常广泛的UI设计工具,近几年也在持续加入AI能力,在原有云端协作和设计能力的基础上进一步提升效率。如果团队本身已经长期使用Figma,那么直接使用它的AI功能,迁移成本会比较低。

AI能力:

  • AI内容生成:支持通过文字描述生成设计内容、填充模拟数据等,可以帮助设计师更快搭建页面框架,减少从零开始设计的时间。

  • AI图层重命名:自动识别图层内容并批量重命名,减少手动整理大量图层的工作。

  • AI设计辅助:在设计过程中提供布局、内容和组件等方面的辅助能力,帮助设计师加快部分操作。

  • 丰富的插件生态:Figma社区中还有大量AI类第三方插件,可以按需扩展图片生成、文案、图标、数据填充等能力。

需要注意的是,Figma的AI能力更多是在原有设计工作流上做效率增强。如果更看重“一句话直接生成完整产品方案”或者复杂原型逻辑,它并不一定是最合适的选择。

一句话总结:适合已经深度使用Figma的团队,AI更多是原有设计工作流上的效率增强。

AI评级:⭐⭐⭐

3、Creatie

Creatie是一款面向专业UI设计场景的AI设计平台,重点利用AI提升界面生成和设计优化效率,同时整体操作逻辑和传统UI设计工具比较接近,设计师的上手成本相对较低。

AI能力:

  • 自然语言生成UI:输入产品描述后,可以直接生成包含组件、布局和配色的完整UI界面,适合快速探索设计方向。

  • AI设计优化建议:可以针对已有设计稿,从布局、组件和视觉一致性等方面提供辅助建议,帮助设计师继续完善方案。

  • 兼容现有设计工作流:生成结果可以继续进入常见设计工作流中编辑,减少重新搭建设计稿的成本。

  • 多场景设计生成:适用于登录页、仪表盘、电商、数据可视化等常见产品场景,适合快速生成多个方向进行比较。

对于国内团队来说,使用前还需要考虑中文支持、网络访问和团队协作习惯等问题。

一句话总结:AI界面生成质量不错,适合对UI完成度有一定要求、又希望提升出图效率的设计师。

AI评级:⭐⭐⭐⭐

4、Uizard

Uizard是一款面向非设计背景用户的AI原型工具,最大的特点是可以把手绘草图、截图或者文字需求快速转换成可编辑的界面,大幅降低从想法到原型的操作门槛。

AI能力:

  • 草图转原型:把纸上画好的草图拍照上传,Uizard可以识别页面结构并转换成数字化界面,适合习惯先在纸上梳理想法的产品经理。

  • 截图转可编辑设计稿:上传APP截图后,AI可以识别其中的界面结构并生成可编辑版本,用于竞品分析、方案参考或者快速复刻都比较方便。

  • 文字描述生成原型:输入产品描述即可生成基础页面框架,并提供大量常见产品场景模板。

  • AI主题生成:可以快速调整整套配色和视觉风格,方便对比不同设计方向。

Uizard的优势主要在于快速起稿,复杂交互能力和组件体系不如专业原型设计工具,因此更适合早期概念验证,而不是直接承担完整的设计交付。

一句话总结:草图转原型是它比较有特色的能力,适合非设计背景的PM和早期创业团队快速把想法做出来。

AI评级:⭐⭐⭐⭐

5、Galileo AI

Galileo AI是一款专注于AI生成UI的海外工具,核心能力是通过自然语言描述快速生成高保真UI界面,比较适合在产品早期快速探索视觉方向。

AI能力:

  • 文本直出高保真UI:输入一段产品描述后,Galileo AI可以生成包含组件、布局和配色的完整UI页面,适合快速制作概念稿。

  • AI生成视觉素材:除了界面本身,还可以辅助生成与页面风格匹配的视觉素材,减少额外寻找素材的时间。

  • AI生成产品文案:可以自动补充界面中的标题、正文和按钮等内容,避免设计稿里大量使用Lorem ipsum占位。

  • 衔接Figma工作流:生成后的设计可以继续进入Figma等设计流程中深化,适合已有成熟设计工作流的团队。

它更擅长“快速出视觉方案”,在复杂交互、业务逻辑和完整产品流程表达方面能力相对有限,因此更适合概念阶段和视觉探索。

一句话总结:高保真UI生成是它的主要优势,适合快速做概念稿和验证视觉方向。

AI评级:⭐⭐⭐⭐

6、Framer AI

Framer是一款兼具网页设计、交互和发布能力的工具。加入AI之后,它比较突出的差异点在于:生成出来的不只是用于演示的设计稿,还可以直接做成可访问的真实网页,因此特别适合产品Demo、官网和落地页场景。

