Qwen-Agent智能体框架:阿里又一开源王炸!附详细教程

本地部署 Qwen-Agent 阅读详情
AI摘要

近期阿里通义团队开源Qwen-Agent,这是开发AI Agent的应用框架,基于Qwen模型,提供完整解决方案。它有工作流、工具调用等核心功能,操作简单易上手。此外,还分享了大模型学习资源,包括经典书籍、报告合集、视频教程等,并给出学习路线。

AI Agent(智能体) 有多火?

火到OpenAI CEO Sam Altman,谷歌CEO Sundar Pichai,以及Anthropic官方纷纷为它站台,表示AI Agent是2025年的一项重要工作目标。

近期,阿里通义团队开源了一个AI Agent相关的王炸级产品——Qwen-Agent!这是一个专门用来开发AI Agent的应用框架,基于通义自家的Qwen模型,提供了一套完整的解决方案,旨在让Agent开发变得更加高效、便捷。

01

关于 Qwen-Agent

简单来说,Qwen-Agent是一个帮你快速搭建AI Agent的工具包。可以把它看作一个“脚手架”,将Agent需要的各种能力,比如:理解你说的话(指令遵循)、使用各种工具(工具调用)、自己做计划(规划)、记住你们聊了什么(记忆)等,都打包到了一起。基于Qwen-Agent框架,只需要像搭积木一样,把这些能力组合起来,就能创造出你想要的Agent。

如果Qwen模型是AI Agent的“大脑”,那Qwen-Agent就是它的“四肢和躯干”,赋予其行动能力,使其能够与现实世界进行互动。

02

Qwen-Agent 核心功能

  • 1. Agent工作流:Qwen-Agent能够赋予Agent类似人类的思维模式,使其在执行任务时先进行思考、制定计划,再逐步执行。例如,当用户指令为“预订一张明天前往北京的机票”,Agent会首先分析任务步骤(例如:查询航班、选择合适的航班、填写乘客信息、支付票款),然后按步骤完成,而非盲目执行。

  • 2. 工具调用能力:Qwen-Agent的一大亮点在于其强大的工具调用能力。这里的“工具”并不仅限于传统的API接口,它可以是任何可被调用的外部程序或服务,例如:

    借助这些工具,Agent的能力边界将进一步拓展。

  • 调用搜索引擎检索信息

  • 利用代码解释器执行Python代码,进行数据分析

  • 连接数据库进行数据查询

  • 甚至控制智能家居设备

  • 3. 内置代码解释器,执行代码:Qwen-Agent集成了代码解释器,支持直接运行Python代码。这使得Agent不仅限于文本交互,还能胜任代码编写、数值计算、数据分析等任务。(注意:通义官方特别指出,代码解释器目前未进行沙盒隔离,在实际应用中务必注意安全性,避免直接将其用于生产环境。)

  • **4. RAG检索技术:**Qwen-Agent支持检索增强生成(RAG)技术。通过接入外部知识库(如企业内部文档、产品手册等),Agent能够结合知识库内容生成更准确、更详实的答案,避免“一本正经地胡说八道”。值得一提的是,Qwen-Agent中的RAG方案是进行了特别优化的,在处理长文档问答时性能表现优秀,甚至好于一些原生支持长上下文的模型。

  • **5. 上下文记忆能力:**Qwen-Agent能够赋予AI Agent上下文记忆能力,使其能够记住对话历史,从而实现流畅的、符合语境的多轮对话,避免“金鱼式”对话。

  • **6. Web交互界面:**Qwen-Agent支持一键部署Gradio Web界面,为用户提供直观友好的交互环境,方便进行Agent的测试与调试。


03

Qwen-Agent 快速上手

先附上Qwen-Agent的官方项目地址。

Qwen-Agent官方项目地址:https://pypi.org/project/qwen-agent

Qwen-Agent GitHub 仓库:https://github.com/QwenLM/Qwen-Agent

Qwen-Agent作为一个应用框架,操作简单,很容易上手。

1. 安装:

通过pip命令即可安装Qwen-Agent:(根据需要选择依赖,例如gui、rag、code_interpreter等)

pip install -U "qwen-agent[gui,rag,code_interpreter,python_executor]"   

或者从源码进行安装:

git clone https://github.com/QwenLM/Qwen-Agent.git   cd Qwen-Agent   pip install -e ./"[gui,rag,code_interpreter,python_executor]"   

2. 配置:

你可以选择直接用阿里云的DashScope模型服务,也可以自己部署开源模型。

  • DashScope 用户:只需要设置一下DASHSCOPE_API_KEY环境变量就行。

  • 自己部署:参考Qwen2的README文档,用vLLM或者Ollama部署一个OpenAI兼容的API服务即可。

3. 示例演示:

