【Llama】无需GPU轻松本地部署大模型

原创 最新推荐文章于 2026-06-21 23:49:33 发布 3.2k 阅读 AI写同款
我爱学大模型
我爱学大模型 博客等级 码龄3年 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 3.2k累计阅读 3.2k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要
7883粉丝687篇原创
关注
Ollama 可以在 Windows 上运行了 阅读详情
AI摘要

本文介绍了Ollama这一开源大语言模型服务工具，它能简化本地部署大模型过程。文中阐述了其优势与限制，详细说明了使用步骤，包括安装、下载运行模型等，还提及常用命令行操作和基本使用方式。最后分享了大模型学习资料，助于提升相关技能。

在AI飞速发展的时代，大模型如雨后春笋拔地而起，部署大模型已不再是什么高科技操作了，只要你的电脑满足基本配置要求使用Ollama就可以轻松在本地部署模型。

使用Ollama，首先了解一下Ollama：

简介

Ollama 是一个开源的大型语言模型（LLM）服务工具，旨在简化在本地运行大语言模型的过程，降低使用门槛，使开发者、研究人员和爱好者能在本地快速实验、管理和部署最新大语言模型，如 Qwen2、Llama3、Phi3、Gemma2等。它提供了一个简洁易用的命令行界面和服务器，让你能够轻松下载、运行和管理各种开源 LLM。

Ollama的优势

  • 开源免费：Ollama及所支持的模型均开源免费，可自由使用、修改和分发。
  • 简单易用：无需复杂配置，通过几条命令即可快速启动运行。
  • 模型丰富：涵盖Llama 3、Mistral、Qwen2等众多热门开源LLM，支持一键下载切换。
  • 资源占用低：对硬件要求不高，普通笔记本电脑也能流畅运行。
  • 社区活跃：拥有庞大活跃社区，便于获取帮助、分享经验及参与模型开发。

Ollama的限制

按照官方的要求，电脑配置至少有 8 GB 可用内存来运行 7 B 型号，16 GB 来运行 13 B 型号，32 GB 来运行 33 B 型号。

如何使用 Ollama？

只需遵循以下步骤即可开始使用Ollama：

  • 安装Ollama：依据操作系统，访问Ollama官网下载并安装最新版。
  • 启动Ollama：点击Ollama应用直接启动。
  • 下载模型：前往模型仓库，选中所需模型，用ollama pull下载，如ollama pull llama3:70b。
  • 运行模型：使用ollama run启动模型，如ollama run llama3:70b。
  • 开始聊天：在终端输入问题或指令，Ollama将依模型生成回复。
  • 网络共享：在一台电脑部署模型，通过IP或服务形式共享给其他设备使用

官网

官网地址：ollama.com

进入官网看到这只可爱的羊驼那就对了。

在这里插入图片描述

文档

文档地址：github.com/ollama/olla…

官方文档托管在Github，打不开的尝试使用科学方式

注册登录

只是下载及运行模型不注册也可以，如需账号可以使用邮箱注册登录

在这里插入图片描述

模型广场

模型地址：ollama.com/library

在Ollama首页点击【Models】可以查看Ollama支持的所有模型列表。

在这里插入图片描述

点击模型即可看到模型的详细信息，包含介绍、安装方式等。

在这里插入图片描述

安装Ollama

安装包托管在Github，如果无法下载请科学上网

在Ollama官网首页点击【Download】，选择对应平台点击【Download for …】进行安装包下载

在这里插入图片描述

以Mac为例，下载完成后直接双击根据提示完成安装(安装过程很简单)，点击 Move to Applications ，按照建议，将其移动到应用程序文件夹下。Ollama默认会加入启动项，不需要的直接删除即可。

点击【Next】进行安装引导，Ollama需要插入 ollama 指令到命令行（后续直接在终端使用命令行操作），点击【Install】安装，输入电脑密码，点击【Finish】完成引导。

