“慢公司”小红书,加速布局大模型

互联网产品洞察:抖音电商新增“闪电换货“服务场景 | 小红书电商是... 抖音新增闪电换货服务,谷歌取消弃用第三方cookie计划,贾跃亭宣布FF新车型,京东与野生救援合作,永辉关店调整,小红书定位生活方式电商,奈飞Q2财报公布,小鹏与大众技术合作,苹果发布新小模型。 阅读详情

图片

自成立至今,小红书一直保持低调并被形容为“慢公司”,而这也反映在大模型相关产品线上。尽管上线了多项功能和应用,存在感却稍显不足。

进入2024年,小红书在大模型领域的探索悄然加速,持续引发市场关注度。

多方消息称,这家公司正加强在人工智能领域的战略布局,其AI创新领域的领军人物张德兵所领导的大型模型团队,也已在内部产品中展开了自研通用大型模型基座“小地瓜”的灰度测试。

不仅如此,创立十年方才“首次实现盈利”的小红书,也在今年2月,掏出“真金白银”参与了大模型创企的投资盛宴,一出手就投向了明星项目——月之暗面。

巧合地是,从AI应用,到自研大模型,再到投资大模型,小红书在大模型领域的探索,均与知乎不谋而合。而这也给外界解读这两家“内容导向”公司的发展,提供了一个类比的选项。

图片

早早入局“小步快跑”,谨慎至上

从时间上来看,小红书在大模型领域的探索并不算晚。

大模型热潮涌起的2023年3月,小红书就已开始筹备独立的大模型团队,核心员工来自广告业务的NLP技术团队。同时,公司内部还有多个独立部门同时推进AIGC方向的落地探索。

从速度上来看,小红书也算得上是“小步快跑”。

“下场”短短一个月后,小红书就上线了主打中国风AI绘图的AI创作应用——Trik。然而,这款仓促之下推出的应用,最终因未能处理好版权争议,又在仓促间下架销声匿迹。

经历过初次试水后,小红书又于2023年7月相继上线涂鸦和主打文生图的“此刻”功能,帮助用户快速生成图片。

无论是上线主打AI绘画的Trik,还是上线涂鸦及此刻功能,无一不是小红书“应用至上”的实践。

而这或许也与去年9月,小红书技术副总裁王晓博作出“大模型不会无限制烧钱,将转向应用竞争”的判断,互为因果。

此前,小红书大模型负责人张德兵也曾提到,文本、视觉、语音、音乐,任何两种模态的迁移和转换是当下重要的研究方向。“小红书承载了不同模态的内容,这些模态如果可以让创作模态大幅度下降,让用户记录和表达自己的生活的时候,能够更低成本、更加快捷,这是一个很有意思的方向。”

不难看出,小红书在大模型领域的探索,最初主要集中于为内容做增量,靠各种AI应用和功能,帮助用户产出内容。

需要注意的是,小红书的各种尝试并非独有,可替代的产品多如牛毛。此后,多数功能和应用几无水花,似乎也只能说明,小红书的“吃力不讨好”。

这一切,或许可以从小红书“拧巴”的心态上找到解答。

据悉,小红书对上线新AI产品的态度非常谨慎,原因是害怕破坏现有的内容生态。据36氪消息,一名知情者表示:“小红书的内容生态是活人种草,AI在里面怎么样才不违和,这是困扰小红书的一个问题。”

图片

剑指社交搜索,加速商业变现

作为对比,与小红书均在2023年上半年出发的知乎,一开始便选择了从“存量内容”入手,以搜索先行。

2023年4月,知乎战略投资面壁智能,并与之合作开发“知海图AI”中文大模型,首个大模型功能“热榜摘要”即是利用语言理解能力对知乎热榜上的问题回答进行抓取、整理和聚合,并把回答梗概展现给用户,给大家提供直观清晰的回答。