AI能力:

  • AI一键生成网页:输入描述后,可以直接生成完整网页,包括布局、内容和响应式结构,生成结果可以继续编辑并直接发布。

  • AI文案生成:自动生成页面标题、正文、按钮等文案,减少手动填充内容的时间。

  • AI辅助页面搭建:可以根据需求快速生成页面区块和内容结构,适合从零开始搭建Landing Page或产品官网。

  • 响应式适配:能够较方便地处理桌面端和移动端布局,减少多端重复调整的工作量。

Framer更适合C端产品官网、落地页、产品介绍页和产品Demo等场景。如果需要表达复杂的APP业务逻辑和多状态交互,它并不能完全替代专业原型工具。

一句话总结:“设计完直接上线”是它最大的优势,特别适合产品Demo、落地页和官网场景。

AI评级:⭐⭐⭐⭐

7、Lovable

Lovable是一款AI驱动的产品生成工具,相比传统原型工具,它的定位更进一步:输入需求描述后,生成的不只是静态原型,而是真正可以运行的Web应用。

AI能力:

  • 需求描述直出可运行产品:输入产品需求后,Lovable可以生成包含前端代码的可运行应用,页面和交互都能够实际操作,而不只是简单的页面跳转。

  • 对话式迭代:生成后可以继续通过自然语言提出修改要求,比如“增加一个登录页”“把这里改成卡片布局”,系统会继续修改代码和页面。

  • 代码可继续使用:生成的代码可以作为后续开发的基础,开发人员可以在此基础上继续修改和迭代。

  • 自动处理前端逻辑:表单、状态、页面跳转等常见前端逻辑可以通过AI自动生成,让不懂代码的产品经理也能快速做出一个能够实际操作的Demo。

Lovable更适合快速验证产品想法和技术可行性,特别是“想先做出一个能跑的版本看看”的场景。不过,它与专业产品设计工具解决的问题并不完全相同,不适合直接替代完整的原型设计、UI设计和团队交付流程。

一句话总结:最大的特点是直接生成可运行产品,适合需要快速验证Idea、但暂时缺少开发资源的团队。

AI评级:⭐⭐⭐⭐

7款工具各有侧重。在真正选工具之前,可以重点看下面4个标准。

1、AI能力到底是核心能力还是附加功能:

有些工具从产品底层就围绕AI设计,生成、检查、修改、交付等环节都有AI参与;有些工具则只是在原有功能中增加一个AI入口,用几次之后很快就会碰到能力边界。

判断方法其实很简单:看AI能不能直接帮你完成一个相对完整的任务,还是只能辅助其中某一个小步骤。如果你选AI工具的主要目的就是提高效率,那么前者通常更值得长期使用。

2、能不能真正融入产品设计工作流:

好用的工具不应该为了“用AI”而额外制造一套流程。

选型时可以重点看几个问题:AI生成的原型能不能直接拿去评审?生成的设计稿能不能继续编辑?设计结果能不能直接交付开发?不同角色之间需不需要反复导文件?