在这里插入图片描述

启动后看到状态栏中有Ollama模型表示启动成功，接下来就可以使用Ollama运行模型了

在这里插入图片描述

下载运行模型

官方建议：至少有 8 GB 可用内存来运行 7 B 型号，16 GB 来运行 13 B 型号，32 GB 来运行 33 B 型号。

在模型广场找到想要的模型，根据自己电脑配置选择满足条件的型号进行下载。

在这里插入图片描述

以 qwen2.5:14b 为例，在终端执行命令（如果本地没有对应模型，Ollama会先执行pull拉取，拉取完成后执行run运行）

$ ollama run qwen2.5:14b

运行成功后效果如下：

在这里插入图片描述

Ollama常用命令行操作

查看帮助

有任何命令行问题，都可以通过help命令查看帮助

$ ollama --help

在这里插入图片描述

举个例子，如想了解如何运行一个模型，可以这样查看

$ ollama run --help

在这里插入图片描述

最终得知 run 指令后面需要提供模型名称

$ ollama run 模型名称                  
如：
$ ollama run qwen2.5:1.5b

命令行方式启动Ollama

$ ollama serve

查看已下载模型

$ ollama list                  
或                  
$ ollama ls

在这里插入图片描述

打印信息中 NAME 就是模型的名称

查看正在运行的模型

$ ollama ps

在这里插入图片描述

查看模型详情

$ ollama show 模型名称

在这里插入图片描述

运行模型

$ ollama run 模型名称

停止模型

$ ollama stop 模型名称

删除模型

$ ollama rm 模型名称

基本使用

开始对话

模型启动后，在命令行直接输入提示词即可与模型进行对话。

在这里插入图片描述

在VSCode中使用

Continue插件配置相对简单一些

本地Ollama启动后默认端口号为 11434，在 Continue 插件中【API Provider】选择【Ollma】,【Base URL】默认为11434可以不填，输入模型名称 qwen2.5:14b，点击【Let’s go!】完成配置

在这里插入图片描述

在这里插入图片描述

使用Chat UI

如果觉得上面方式都不适合你，也可以选择使用像ChatGPT那样的现代聊天窗口工具，目前有很多，可以使用三方的，也自己clone本地运行：

这里以 Chatbox 为例简单实用，进入官网，点击【启动网页版】

在这里插入图片描述

进入网页版聊天页面，点击左下角【Settings】，设置完成后即可用使用Chat了。

在这里插入图片描述

使用体验

本人使用是Mac mini，无GPU，3.2 GHz 六核Intel Core i7，32G运行内存，500G存储分别跑了 qwen2.5:14b、qwen2.5:7b、qwen2.5:3b、qwen2.5:0.5b，目前为止只体验了模型响应速度：

  • 终端模型：在终端直接使用模型聊天，qwen2.5:0.5b 响应速度秒回，qwen2.5:3b 响应速度较快，qwen2.5:7b 响应速度逐行，qwen2.5:14b响应速度较慢和逐词差不多
  • VS Code：在VS Code中配合 Continue 插件使用，效果体感较差，响应速度都很慢
  • ChatUI：使用不多，没有深度体验

只在VS Code + Continue中体验了qwen2.5:0.5b 的内容生成，提示到一半就死循环了，体感效果很差。

总结

使用Ollama可以轻松在本地部署模型，但是需要选择符合系统配置参数的模型，无GPU的电脑部署了较大的模型可能响应速度较慢，需要一定的忍耐度，硬件配置不是很好的小伙伴还是建议使用现有模型服务，模型真的很费存储和算力。

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么我作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，希望可以帮助到更多学习大模型的人！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】