相较于知乎,小红书差不多滞后了半年,方才有了挖掘搜索和社交价值的尝试。

2023年9月,小红书基于大模型公司MiniMax的大语言模型,在App中开始内测AI聊天功能——Davinic(达芬奇)。

通过机器学习和数据分析,结合用户的兴趣、行为和偏好等方面,Davinic可以推荐更加个性化的内容和交友对象,让用户可以享受到丰富和智能的交互体验。

自此开始,小红书在“存量内容”上尝试挖掘,社交和搜索的隐含属性,也在同步被逐渐放大。

今年春节期间,小红书上线了“AI宠物小伙伴”等社交玩法。在群聊中上线可以智能创建角色的AI群聊搭子,正是其“AI社交”的加速实践。

而无论是AI应用,还是用大模型赋能社交和搜索,小红书与知乎的最终目的,无疑是提升商业化变现能力。

知情人士表示,小红书的AI搜索将会带有更浓厚的种草性质,这对于小红书电商来说,也是一个重要的流量入口。

小红书CMO之恒曾表示,“小红书上,每天有3亿次的搜索,每个月有1.2亿人通过搜索表达购买意愿。”如今,越来越多用户开始在小红书上搜索,搜索量的大幅上升,提升了小红书的商业化空间。

在2024小红书WILL商业大会上,小红书就宣布推出“搜索直达”,该产品是在小红书社区生态基础上进行的一次底层能力升级。通过这一工具,可以帮助商家在搜索场域中,对于用户需求实现直接转化,在搜索结果页面中,用户可以跳转站内店铺购买,也可以通过私信,或者通过店铺直推形成购买。

需要注意的是,小红书整体侧重还是在视频业务,无论内容短视频还是买手直播带货,都占据了很大一部分人力和资源,留给AI的资源并不算多。这对于去年刚实现盈利的小红书来说,在AI的商业性还未得到验证前,入局也意味着将承担极高风险。

图片

对外投资,有钱景亦创造可能

大模型太烧钱,阿里、腾讯、百度等巨头凭借丰富的人力、财力、物力,可以从头到尾全部自己搞定。对于小红书、知乎等腰部互联网公司而言,投资,无疑是“花小钱办大事”的最优解。

先从知乎说起,这家公司在2023年之前仅有三次对外投资,两次投向职业教育,一次投向了消费领域。2023年至今的两次出手,则均投向了大模型创企——面壁智能。

前文已提到,知乎投资面壁智能,一开始就是以“联合研发”为目的,由此诞生了“知海图AI”,并率先在搜索领域进行探索。

凭借与知乎、招商银行、数科网维等合作伙伴的多场景成功落地应用,面壁智能于今年4月完成数亿元新一轮融资。除了知乎作为战略股东持续跟投支持,本轮融资由春华创投、华为哈勃领投,北京市人工智能产业投资基金等跟投,而这则从侧面佐证了知乎此前领投的“眼力”。

反观小红书,这家公司迄今已累计对外投资18次,被投企业多数位于咖啡、潮玩、美妆等消费赛道,融资数额也多为亿元级上下。

在2023年“首次实现盈利”的小红书,算得上是“粮草充足”,自然也有了投向“更烧钱”的大模型的底气。

据雷峰网2023年7月消息,小红书似乎低调投资了MiniMax(后续并未官宣)。而这,或许能从当年9月,小红书基于MiniMax上线Davinic功能为佐证。

今年2月,小红书更是参与了月之暗面的10亿美元新一轮融资,与阿里巴巴、红杉中国、美团、招商局中国基金等“并肩而立”,显得十分惹眼。

据科创板日报消息,有老股东透露,相较于其他TO B领域的AI创业公司,月之暗面的目标是TO C领域。基于TO C的发展策略,新股东中出现了很多互联网大厂身影,这些巨头均是TO C公司。“因此从应用场景上看,投资后双方应该会有业务嫁接。”

巧了不是,小红书在AI社交上的探索已然开启。

就在5月21日,月之暗面被爆正在进行新一轮融资,且最新一轮估值报价已达30亿美元,新入局的股东包括腾讯、高榕创投等。

换言之,小红书也在“钱生钱”之外,于MiniMax之外,再添一个强大助力,给自身创造了更多可能性。

后续,小红书与月之暗面的将如何合作,已然引发外界期待。同时,小红书“种下”小地瓜,收成几何,也待市场进一步检验。

(首图来源:小红书)

​

如何学习AI大模型?