单个AI功能看起来再惊艳,如果前后流程接不上,最终节省下来的时间也很有限。

3、团队协作与交付链路是否完整:

个人换一个工具很容易,团队换工具却没那么简单。

如果你的工作涉及产品经理、设计师、开发等多个角色,就不能只看“生成出来的页面好不好看”,还要考虑它是否支持多人协作、评论反馈、版本管理、设计评审和开发交付。

对团队来说,真正影响效率的往往不是某一个功能,而是整条协作链路是否顺畅。

4、数据安全与国内使用环境:

海外工具通常还需要额外考虑网络访问、数据存储位置、企业合规和技术支持等问题。

尤其是中大型企业、B端产品团队,或者涉及内部业务数据、用户数据的项目,数据安全往往不是加分项,而是选型的硬门槛。如果公司对此有明确要求,可以优先关注国产工具、私有化部署能力以及厂商的企业级服务能力。

AI正在快速降低产品设计的操作门槛,但门槛降低,并不代表产品质量会自动提高。

工具可以帮你更快出图、更快搭原型,甚至直接生成一个可以运行的Demo,但需求是否合理、产品逻辑是否跑得通、方案是否真正解决用户问题,这些判断依然需要产品经理自己完成。

对大家来说,没有必要把7款工具全部试一遍,最好先明确自己最想解决的问题,再挑一两款真正融入日常工作流就够啦~

2026年AI产品设计工具选型指南:7款主流工具实测与4大标准 在人工智能技术加速渗透设计领域的背景下,AI设计工具已从早期的辅助生成图片,进化为覆盖灵感探索、界面生成、原型交互与代码导出的全流程工作台。对于产品设计师与UI/UX从业者而言,理解生成式AI的基本原理与设计工作流的结合方式,是提升交付效率的关键。本文从设计工具选型的技术逻辑出发,梳理了判断AI设计平台优劣的四个核心维度:工作流嵌入程度、设计语言一致性、信息结构理解力与二次可编辑性。基于真实项目实践,深度测评了Figma AI、MasterGo AI、Motiff妙多等七款主流产品,并展示了一套从信息架构推 阅读详情

相关推荐

2026年产品设计AI工具选型指南:七款主流工具深度对比与决策框架

AI工具选型是产品设计流程中的关键环节,涉及生成质量、工作流整合与团队协作等核心问题。其原理在于通过AI能力压缩重复性工作,提升设计效率与一致性。合理选型能显著降低协作成本,加速从需求到代码的链路。典型应用场景包括UI生成、设计规范检查、原型验证及设计稿转代码。当前主流方案如Figma AI、即时设计AI、v0等各有侧重,需结合团队规模与生态整合度综合评估。本文从实际落地角度,系统梳理七款工具的优劣势与选型标准,帮助团队做出高效决策。

weixin_28523493的博客 286

2026年AI产品设计工具盘点:7款实测对比与4条选型标准

随着大模型与多模态技术的成熟,AI正从单点辅助走向全流程协作,产品设计领域也迎来了工具链重构的窗口期。理解AI生成、设计系统、原型验证等基础概念,掌握工具背后的原理与边界,是提升工作效率的前提。本文以真实项目为测试场景,对比七款主流AI设计工具在创意探索、界面生成、动效演示、需求整理等环节的表现,并结合数据资产归属、工作流融合度、成本结构与结果可预测性四个维度,给出可复用的选型评分模型。无论是独立开发者还是成熟产研团队,都能从中找到适合自己的AI工具组合策略,避免盲目跟风榜单,真正实现设计流程的提质增效。

weixin_28520495的博客 123

产品设计AI工具选型指南:从场景拆解到七款工具能力边界

AI工具选型的核心在于理解设计流程的分段与场景匹配。产品设计覆盖界面交互、工业硬件、视觉包装等多个领域,不同阶段对AI能力的需求差异显著。从需求理解、概念发散到详细设计、验证迭代,每款工具都在特定环节具备深度能力,而非全能。选型需评估与现有设计资产的兼容度、生成结果的可控性、团队协作与知识沉淀能力以及成本可持续性。通过场景拆解与能力对照,团队可找到最匹配当前阶段与工作分布的AI工具组合,提升设计效率与一致性。

weixin_28487433的博客 73

2026产品设计AI工具选型指南:7款主流工具与4个标准

AI工具正从单点生成向工作流嵌入演进,其核心原理在于通过模型能力与设计流程的深度整合,实现需求到原型的自动化。技术价值体现在减少重复劳动、提升协作效率与规范一致性。典型应用场景包括快速原型验证、高保真界面生成、设计系统维护及团队协作。选型时需重点评估工作流嵌入深度、协作与规范管理、数据安全及长期成本。本文基于实际项目,拆解7款主流工具的能力边界,并给出4个选型标准,帮助设计师与团队找到最适合的组合。