以下代码示例将创建一个AI绘图的Agent。(基于官方示例精简)

import pprint   import urllib.parse   import json5   from qwen_agent.agents import Assistant   from qwen_agent.tools.base import BaseTool, register_tool      # 定义一个画图工具   @register_tool('my_image_gen')   class MyImageGen(BaseTool):       description = 'AI 画图工具,输入描述,返回图片 URL'       parameters = [{           'name': 'prompt',           'type': 'string',           'description': '详细的图片描述',           'required': True       }]          def call(self, params: str, **kwargs) -> str:           prompt = json5.loads(params)['prompt']           prompt = urllib.parse.quote(prompt)           return json5.dumps(               {'image_url': f'https://image.pollinations.ai/prompt/{prompt}'},               ensure_ascii=False)      # 配置 LLM (这里用 DashScope 举例)   llm_cfg = {       'model': 'qwen-max',       'model_server': 'dashscope',       # 'api_key': '你的 DASHSCOPE_API_KEY',  # 或者设置 DASHSCOPE_API_KEY 环境变量   }      # 创建一个 Agent   bot = Assistant(llm=llm_cfg, function_list=['my_image_gen'])      # 运行 Agent   messages = []   while True:       query = input('你:')       messages.append({'role': 'user', 'content': query})       response = []       for response in bot.run(messages=messages):           print('Agent:')           pprint.pprint(response, indent=2)    messages.extend(response)

运行上面的代码,就可以跟你的Agent聊天了,比如输入“画一幅宁静的夏日海滩风景画”,它就会调用my_image_gen工具,给你返回一个图片的URL。

4. 更多玩法:

Qwen-Agent官方还提供了几个实用的案例:

  • Browser Assistant (浏览器助手): 可以让Agent浏览网页、搜索信息等等。

  • Code Interpreter (代码解释器): 前面介绍过的执行Python代码的工具。

  • Custom Assistant (自定义助手): 可以根据自己的需求,定制Agent。

04

结语

Qwen-Agent,阿里又一开源王炸。

如何系统的去学习大模型LLM ?

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。

事实上,抢你饭碗的不是AI,而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后,很多中小企业也陆续进场!超高年薪,挖掘AI大模型人才! 如今大厂老板们,也更倾向于会AI的人,普通程序员,还有应对的机会吗?

与其焦虑……

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!

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。

基于此,我用做产品的心态来打磨这份大模型教程,深挖痛点并持续修改了近70次后,终于把整个AI大模型的学习门槛,降到了最低!

在这个版本当中:

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲,跟着我做即可,为了让学习的道路变得更简单,这份大模型教程已经给大家整理并打包,现在将这份 LLM大模型资料 分享出来:包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁:全网最全《LLM大模型入门+进阶学习资源包》免费分享(安全链接,放心点击)👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点,那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集,涵盖了大模型的理论研究、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。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程(LLaLA/Meta/chatglm/chatgpt)

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1:AI大模型时代的基础理解

  • 目标:了解AI大模型的基本概念、发展历程和核心原理。

  • 内容:

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2:AI大模型API应用开发工程

  • 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。

  • 内容:

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3:AI大模型应用架构实践

  • 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。

  • 内容:

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4:AI大模型私有化部署

  • 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。

  • 内容:

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁:全网最全《LLM大模型入门+进阶学习资源包》免费分享(安全链接,放心点击)👈

​

Qwen-Agent智能体框架:从大模型到可执行AI应用的开发指南 大语言模型(LLM)作为当前人工智能的核心技术,通过海量数据训练获得了强大的语言理解和生成能力。其工作原理基于Transformer架构,通过自注意力机制捕捉文本中的长距离依赖关系。然而,传统大模型存在“大脑发达、四肢不便”的局限,缺乏感知外界、操作工具和执行多步任务的能力。智能体(Agent)技术通过为模型配备“工具调用”和“自主规划”能力,实现了从被动问答到主动执行的跨越,极大提升了AI在实际场景中的实用价值。在应用层面,智能体可广泛应用于文档分析、自动化办公、智能客服、数据分析等需要多步骤、多工具协作 阅读详情

相关推荐

Qwen智能体qwen_agent与Assistant功能初探

优点​:模块化架构支持灵活扩展,集成多工具链(搜索/代码/文档处理),具备复杂任务分解和动态学习能力,企业级场景适配性强,支持多模态交互。​缺点​:工具配置复杂度较高,长任务处理效率依赖模型性能,定制开发需技术基础,实时性较专用系统稍弱。同类产品OpenAI的Assistant API(功能相似但更封闭)LangChain(更开发者导向但集成度低)Microsoft Copilot Studio(企业集成强但灵活性弱)发展动向。

alva_xu的博客 1868

【通义千问—Qwen-Agent系列1】Qwen-Agent 快速开始&使用和开发过程

Qwen-Agent是一个开发框架。开发者可基于本框架开发Agent应用,充分利用基于通义千问模型(Qwen)的指令遵循、工具使用、规划、记忆能力。本项目也提供了浏览器助手、代码解释器、自定义助手等示例应用。