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

当知识图谱遇见多模态:突破文本界限的智能认知革命 本文探讨了知识图谱与多模态技术的融合,揭示了其在医疗诊断、文化保护等领域的革命性应用。通过图神经网络、对比学习框架和跨模态注意力机制等技术,实现了文本、图像和音频数据的智能关联与认知。文章还分享了在Neo4j等图数据库中的实践案例和优化策略,为构建下一代智能认知系统提供了技术参考。 阅读详情

相关推荐

Argoverse轨迹预测实战:从数据加载到地图API应用全解析

本文详细解析了Argoverse数据集在轨迹预测中的应用,从数据加载到地图API的实战技巧全涵盖。通过具体代码示例展示如何高效处理轨迹数据、实现可视化及基础预测模型,帮助开发者快速掌握自动驾驶轨迹预测的核心技术。特别介绍了Argoverse地图API的深度应用和性能优化经验。

weixin_29182481的博客 242

行业落地分享:大模型在小红书推荐的应用(文末送书)

在 2025 年全球机器学习技术大会上,小红书推荐算法负责人严岭分享了大模型在小红书推荐系统中的应用实践,为行业带来诸多启发。小红书作为内容分享平台,拥有海量的用户和丰富多样的内容生态。如何精准地将优质内容推送给用户,一直是推荐系统的核心任务。在小红书的首页信息流中,无论是图文推荐还是视频推荐,海量的用户和丰富的内容在这里相聚。

2401_84204207的博客 2680

后台扫描工具 - 御剑(珍藏版)附下载

版本说明:御剑后台扫描珍藏版 下载地址:安装包放下方网盘里了 链接:https://pan.baidu.com/s/1Bn7GtWb7AStcjzVahFOjSQ 提取码:zkaq 使用环境:windows 标题工具说明: 御剑后台扫描珍藏版是T00LS大牛的作品,方便查找用户后台登陆地址,同时也为程序开发人员增加了难度,尽量独特的后台目录结构。 附带很强大的字典,字典我们也是可以自己修改的,继续增加规则。 一、御剑后台扫描工具简介: 1、扫描线程自定义:用户可根据自身电脑的配置来设置调节扫描线程 2、

hackzkaq的博客 4万+

AGI 时代,小红书邀您一起复盘年度 100 件值得学习的好案例

工程师成长、多模态技术、多端产品创新······小红书年度精选案例分享!

REDtech_1024的博客 414

LiteOS | 基于LiteOS的智慧农业案例实验分享

分享一个基于小熊派+LiteOS+华为云的案例实验(智慧农业)。 实验框图 相关模块简介 1、STM32L431RCT6 2、LiteOS LiteOS是华为开发的轻量级实时操作系统: LiteOS源码GitHub仓库链接: https://github.com/LiteOS/LiteOS 其源码一级目录结构如下: 其内核包括任务管理、内存管理、时间管理、通信机制、中断管理、队列管...

嵌入式大杂烩 5992

电商平台大数据分析指标

一、五大关键数据分析指标 1.1活跃用户量 活跃用户量是一个基本的指标,有 DAU(日活跃用户)、WAU(周活跃用户)和 MAU(月活跃用户)三个层次; 1.2转化 转化是一个非常重要的指标,电商运营需要关注主路径、次路径甚至精细到每一个品类 / SKU 的转化率; 1.3留存 留存要从不同的时间周期上研究,包括次日留存率、3 日、7 日、30 日留存; 1.4复购 复购则要从 3 个角度去看,复购用户量、复购率和复购金额比; 1.5GMV GMV 是最重要的指标,我们的运营最终是围绕这

默主归沙的博客 4821

关于多模态这件事,小红书正在开讲

尽管多模态从上个世界70年代诞生至今,经历了几十年的发展,但在当下的工业界多模态的落地依然面临着诸多挑战,以至于一些场景呈现“伪多模态”的应用状态,从而影响了用户体验。所以,如今当学界和业界再次高度聚焦多模态的时候,究竟在讨论什么?