weixin_28520495的博客 214

研发效能平台选型与落地:2026年7款主流工具深度对比

研发效能建设已成为企业软件交付的核心命题。其背后的原理并不复杂:通过统一工具链,打通需求、开发、测试、发布等关键环节,让研发过程从割裂的“信息孤岛”转变为可观测、可度量的自动化流水线。DevOps理念的普及推动了研发效能管理平台的成熟,但选型只是第一步,落地顺序与运营机制同样决定成败。面对Jira、GitLab、禅道、PingCode、ONES、TAPD、云效等主流平台,团队需结合自身规模、流程特性与最痛环节进行匹配,并遵循“主链路跑通→自动化深化→度量驱动→组织推广”的稳健路径。本文从工程实践视角,系统梳

weixin_34411563的博客 267

Orcad原理图导入Allegro

在即将设计的PCB中,将层叠设置好后,执行File→import→parameters,将刚才导出的.prm文件导入,很多参数就自动设置好了,与已完成的PCB里的参数保持一致。具体操作是:在已完成的PCB里执行File→Exoprt→Parameters,弹出下图所示的对话框,选择需要导出的设计参数后,设置到导出路径,导出记录设计参数的文件(.prm)。在.brd文件导入网表后,往往需要页面大小、格点、各层叠里各要素显示颜色等参数,手动设置十分麻烦,我们可以在一块已经完成的PCB里导出记录设计参数的文件。

sinat_27007097的博客 2084

2026产品设计AI工具实测:7款实用工具与4个选型标准

在AI工具爆发式增长的当下,产品设计师面临的核心问题不是工具不够多,而是如何在调研、定义、方案、交付等真实工作流中选对并组合使用。AI工具的能力差异体现在上下文长度、多模态解析、数据边界与工程集成等底层原理上,理解这些技术特性才能避免被榜单和营销话术带偏。不同工具各有擅长:长文本归纳、需求拆解、灵感速写、文档抽取、动态演示生成、代码辅助与自动排版,分别对应产品设计过程中的具体痛点。从通用技术概念切入,结合实际项目验证,一条从模糊需求到完整交付的AI辅助链路可以大幅缩短工时。本文以2026年实际在用的7款AI

weixin_34233974的博客 220

comsol-声学

COMSOL多物理场仿真软件以高效的计算性能和杰出的多场耦合分析能力实现了精确的数值仿真,已被广泛应用于各个领域的科学研究以及工程计算,为工程界和科学界解决了复杂的多物理场建模问题。COMSOL内嵌的声学模块可以方便地进行多孔声学和粘热声学的模拟仿真。软件数值计算得到的云图,可以将声压、速度、声强以及声能耗散等结果可视化,十分有利于学生对声学的学习和理解。将COMSOL仿真引入实验当中,通过软件的可视化处理有效直观的展示复杂物理场和集合模型仿真的流程,与实验数据结合,使得文章内容具有说服力、预见性和新颖性。

y2715163545的博客 2373

2026产品设计AI工具选型指南:七款主流工具深度盘点与组合策略

AI工具选型正成为产品设计效率提升的关键。理解AI在创意生成、重复劳动自动化、设计分析及跨角色沟通中的核心原理,能帮助团队在UI设计、原型制作、硬件产品设计等场景中精准匹配工具。2026年主流工具如Figma AI、即时设计AI、墨刀AI等已进入生产力阶段,选型需聚焦场景匹配度、工作流融合、协作权限与成本可持续性。本文基于真实项目经验,提供从个人到中型团队的工具组合方案与避坑指南,助你构建高效AI设计工作流。

weixin_42522009的博客 327

基于Python的闲鱼商品价格评估模型:爬虫+价格预测全实现

本文介绍了一个完整的全球气候数据抓取与分析流程,采用轻量化的技术栈(requests+pandas+matplotlib+folium),实现以下核心功能: 全球城市定向抓取:支持自定义城市列表,自动获取经纬度并抓取多源气候数据 双数据源互补:结合OpenWeatherMap API(实时数据)和Climate-Data.org(历史数据) 全维度覆盖:采集气温、降水、湿度等核心指标,并进行自动化清洗转换 丰富可视化:生成热力图、趋势图和统计图表,支持地理定位展示 灵活扩展:模块化设计便于新增城市或扩展数据

