小鹏汽车副总裁纪宇:坚持智能化技术自研,打造最深的护城河

Apalis iMX8QM 串口链路调试进展总结 本文记录ApalisiMX8QM平台从刷机到串口通信贯通的调试过程。系统基于Toradex Linux 7.8.0,成功实现X21(UART2)RS232双向通信,收发验证通过。关键结论:设备映射错误是初期失败主因,应以/dev/apalis*符号链接为准;所有测试依赖系统原生工具,未安装额外软件。当前板载网口未配置静态地址,后续将推进PPC接入、协议解析、图形化显示及网络落地。 阅读详情

图片

导读:电动汽车行业正经历着快速的技术变革,小鹏汽车在研发中投入大量资源,坚持智能化技术自研,期望在引领技术进步的同时保持在市场上的竞争力。同时,以车为中心的生态网络正在持续构建中。作为互联网造车新势力的小鹏,与传统车企、互联网企业有何不同?智能汽车应用与互联网产品的打造过程又有什么本质上的差异?

作者 | 邓晓娟 徐威龙

出品 | 《新程序员》​​​​​​​​​​​​​​

近年来,智能电动汽车领域有种“三分天下”的趋势:传统车企、新势力造车、互联网造车,三股势力纷纷入局。一方面,传统车企智能化加速:奔驰、宝马、奥迪、沃尔沃、大众、长城汽车、吉利汽车纷纷上马高级别自动驾驶项目,加速智能驾驶的研发进程;另一方面,华为、Apple、小米、大疆等科技公司跨界选手跑步入场;此外,造车「新势力」如「蔚小理」等也如快速涌现。汽车这个万亿市场正在被多方势力搅动着,同时也正在被软件化、智能化重新定义。

据麦肯锡“2021麦肯锡汽车消费者洞察”——《趋势引路破浪前行:加速全面转型,领跑后疫情时代》报告显示:中国消费者对汽车智能化的呼声日益高涨,十分愿意为新颖的功能支付一定程度的溢价。其中,80%的消费者将自动驾驶功能纳入选购下一台车时的重要考量;同时,70%的客户认可云端OTA升级模式,60%以上愿意为此付费。

尽管如此,小鹏汽车副总裁纪宇却认为,带有互联网基因的造车企业,并非简单地将互联网的一套做法搬到汽车上就行得通,未来的汽车行业的差异,需要靠「文化」和「组织模式」来拉开。

图片
小鹏汽车副总裁 纪宇

图片

“互联网造车不能照搬互联网的套路”

在加入小鹏汽车前,纪宇有着接近20年的互联网和移动互联网的从业经验。2016 年1 月,纪宇正式加入还处于初创阶段的小鹏汽车。从互联网「产品经理」一步迈入了汽车领域。直到今天,他还坦言,作为产品经理“增加功能的冲动一直都有,但要十分克制。所以互联网造车企业并非把互联网那一套生搬硬套过来。对于车载智能系统而言,一定应该是极简的,而非像互联网产品一样不断堆叠。”

在纪宇看来,当前市面上很多汽车的智能化还处在1.0阶段,与传统汽车唯一的区别就是车上多了个大屏。以往汽车内的交互通常以实体按键为主,现在把实体按键换成了大屏,功能也多了很多。但想要用户一个个地去找、一个个点击,是不现实的。“这仅仅完成了从0到1的过程,还不能称之为‘好用’。”

而通过语音将这些功能唤醒,则可以看作是2.0。语音也是当前各大厂商主要的发力点之一。在这方面小鹏也投入了相当大的精力。如今Xmart OS 2.0版本,可以支持全语音交互。而在我们实际的体验中,语音识别的精准度也比较高,甚至还可以完成连续对话。可以想见,这也是未来汽车的重要发展方向之一。

图片
小鹏汽车语音系统“小P”支持连续对话

此外,纪宇还认为,互联网基因对于车企来说最大的价值在于企业文化和企业组织方式的融合。如何让先进的科技与传统的造车行业相融合是每个拥有互联网背景的车企需要思考的事情,而一旦完成这种融合,就会产生出新的做事方法。“无论是智能汽车企业还是整个行业,都需要这种文化融合,其结果是它既不会与互联网行业相同,也不会与汽车行业相同,它催生出了一种全新的做事方法。”