REDtech_1024的博客 1137

Win10和Ubantu16.04双系统下,卸载Ubantu

Win10和Ubantu16.04双系统下,卸载Ubantu 机器配置 华硕主板,英伟达显卡(这不是重点) Win10与Ubantu16.04均为UFFI分区(如果不知道这个也不需要在意,一般默认的都是这样,鸵鸟原则) 清除Ubantu系统 一般按照常规的方法来删除Ubantu,都是直接将磁盘管理器里面的关于Ubantu的磁盘清空,但是还会留下一个UFFI分区,如果不进行删除的话,开机时候还是会有...

qq_33289694的博客 392

“混战”大模型,知乎、小红书、快手各有所长

众所周知,知乎是国内最有名的知识问答社区,这些年知乎积累了海量的问答资源,而提供这一资源的用户来自各行各业,拥有不同的知识背景和经验,他们的答案通常会更为专业、详细和科学,可以有效确保内容的准确性和深度。不过,可以肯定的是,知乎、小红书、快手想要从中突围,还有很长的路要走。显然,与大厂相比,小红书的资金储备和技术实力都不够雄厚,而鉴于大模型研发需要高昂的算力、数据以及人力成本,小红书参与大模型研发的概率并不高,更多地可能会聚焦大模型应用环节,围绕平台内用户运营,以及创作者工具提供等方向展开。

liukuang110的博客 840

AUTOSAR进阶图解==>AUTOSAR_EXP_VFB

AUTOSAR虚拟功能总线(VFB)摘要 AUTOSAR虚拟功能总线(VFB)是汽车开放系统架构中的核心抽象概念,为分布式电子系统提供统一通信模型。VFB允许软件组件在不了解底层物理通信机制的情况下交互,通过运行时环境(RTE)实现组件间的数据交换。系统配置过程将抽象的VFB视图转换为具体实现,包括组件到ECU的映射和通信机制选择。VFB采用"last-is-best"语义进行数据通信,并支持模式管理机制,使组件能根据系统状态调整行为。此外,VFB还支持与非AUTOSAR系统的交互,通常

一名留德华的,康德的信徒的,专注于汽车电子领域的博客 1119

把 ABAP writable CDS view entity 讲透:从只读建模到可写模型的 ABAP CDS 新能力

摘要:SAP引入的writable CDS view entity突破了传统CDS视图只读的限制,允许通过ABAP SQL直接进行数据修改。该特性通过WRITABLE关键字定义,使CDS视图成为与数据库表同等级别的可写对象。其核心价值在于为数据集成、中间层同步等场景提供结构化写入入口,但需注意不应绕过业务规则。最佳实践建议保持底层表结构简单映射,避免复杂变形。这一特性标志着CDS从单纯消费模型向双向数据交互能力的演进,为ABAP开发提供了新的数据边界设计思路。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1314

特斯拉与百度合作;字节正全力追赶AI业务;小红书内测自研大模型

此前,中国汽车工业协会、国家计算机网络应急技术处理协调中心发布《关于汽车数据处理 4 项安全要求检测情况的通报(第一批)》,特斯拉上海超级工厂生产的车型全部符合合规要求,是唯一一家符合合规要求的外资企业。一名知情者表示,「小红书的内容生态是活人种草,AI 在里面怎么样才不违和,这是困扰小红书的一个问题」。特斯拉 FSD 全称为 Full Self-Driving ,作为特斯拉在自动驾驶技术领域的重要突破,FSD 致力于实现车辆在特定条件下的无需人工干预的全自动驾驶能力。

2301_79635820的博客 1892

SAP BOM批量反查代码分享

SAP BOM反查批量查询代码分享

我小时候很黑的博客 4974

直播电商,小红书的商业化“解药”?