👉 福利来袭优快云大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

全套AGI大模型学习大纲+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

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。

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉 福利来袭优快云大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

img

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】

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。

标签
#llama #人工智能 #大模型入门 #AI #本地部署大模型
#GPU #大模型技术
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Ollama入门教程：从安装到运行的完整指南 随着人工智能（AI）技术的快速发展，大型语言模型（LLMs）逐渐成为了各行各业的重要工具。然而，使用这些强大模型的同时，数据隐私、处理效率和部署复杂度等问题也逐渐浮现。为了解决这些问题，Ollama 提供了一种创新的解决方案——通过本地化部署大型语言模型，不仅能够增强数据隐私性，还能提高模型的运行效率。本文将详细介绍如何下载和安装 Ollama，如何选择和运行不同的语言模型，以及 Ollama 的特点、适用场景、优缺点等内容，帮助大家深入了解这一平台。ollama官网🚪 ollama官方文档🚪 根据自己 阅读详情

相关推荐

Ollama：一个在本地部署、运行大型语言模型的工具

所谓自定义模型就是不适用Ollama官方模型库中的模型，理论可以使用其他各类经过转换处理的模型Ollama库中的模型可以通过提示进行自定义。python复制代码FROM llama3 # 设置温度参数 PARAMETER temperature 1 # 设置SYSTEM 消息 SYSTEM """作为AI智能助手，你将竭尽所能为员工提供严谨和有帮助的答复。"""Modelfile文档One-API是一个OpenAI接口管理 & 分发系统，支持各类大模型。这里使用Docker快速进行部署。拉取镜像。

2401_84495725的博客 6726

一文彻底整明白，基于Ollama工具的LLM大语言模型Web可视化对话机器人部署指南

在上一篇博文中，我们在本地部署了**Llama 3 8B**参数大模型，并用 Python 写了一个控制台对话客户端，基本能愉快的与 Llama 大模型对话聊天了。但控制台总归太技术化，体验不是很友好，我们希望能有个类似 ChatGPT 那样的 Web 聊天对话界面，本博文就安排起来……

老牛啊 1万+

【故障处理】- ORA-01722

在执行升级脚本@?/rdbms/admin/catupgrd.sql时报错ora-01722。

weixin_39099660的博客 856

使用ollama在本地部署llama3-8b大模型

使用ollama在本地部署llama3-8b大模型

weixin_39945822的博客 1万+

嵌入式调光控制库：轻量级软启/渐变/记忆逻辑实现

调光控制是智能照明系统的核心基础功能，涉及亮度调节、人机交互与电气安全多重需求。其底层原理依赖于对相位角或PWM占空比的精确时序控制，并需融合软启动、渐变过渡、状态记忆等工程化逻辑。这类轻量级调光行为逻辑层，不直接操作硬件寄存器，而是以确定性、无动态内存、可配置的方式封装用户意图到目标亮度值（0–100%）的映射过程，显著提升产品鲁棒性与跨平台复用能力。广泛应用于TRIAC交流调光、LED直流PWM驱动及DALI/Matter等智能照明协议网关中，尤其适合资源受限的Cortex-M系列MCU和FreeRTO

weixin_28949937的博客 579

告别踩坑！S32K3xx芯片上RTD-SDK的DFLASH与FEE模块配置全流程（基于S32DS）

本文详细解析了在NXP S32K3xx系列MCU上配置RTD-SDK的DFLASH与FEE模块的全流程，基于S32DS开发环境。从Cache配置、Mem_43_InFls模块设置到MemAcc模块的三种调用模式，提供了实战代码示例和常见问题排查表，帮助开发者高效完成存储管理配置，避免常见错误。