图片

小鹏的智能化研发之路

从创立之初,小鹏汽车就坚持智能化技术自研之路,目的是打造差异化的产品和服务。在研发方面,小鹏投入了大量的资金、招揽了大量人才进行自主研发,截止至2021年第一季度,在小鹏汽车公司6100多名员工中,有近40%是研发人员,专注于汽车设计与工程、自动驾驶、智能操作系统等研发工作。在今年小鹏汽车的赴香港IPO招股书显示,2018年、2019 年、2020 年小鹏汽车的研发费用分别为 10.51 亿、20.7 亿、17.26 亿。

谈及小鹏的智能化之路,纪宇表示,小鹏汽车智能化分为三部分:

  1. 车内智能:核心是智能座舱,它是智能汽车的“火车头”;
  2. 车身智能:指自动驾驶,核心是由“人开车”到“车开车”;
  3. 车外智能:指车与其他设备的连接,如车与充电站、停车场、手机、飞行汽车等。

不过,在纪宇所负责的车内智能方面,他也坦言小鹏在研发中往往只聚焦在核心技术,并非所有技术都自研。例如语音功能涉及到三个技术:ASR(自动语音识别)、NLU(自然语言理解)、TTS(从文本到语音),这三个技术中,小鹏主要负责NLU的部分,其他两项均是与技术供应商合作开发的。如此一来,小鹏可以将语音作为一种系统级的能力,而非仅在App之间交互,从而实现「全场景语音系统」的构想。

在车外智能方面,小鹏也有很多尝试,与其他智能硬件相打通,例如小鹏P5与大疆无人机打通后,无人机可以自动实现跟车、环绕、多角度拍摄等任务,而通过汽车直接操作无人机,也大大减小了跟拍难度。

而在智能驾驶方面,除了领航辅助等功能外,小鹏也针对国内道路经常修整和改变的情况,与高精地图厂商合作,通过SR的三维图,更准确地在驾驶过程中提醒驾驶员路况信息和动态。除此之外,如何更好的规划行程,找到充电站,以及更智能地提醒车主电量情况也早已成为各家厂商的研发投入标配项目。

图片
车载导航

图片

以汽车为中心的生态正在形成

正如上文提到,如果语音是汽车智能化的2.0,那么车内与车外的连接将成为汽车智能化的3.0。届时,一个以汽车为中心,覆盖车内外圈场景的生态将来临。即使今天我们离这个愿景还有一段距离,但围绕汽车智能化的新生态的萌芽之势已清晰可见。

在纪宇看来,汽车智能化生态的发展应分为两个阶段:完全自动驾驶的「实现前」与「实现后」。

完全自动驾驶实现前:更多是连接辅助型的应用。因为在车主开车时注意力多数会放在驾驶汽车上,这种情况下的生态核心是帮助其更好地驾驶,例如:充电信息、洗车、听歌、导航等辅助及简单的娱乐需求。还有许多车主喜欢停车后在车上坐一坐再离开,这时需要满足他看电影、听歌、K歌等娱乐放松的需求,这些都是比较典型的场景。

完全自动驾驶实现后:这时的应用生态将更多以主动性的服务为主。比如通勤时间为 2 个小时,当驾驶任务完全交由汽车后,车主将会有一大段时间可以在车上支配,这时候便需要满足用户大量的可能信息和娱乐需求。

如今,除了听书、音乐、看剧等常见的应用外,小鹏还尝试性的与其他厂商合作,推出了超跑声浪(即一踩油门就播放超跑的轰鸣声)等以驾驶为场景的应用。同时还推出了麦克风,让用户可以在上车时或下车前在车上高歌一会。据纪宇透露,这款麦克风的售卖量达到了购车人群的30%。

正因如此,作为资深互联网人的纪宇,也认为当前汽车应用与移动互联网还是存在一些差异,汽车应用最主要的是要把功能做到最好。以车载麦克风为例,需要考虑到用户使用的效果是否能达到基本需求,在车里那么多音响设备的情况下,如何让效果达到最好,如何消除回声,以及耳返的处理应该用什么样的芯片等等。这些都需要将软硬件结合起来去思考。

但无论如何,未来将会有更多的第三方开发者参与到汽车应用开发中,更多脑洞大开的应用被开发出来指日可待。

图片

跨界复合型人才成行业首选​​​​​​​

值得一提的是,汽车应用开发与互联网产品开发有非常本质的区别,如上文所说,汽车车载应用功能关键在于“极简”而非功能的堆叠。这对于开发者而言也是一种挑战,随着智能化汽车得到市场认可后,汽车产业对数字化人才的需求日趋强烈,纪宇认为,当前智能汽车行业最紧缺的是科技向的「复合型人才」,要掌握软件技能,也要懂汽车行业,比如自动驾驶算法工程师、语音算法工程师、Android开发工程师等。