配图来自Canva可画 随着互联网流量增长日趋放缓、广告业务逐渐疲软,商业化焦虑就成为了当下整个互联网行业需要共同面对的难题。在此背景下,目前最火热的赛道——互联网直播带货就成为了不少平台和公司寻找新增量的重要方向,以及寻求商业化破局的一张底牌。 自从直播电商行业大火以来,互联网大厂、电商平台、视频网站等早已纷纷在此布局,可见这一赛道从来不缺玩家,部分玩家更是已经借助直播电商实现了质的飞跃。而继“带货标杆”董宇辉通过直播带货帮助新东方成功翻身之后,董洁也成为了直播带货的新一届“黑马”,助力小红书的

liukuang110的博客 467

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

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")

特斯拉全自动驾驶能力(FSD)或与百度合作;小红书内测自研大模型丨 RTE 开发者日报 Vol.196

特斯拉、小红书、微软

声网的博客 1070

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

TikTok昨天关服,美国又想禁小红书了?

Datawhale分享最新:TikTok事件,来源:北美留学生观察1月19日,全球网络用户震惊了——TikTok宣布在美国停止服务,字节跳动旗下的多个应用将全面退出美国市场。这一决定源自美国政府对TikTok的严厉监管要求,认为该平台可能危害美国国家安全。与此同时,TikTok大量用户转向中国社交平台小红书,寻求新的社交阵地。没有人想到的是,美国官员很快便将目光投向了小红书,开始对其进行审查,...

Datawhale 204

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

凡秘APP上线背后:通过场景化服务加速生态战略布局

文|曾响铃 来源|科技向令说(xiangling0815)   金融科技的浪潮里,水深鱼多。尽管行业经历过争抢捕鱼的乱象,但在强监管与严整治之后,行业正快速分化。   近日,凡普金科旗下个性化生活服务平台凡秘APP上线,通过构建场景化服务以加速凡普金科生态战略布局。     全生命周期生态布局,凡普金科需要第三驾马车   目前,整个互联网金融行业的形势严峻,各企业的角力点也...

503

从技术输出到生态构建:解码人形机器人公司加速进化的成长逻辑

加速进化CEO程昊认为,人形机器人产业爆发的关键在于降低开发门槛,吸引更多开发者共同探索应用场景。为此,加速进化正将支持开发者生态建设作为核心战略,例如,通过Booster Agents应用生态平台大幅降低开发难度。

1433

月薪 6 万 +,岗位涨 10 倍!大厂疯抢的大模型人才,小白也能从零学起

当下,AI(人工智能)领域的人才争夺已进入 “短兵相接” 的阶段。对于行业内的头部企业而言,这场人才较量早已超越普通的招聘竞争,成为决定未来市场地位、技术突破乃至生存发展的关键战略博弈。​9 月 16 日,职场社交平台脉脉发布的《2025 年 AI 人才流动报告》(下称 “报告”),用一组组数据直观展现了 AI 人才市场的火爆。2025 年 1-7 月,AI 领域呈现供需 “双爆发” 的态势:新发岗位量同比涨幅超 10 倍,求职者的简历投递量更是飙升 11 倍。

优快云_224022的博客 876

急于破局的小红书:放弃自营平台,押注买手电商

站在新十年的起点,小红书已做出决断,但能否真正破局,还面临着太多考验。

qi_caijing的博客 131

巴比特 | 元宇宙每日必读:“中国需要自己的OpenAI”,王小川官宣新公司百川智能,争取年内发布国内最好的大模型和颠覆性的产品...

摘要:据新智元报道,4 月 10 日,搜狗创始人王小川正式对外宣布开启人工智能大模型领域创业。王小川与前搜狗 COO 茹立云联合成立了人工智能公司百川智能,旨在打造中国版的 OpenAI 基础大模型及颠覆性上层应用。目前已初步组建了50人的精英团队,预计年底发布「中国最好的大模型」。百川智能早前已获得 5000 万美元启动资金,来自王小川与其业内好友的个人支持。图片来源:由无界AI生成热点资讯昆仑...

weixin_44383880的博客 646

新火种AI|月之暗面再获融资!200亿估值会成为中国大模型公司的门槛和陷阱吗?