weixin_42653691的博客 269

有手就行，轻松本地部署 Llama、Qwen 大模型，无需 GPU

没有消费级的 GPU，竟然都可以拥有自己的本地大模型。部署过程基本上没有卡点，一台普通的 Mac 就能搞定，太香了~

weixin_59191169的博客 2558

Flexible H-Tree（灵活 H 树）与 Multi-Tap 时钟流程解析

通过灵活 H 树与多抽头技术的结合，复杂时钟架构可在保持电气对称性的同时适应不规则布局，为高性能、低功耗 SoC 设计提供高效的时钟网络解决方案。

weixin_45371279的博客 1929

【AI大模型本地部署】有手就行，轻松本地部署 Llama、Qwen 大模型，无需 GPU

用 CPU 也能部署私有化大模型？ 对，没错，只要你的电脑有个 8G 内存，你就可以轻松部署 Llama、Gemma、Qwen 等多种开源大模型。 非技术人员，安装 Docker、Docker-compose 很费劲？ 不用，这些都不需要安装，就一个要求：有手就行～ 今天主要为大家分享保姆级教程：如何利用普通个人电脑，本地私有化部署 Qwen 大模型。

2401_85325557的博客 1292

化工设计软件：AVEVA E3D二次开发_（8）.管道系统设计

在 AVEVA E3D Design 中，管道规格的定义是确保设计一致性和标准化的关键。通过二次开发，可以自动生成并管理管道规格。下面是一个示例，展示如何通过编写脚本来定义和管理管道规格。# 导入必要的库 import clr。

kkchenjj的博客 983

汇川Easy系列斜坡函数功能块(支持状态输出)

IN rSetValue REAL 0.000000 0.000000 不保持 目标值 1IN rMaxValue REAL 0.000000 0.000000 不保持 最大目标值 2IN rMinValue REAL 0.000000 0.000000 不保持 最小目标值 3IN rSmoothTime REAL 100.000000 100.0000 不保持 最小到最大值平滑时间 单位 秒 4IN diTs DINT 10 10 不保持 函数调用周期采样时间中断时间 5。

RXXW_Dor的博客 463

轻松上手：无需GPU，本地部署Llama、Qwen大模型攻略

没有消费级的 GPU，竟然都可以拥有自己的本地大模型。部署过程基本上没有卡点，一台普通的 Mac 就能搞定，太香了~想学习什么，欢迎留言告诉我。​。

2401_85390073的博客 1867

Codex 实战 Skills：自动采集一天之内的 Git 提交，一键排版成精美工作日报并发送邮件

特性手动撰写脚本辅助（仅聚合）AI 增强自动化（本文方案）时间成本高（30-60分钟/天）中（5-10分钟/天）低（<1分钟/天）内容质量依赖个人总结能力原始数据堆砌，缺乏提炼专业、结构化、有业务视角信息完整性易遗漏完整，但难以阅读完整，且经过分类筛选维护成本无低中（需维护 Skill 配置）可扩展性低中高（可轻松添加周报、月报）适用场景所有开发者初级开发者追求效率的高级开发者本文详细介绍了一种基于 Codex Agent Skills 的自动日报生成方案。

yueyeguzhuo的专栏 104

轻松本地部署Llama、Qwen大模型：无需GPU，有手就行！

没有消费级的 GPU，竟然都可以拥有自己的本地大模型。部署过程基本上没有卡点，一台普通的 Mac 就能搞定，太香了~随着大模型的持续爆火，各行各业都在开发搭建属于自己企业的私有化大模型，那么势必会需要大量大模型人才，同时也会带来大批量的岗位？雷军曾说过：站在风口，猪都能飞起来”可以说现在大模型就是当下风口，是一个可以改变自身的机会，就看我们能不能抓住了。

2401_85375151的博客 2674

2022中山大学计算机技术专硕考研初试、复试经验帖

个人简介 推荐几个我自己感觉对考研非常有帮助的小助手吧。可以帮助节省时间！ 考研时间规划总览 初试篇 数学 英语 政治 408 复试篇 机试 笔试 面试 关于选导师 个人感言

zik的博客 1万+

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： 从入门到精通Transformer，掌握NLP技术这本书必看《从零开始构建最先进的NLP模型》
下一篇： 人工智能产品经理：AI时代PM修炼手册-137页 | 文末附免费下载
点赞 24
评论 0
书签 书签 27
我爱学大模型
我爱学大模型
博客等级 码龄3年 7883粉丝 687原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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