而在人才综合素质方面,足够开放、学习能力强的人才更受行业欢迎。智能汽车行业是传统汽车行业和互联网行业的融合,足够开放才能够学习行业的知识和课题。对此纪宇还表示,小鹏汽车产品经理有1/4工作时间都在车上度过,通过全闭环的客户体验去不断优化,绝不“闭门造车”。

随着智能汽车的不断发展,「智能化」将是最终的核心竞争力,无论是人才的招揽还是企业技术的突破,在无法完全避免产品同质化的大背景下,想要从激烈的市场竞争中脱颖而出,必须从多角度打造差异化策略。

2020年~2022年,智能汽车或许尚处于蓄势阶段,但在2023年开始,智能汽车或许将会迎来爆发期和对传统功能汽车的颠覆期,智能汽车的变革会加速到来,汽车行业正面临许多全新的机遇和挑战,再度成为下一个“朝阳产业”。

受访者:纪宇,小鹏汽车集团副总裁。

全面负责小鹏汽车互联网中心产品和技术的规划,从零到一搭建了小鹏汽车互联网中心核心团队并持续带领团队不断发展壮大。作为公司智能网联化产品的主要设计者,主导规划互联网中心技术战略及集团全场景智能化和创新服务的设计、研发和应用。纪宇先生此前曾任职于腾讯集团,先后负责手机QQ研发、QQ浏览器等项目、负责腾讯研究院项目管理及质量管理。后任职于阿里巴巴,负责移动创新产品设计和研发工作。 

图片

本文出自《新程序员·新数据库时代》,即将正式上市!

2018 年图灵奖得主、深度学习三巨头之一Yann LeCun(杨立昆),2020年图灵奖得主、龙书《编译原理》作者Jeffrey Ullman,英特尔副总裁Erez Dagan,阿里巴巴集团副总裁李飞飞,腾讯自动驾驶总经理苏奎峰……《新程序员》第二期,我们以「软件定义汽车 & 新数据库时代」为主题,邀请到国内外60余位学术领航人、技术大咖与产业先锋,为智能驾驶及数据库产业奉上酣畅淋漓的理论交锋及实战演练。

此外,我们还邀请到“造车新势力三杰”——蔚来、小鹏,以及理想,他们如何完成“电动化、网联化、智能化、共享化”的转型?同时,在“十问数据库”中,华东师范大学副校长周傲英、达梦数据创始人冯源、TiDB创始人黄东旭、OceanBase CTO阳振坤……他们讨论的主题是:数据库的自主之路,究竟还远吗?

扫描下方二维码,添加小助手,即刻加入《新程序员002》「读者群」,抢先一步获取杂志最新资讯,精彩内容不再错过。

图片

小鹏汽车2019春招车联网软件工程师笔试题-互联网中心.docx 小鹏汽车2019春招车联网软件工程师笔试题-互联网中心 立即下载

相关推荐

小鹏汽车2019春招车联网软件工程师笔试题-互联网中心

小鹏汽车2019春招车联网软件工程师笔试题-互联网中心

【语音工程开发】

语音工程开发,SDK设计,介绍了语音识别基础知识和整体流程,cmake、c++、shell相关工程开发经验和cpu、内存、延时性能优化分析

weixin_43273308的博客 1748

程序化广告行业(23/89):深度剖析广告效果评估指标

大家好,我一直希望能和大家一起在技术领域不断探索、共同进步。在之前的文章中,我们了解了程序化广告中腾讯的业务布局和广告效果评估的基础概念,今天让我们进一步深入剖析广告效果评估的各项指标,这对理解程序化广告的运作机制至关重要

yyy173611的博客 4865

All in端到端的小鹏,开始了组织架构调整

作者|钟声 编辑| 红色星际点击下方卡片,关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『行业第一线』技术交流群本文只做学术分享,如有侵权,联系删文继理想、蔚来对智能驾驶业务的组织架构调整之后,近期小鹏也对组织架构进行了大调整。和理想、蔚来一样,小鹏这轮的调整也是根据智驾技术路线的变化,把组织架构拆散后再次重装,新的组织架构...