也就是说,月之暗面,百川智能与智谱AI,这“AI四小龙”之中的3个,国内top 3的基座大模型独角兽,分别在两个月内先后加入“200亿”俱乐部。跻身“200亿元”的队列后,资本就要期待回报了,在这种情况下,初创企业要面临难以想象的激烈竞争和巨大压力:用户规模增速放缓,技术成本过高,盈利模式不过关,诸如此类种种。通俗来说,在“200亿元”到来之前,创业公司都可以靠投资活着,但是在此之后,一切都不一样了,投资者会对创业公司提出更高的要求,这也会对其。国内的“AI四小龙”,除了月之暗面以外,

2301_81027856的博客 1464

【深度收藏】大模型时代:AI人才缺口达10倍,算法工程师薪资破6万

AI人才市场供需两旺,2025年1-7月AI新发岗位量同比增长超10倍,简历投递量暴涨11倍。算法人才持续紧缺,“搜索算法"岗位5岗争2人。字节跳动、小红书、阿里巴巴等企业招聘活跃,AI岗位平均月薪超6万元。大模型算法、搜索算法等岗位薪资领先。AI人才流动性高,平均在职时长仅2.02年。企业AI化进程加速,从"工具替代"迈向"智能重构”,AI人才成为企业核心资源。这两年,AI(人工智能)人才竞争进入白热化阶段,对于头部大厂来说,这不再是一场普通的“抢人大战”,而是一场关乎未来生存与发展的战略军备竞赛。

优快云_224022的博客 1350

收藏!大模型人才争夺战愈演愈烈,小白如何抓住AI职场新机遇

近期科技圈传来重磅消息:行业巨头英特尔宣布大规模裁员2万人,传统技术岗位持续萎缩的同时,另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式!据行业招聘数据显示,具备3-5年大模型相关经验的开发者,在大厂就能拿到50K×20薪的高薪待遇,薪资差距肉眼可见!业内资深HR预判:不出1年,“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下,“温水煮青蛙”式的等待只会让自己逐渐被淘汰,与其被动应对,不如主动出击,抢先掌握AI大模型核心原理+落地应用技术+项目实操经验。

xxue345678的博客 708

小红书开源dots.ocr系统:17亿参数视觉语言模型重构多语言文档解析范式

2025年8月,小红书旗下红笺实验室正式向全球开发者发布dots.ocr多语言文档智能解析系统。这一突破性开源项目将文档布局理解与内容识别功能深度整合于统一视觉语言模型架构,在仅搭载17亿参数基础模型的条件下,实现了超越行业主流方案的多语言文档解析性能。该技术创新为企业级文档处理场景提供了兼具高精度与轻量化特性的开源解决方案,有望重新定义文档智能处理领域的技术标准。 dots.ocr采用业界首创

gitblog_01102的博客 445

高薪大模型NLP开发人才紧缺_2026打算转行AI大模型算法工程师,前景怎么样?

AI大模型人才需求爆发:高薪蓝海与就业趋势 摘要:随着GPT-4等大模型的发展,AI行业迎来黄金发展期。数据显示,我国AI人才缺口超500万,NLP开发等岗位薪资高达40-80K/月,部分企业开出百万年薪。该领域人才紧缺指数达0.83,35岁以上从业者占比33%,年龄容忍度较高。但要求也较严格,需掌握Transformer等算法及项目经验。在政策支持和大厂布局下,AI岗位数量同比激增29倍,算法类岗位平均年薪36.9万,建议从业者把握AI风口,通过系统学习实现职业转型。

Trb201013的博客 650
上一篇: 别再说不会训练大模型了!!
下一篇: 产品工具:ChatGPT 常用技巧,帮你提升 300% 产品经理工作效率
爱喝白开水a
博客等级 码龄3年 6793粉丝 763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