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 3041

CS231n+assignment2(一)

cs231n作业二详解+代码

qq_56551150的博客 2409

2026产品设计AI工具选型指南:7款主流工具深度对比与组合策略

AI工具选型是产品设计流程中的关键环节,其核心在于理解生成式AI与设计系统对接的基本原理。通过评估可编辑性、中文理解能力和工作流兼容度,团队能显著提升设计效率并降低返工成本。在概念发散、高保真出图和设计系统管理等场景中,合理组合Figma AI、Midjourney、Galileo AI等工具,可覆盖从视觉探索到开发衔接的完整链路。本文深入拆解选型标准与七款工具特性,帮助设计师和产品经理在2026年工具分化趋势下做出明智决策。

weixin_34233974的博客 332

Simulink中Simscape—Fluids模块(原Simhydraulics)学习记录

学习来源:http://cn.mathworks.com/help/physmod/hydro/getting-started-with-simhydraulics.html 主要学习内容如下图: 详细内容: 1、组件来源 SIMULINK浏览器中的模块:Simscape_Foundation 和 Simscape_Fluids。 2、Simscape下包括多个子

1万+

【2026选型】UXTools报告解读+10款UI设计工具盘点:Figma之外怎么选

如果你希望一款工具既能完成原型和UI设计,又希望把AI真正接入产品设计流程,摹客3完全适配你的需求。

设计“1+2”,摹客就够了! 279

【Unity小游戏】整整一个周末写一款《皇室战争 玩法》 的 即时战斗类 游戏Demo。两万多字游戏制作过程+解析

Unity游戏制作,本篇文章介绍了复刻皇室战争玩法的一个自制小游戏,共有该游戏的两万字教程加制作过程,欢迎品尝! 世界上没有绝对的公平,如果我们起点就比别人第一步,那就更需要比别人努力了。

努力前行,总会成为自己心中的那道光 12万+

简要介绍 | 两阶段点云目标检测:理论与实践

目标检测是计算机视觉中的一个重要任务,其目的是识别和定位图像中的物体。对于二维图像,这已经有许多有效的方法。然而,对于三维数据(如由LiDAR生成的点云数据),目标检测则更为复杂。

NLOS的博客 1306

2026年企业AI办公工具选型全指南

很多企业在启动AI办公工具调研时,第一反应是拉一张全行业的功能对照表,把所有能找到的生成能力、插件数量、交互形式全部列出来做横向打分,也有不少团队会优先参考公开的用户评价榜单,或是直接对标同行业头部企业的采购清单做同款选型。这类思路往往会导致后续落地出现大量适配成本,不少团队花了数月时间完成采购部署,最终发现工具只能用来做零散的文案生成,完全没法对接内部沉淀了数年的项目文档、业务流程数据,员工用了一周就回到了原来的工作习惯里。

2601_96854877的博客 272

Navicat从入门到精通:数据库管理全攻略

本文系统梳理Navicat数据库管理工具的核心应用体系。从基础的安装与多类型数据库连接入手,详解数据库与数据表的创建、修改、删除等操作逻辑;深入数据增删改查的可视化与 SQL 语句双重操作模式,结合Excel/SQL文件的导入导出场景提供实操指南。同时覆盖数据备份恢复、跨库同步等进阶功能,以及视图、存储过程等高级应用。通过对比同类工具突出Navicat的易用性与功能性优势,并针对连接失败、字符乱码等常见问题提供解决方案,帮助读者从零基础掌握数据库全生命周期管理,提升数据操作效率与安全性。

邓邓子的博客 1895

2026年亲测12款原型、设计、代码工具,主流与小众真实体验

真正把这些工具轮着用一遍之后,最大的感受反而是这些主流的工具界限在变得模糊,有的原型工具也能搞设计,有些UI设计工具可以生成代码,有的代码工具能出界面Demo。这些工具都有自己擅长的一部分,也在逐渐扩大使用范围。真正用下来你会发现,工具能做什么并不稀奇,难的是知道什么时候该用、什么时候该换。2026 年工具选择的门槛,其实已经从会不会用,变成了“用不用得对”。声明:以上只是我和团队在项目里用过的感受,肯定不全面,也不代表唯一答案,工具这东西本来就很看人。

2501_94162613的博客 1636

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

2026年10款传统与AI原型设计工具测评,谁更能打?