CV_Autobot的博客 1745

c++多线程(1)------创建和管理线程td::thread

std::thread 是 C++11 标准库中用于创建和管理线程的核心类,定义在 <thread> 头文件中。它使得多线程编程变得简单、类型安全且跨平台。

jndingxin的专栏 648

【VSCode】【Clangd】从零构建:基于LLVM/Clangd+MINGW+CMake的Windows高性能C/C++开发环境实战

本文详细介绍了如何在Windows平台搭建基于LLVM/Clangd+MINGW+CMake的高性能C/C++开发环境。通过VSCode配置Clangd语言服务器,结合MINGW提供的GCC工具链和CMake的跨平台构建能力,实现轻量级、高效率的开发体验。文章包含从环境准备到实战配置的完整指南,特别适合追求开发效率和跨平台兼容性的开发者。

weixin_28839629的博客 314

Vue成大学核心课程

作者 |梦依丹出品 | 优快云(ID:优快云news)继维基媒体正式宣布采用 Vue.js 作为前端JS框架后,随着Vue 被更多企业青睐的同时,国内高校湖南工程职业技术学院正式把 ...

优快云资讯 2074

pytorch超详细安装教程,Anaconda、PyTorch和PyCharm整套安装流程

本文介绍基于Anaconda环境以及与PyCharm结合,安装PyTorch深度学习框架。

Bluebro的博客 19万+

Windows 11 再惹“众怒”!网友:微软就是逼我去买新电脑!

整理 | 郑丽媛出品 | 优快云(ID:优快云news)一般来说,不论是移动还是桌面操作系统,如若要升级版本,大多用户都不会产生过大的抵触情绪,毕竟更新往往都是为了确保用户获得最佳体验...

优快云资讯 1万+

comsol移动网格_comsol模拟移动的纳秒脉冲激光烧蚀材料,温度场分布,结果总不理想,求助大佬!!...

本人comsol新手一枚,希望大家多多指点研究课题:纳秒脉冲激光刻蚀材料表面想用comsol模拟刻蚀过程中的温度场分布,脉宽为300ns,重复频率100kHz,光斑移动速度为5000mm/s,光斑直径50um,激光功率10W,材料种类为:有机涂层,属性如下目前,采用的是一个移动的高斯面光源x脉冲函数,脉冲函数我用的是一个周期性方波:周期性拓展后,画出来的脉冲图,不知道为什么在0~1s的区间内只有1...

weixin_33288893的博客 4746

安检机图像处理避坑指南:从条纹校正到物质分类,那些论文里没写的工程细节

本文深入探讨了双能X射线安检机图像处理中的关键工程实践,从条纹校正到物质分类,揭示了论文中未提及的实用技巧。针对探测器校正、物质分类模糊、伪彩色系统设计等核心问题,提供了动态参数更新、空间上下文分析和自适应色彩映射等解决方案,助力提升安检系统的准确性和鲁棒性。

weixin_30325487的博客 889

小鹏汽车又有高管加盟,这次是前一汽技术研发院副院长刘明辉

李根 发自 凹非寺  量子位 报道 | 公众号 QbitAI 自何小鹏加盟出任董事长后,小鹏汽车速度更快了。 高级人才加盟方面的消息,一桩连一桩。 今日,前一汽技术研发院副院长刘明辉,正式以小鹏汽车副总裁身份亮相小鹏汽车吉林大学校招,这也是刘明辉离职一汽后首次公开出席活动。 △ 刘明辉 刘明辉此前担任一汽技术研发院副院长、中国汽车工程学会电动汽车分会副会

量子位 3834

深入解析V4L2框架与高通KMD在Camera驱动中的协同设计

本文深入解析了V4L2框架与高通KMD在Camera驱动中的协同设计。V4L2作为Linux内核标准视频驱动框架,提供了统一的设备抽象与数据流管理;而高通KMD则在其基础上,通过引入CRM等核心模块,构建了一套针对移动平台复杂相机系统的高效内核态驱动架构,实现了硬件配置与执行的解耦与智能调度。

qq_27496129的博客 1150

用Rasa NLU构建自己的中文NLU系统

代码在 https://github.com/crownpku/rasa_nlu_chi 自然语言理解(NLU)系统是问答系统、聊天机器人等更高级应用的基石。基本的NLU工具,包括实体识别和意图识别两个任务。 已有的NLU工具,大多是以服务的方式,通过调用远程http的restful API来对目标语句进行解析完成上述两个任务。这样的工具有Google的API.ai, Microsoft的Lu...