Framer现在已经不再纠结自己是不是原型工具了,它现在更像是一个“不需要写代码的网页开发工具”。它的AI生成网页功能非常惊艳,适合做那种官网、落地页。如果你希望你的原型直接发给客户就能当成网站用,甚至直接上线,选它没错。如果你想做一些移动端或者其他产品类型,那就基本上不太考虑了。综合评分:8.0/10工具流畅度:高,实时预览效果非常惊艳,动效丝滑;AI参与度:强,一句话生成整站,甚至能自动适配手机端布局;上手成本:中等,对布局和响应式设计有一定要求;协作体验:良好,主要是针对最终产物的分享和分发。

2501_94162613的博客 695

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")

从视频到图文:2026 年自媒体老手都在用的 8 款顶级 AI 工具,效率直接拉满!

站在 2026 年的回头看,Sora 的横空出世确实是一个分水岭。那个时候,大家还在震撼于“文生视频”的视觉

ai929790的博客 839

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

2026年产品设计AI工具选型指南:七款主流工具深度对比与团队落地策略

AI工具正从季度级迭代压缩到月度级,产品设计领域已分化为创意发散、高保真交付和全链路设计操作系统。选型核心在于生成结果的可编辑性、与现有工作流的融合度、设计系统支持及团队协作成本模型。可编辑性决定AI产出能否二次编辑,工作流融合度影响落地成本,设计系统支持保障品牌一致性。这些标准直接服务于UI/UX设计、原型制作和设计交付等场景。本文围绕Figma AI、Motiff、即时设计AI等七款工具,结合团队规模与协作需求,提供从选型到推广的完整方案。

weixin_34233974的博客 339

中小企业首选:2026 年 8 款高性价比 AI 数据分析工具

2026 年的 AI 数据分析市场已进入“场景深耕”阶段。综合本次 Top 8 测评来看,企业选型的核心已从单一的“功能覆盖”转向“AI 逻辑与业务场景的拟合度”。初创团队优先考虑高性价比、即插即用的零代码平台;中大型企业应重点考察数据私有化合规性及复杂数据关联能力。建议先从 1-2 款工具的免费试用版切入,重点测试其在真实业务数据下的解析精度。选择最契合您当前数字化阶段的工具,才是实现效率跃迁的关键。常见问题解答 (FAQ)Q1:2026 年的 AI 数据分析平台与传统 BI 工具最大的区别是什么?

csssbad的博客 874

2026企业AI办公工具选型全指南

很多企业在启动AI办公工具调研时,第一反应是拉取不同产品的功能清单做横向比对,把功能数量多少作为核心判断标准,也有不少团队会优先参考采购预算,选报价最低的选项,或是直接跟风行业内知名度最高的品牌,跳过自身业务场景的梳理环节。这类选型思路最终往往会导致工具上线后使用率极低,大部分功能处于闲置状态,无法给实际办公流程带来效率提升。

2603_96848237的博客 379

6 款电商 AI 图片生成软件实测|国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言,现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求,显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强",而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率,通用生图工具强在创意上限,模板类工具赢在上手速度。建议根据自身业务阶段,搭配 1-2 款主力工具 + 1 款辅助工具,形成适合自己的视觉生产流程。

Mardi_Ladin的博客 273
上一篇: 为什么AI生成的设计稿不可用?问题不在工具,在需求没说清楚
下一篇: 【原型效率】PM画原型5步法:需求→页面→框架→交互→评审
摹客
博客等级 码龄12年 1588粉丝 784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