Just for fun的专栏 1万+

电气:蒙特卡洛1000个风光场景并通过削减法|聚类法得到几个典型场景(matlab\python实现)

    个人电气目录传送门:学好电气全靠它,个人电气博文目录(持续更新中…)     本文内容包括22页(代码和一些自己对风光的观点) 提示:专栏解锁后,可以查看该专栏所有文章,划算。 文章目录一、理论依据1.风电DG出力概率模型1.2光伏DG出力概率模型1.3对风光的认识二、蒙特卡洛模拟1000个风光场景、并通过削减法得到5个典型风电场景 (Matlab 版程序)三、蒙特卡洛模拟1000个风光场景、并通过聚类法得到5个典型

总裁余(余登武)博客 7681

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

鸿蒙操作系统实现应用接续跨设备流转实战

应用接续的落地成本很低:一个配置、一个onContinue回调、一处 launchReason 判断,合计不足百行代码,就能让任务在手机、平板、鸿蒙电脑之间无缝续接。随着互助通信共享等组网能力在更多机型下放,这条能力的实用价值会持续放大,建议交互密集型应用尽早接入。

NJPJI_Yang的博客 378

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。

信创环境下PageOffice文档控件适配与实践

信创适配做到文档控件这一层,拼的已经不是"有没有国产版本",而是同一个功能在两类终端上是否真的等价。等价的标准很具体:同一次点击能得到同样的结果,同一份公文能得到同样的版式,同一个项目不需要维护两套代码。这背后是三件并不轻松的工作:服务端用一套接口同时支撑两类终端,客户端把两种系统与四种芯片的安装包分发清楚,文档内核层由产品侧跟着 WPS 的版本走。浏览器这一层的压力,则被收进了产品自己的窗口里——升级节奏由产品掌握,不再交给运气。

zi_wu_xian的专栏 332

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")

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。

自建 RustDesk 服务端后,做一个“装完就能连“的客户端

目前市面上的远程工具(如向日葵、toDesk等)免费版基本上都卡的不行,而且收费版好像也会卡。如果有云服务的话,可以基于 RustDesk 的 hbbs / hbbr 自己部署一套,不过会碰到一个问题:每台电脑装完客户端,都得手动去设置里填三样东西——ID 服务器、中继服务器、Key。填错一个就连不上,还得远程指导同事操作。这篇记录两种解决办法,以及云端编译的完整流程。内容基于 RustDesk 1.5.3 的源码。

风声的专栏 371

技术拆解:Mentalab Explore Signals v0.4.0 OpenGL绘图引擎性能实测,BIN转BIDS与CSV转BDF转换向导全解读

Mentalab在GitHub发布Explore Signals v0.4.0,这是面向Mentalab Explore Pro配套的桌面端波形浏览与数据转换工具。本文按更新日志逐条拆解本版本在渲染、交互、转换管线与兼容性上的变化。

欣佰特cnbestec的博客 121

Linux rm 误删文件恢复实操教程

Linux使用rm删除文件时,并不会直接抹除磁盘上的数据,只是移除文件索引,让系统不再识别这块空间。只要没有写入新数据,原有扇区内容就会保留。新文件写入才有可能覆盖这些区域,一旦覆盖就很难找回。恢复的本质就是扫描磁盘,找到这些还存在、但索引丢失的数据条目,再把它们导出保存到其他分区。越早停止写入,恢复成功的概率越高。

海天数据恢复-winhex数据恢复教程 243

信创环境下OA文档控件技术选型方案对比

在国产 OA 的开发与实施中,文档编辑往往是返工较集中的一个环节。问题通常不出在产品本身,而是选型时没有先把约束写清楚:公文打印必须与本地 WPS 一致、文档不能出内网、一套代码要同时覆盖 Windows 与国产终端。这三条一旦成为验收项,可选的路线会迅速收窄。本文按“约束—对象—路线—实施—验收”的顺序,把目前市面上的四条技术路线的原理、能力和代价拆开对比,并给出实施阶段容易忽略的几个点。

zi_wu_xian的专栏 204

第一章 Shell 概述

本文介绍了Shell编程的基础知识,包括Shell的起源与发展、常见Shell类型及查看方式,阐述了Shell作为命令解释器连接用户与操作系统内核的作用。强调其作为解释型脚本语言的优势,适用于系统管理自动化任务。内容涵盖Shell脚本基本结构、注释规范、编写风格、执行方法及常用命令(如echo、printf、history、管道等),并讲解了命令执行顺序、退出状态码等核心概念,为初学者提供系统学习路径。

sbjdhjd的博客 307

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 294
上一篇: 对话阿里云李飞飞:数据库迎来开源新时代 | 《新程序员》
下一篇: 让汽车软件进入iPhone时代!
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