艰难困苦,玉汝于成。 2万+

Qwen-Agent vs LangChain:阿里开源智能体框架的3大差异化优势

本文深度对比了阿里开源的Qwen-Agent与LangChain智能体框架的五大关键维度,包括架构设计、工具生态、性能表现、中文场景适配和学习曲线。Qwen-Agent凭借垂直整合架构、企业级工具集成和中文优化表现突出,特别适合快速构建生产级应用。而LangChain则以模块化设计和丰富工具生态见长,适合研究原型和定制化开发。

weixin_30752699的博客 397

阿里 Qwen-Agent:开源Agent开发框架简介

Qwen-Agent是一个专门设计用于开发基于大型语言模型(LLM)的应用程序的框架。它不仅支持指令遵循、工具使用、规划和记忆能力,还能够处理从8K到100万tokens的文档,超越了传统长上下文模型的限制。这意味着开发者可以利用Qwen-Agent构建出能够理解和生成自然语言、执行复杂任务的智能代理应用。

m0_56255097的博客 1831

阿里开源Qwen-Agent实战:从大模型到能动手干活的智能体

大模型的能力正从单纯的文本生成向自主任务执行演进,Agent便是在这一背景下诞生的核心技术形态。它依赖function calling等机制,让模型在理解用户意图后自主规划步骤、调用外部工具、处理返回结果,从而完成从“对话”到“做事情”的闭环。本文从工具调用、多Agent协作、状态管理等基础原理出发,结合阿里开源的Qwen-Agent框架与百炼平台,向开发者展示如何快速搭建具备实际业务价值的智能体应用。框架内置丰富的工具生态、支持模型无关切换,并提供从本地开发到云端部署的完整路径,可广泛应用于金融计算、信息

weixin_29038155的博客 182

Qwen-Agent开源框架:构建AI智能体的高效工具链

大语言模型(LLM)作为当前AI领域的重要基础设施,通过预训练与微调技术实现了通用语义理解能力。Qwen-Agent基于通义千问大模型构建,采用分层架构设计,包含基础模型层、能力中间件和应用接口层,支持记忆管理、工具调用等核心功能。在工程实践中,该框架显著提升了对话系统的连贯性和业务工具集成效率,适用于智能客服、知识管理等场景。结合开源生态工具如LangChain、FAISS等,开发者可以快速实现RAG(检索增强生成)等高级应用,其模块化设计也便于进行性能优化和功能扩展。

weixin_30431445的博客 178

Qwen3+Qwen Agent 智能体开发实战,打开大模型MCP工具新方式!(一)

本篇分享介绍了如何利用阿里发布的Qwen3系列大模型和Qwen-Agent工具快速接入MCP服务端并开发AI Agent智能体,通过开发一个自然语言操纵数据库的智能体实例直观感受Qwen-Agent!

weixin_42782643的博客 4823

Qwen-Agent:通向智能体开发的捷径

Qwen-Agent基于通义千问模型(Qwen),提供了一系列的开发工具,帮助开发者构建各种智能体应用。框架内置的浏览器助手、代码解释器和自定义助手等示例应用,充分展示了Qwen-Agent的多样性和灵活性。Qwen-Agent为开发者提供了一个强大且灵活的开发框架,助力于构建智能体应用。在这个充满无限可能的AI时代,让我们一同探索Qwen-Agent的潜力,开启智能开发的新篇章吧!

步子哥的博客 1442

阿里巴巴推出Qwen-Agent框架了

客户服务领域,传统的客服系统往往难以应对高峰期的大量咨询,而基于Qwen-Agent框架构建的智能客服机器人能够24小时不间断地提供服务,大大提高了响应速度和客户满意度。教育领域中,基于Qwen-Agent框架的智能教学助手能够根据学生的学习进度和兴趣,提供个性化的学习资源和辅导。阿里巴巴推出的Qwen-Agent框架,不仅能够满足市场对复杂AI智能体的需求,推动各行各业的数字化转型,还通过其先进的技术架构和功能集成。同时,企业和政府机构也需要加强对数据安全的监管和管理,制定相应的法律法规和技术标准。

具身机器人和通用AI 1178

论文笔记:基于对比学习的半监督分类学习方法

论文阅读笔记_CCSSL

weixin_46224126的博客 3319

pycharm添加Anaconda解释器显示不出来

因为我之前下载的是pycharm最新版本2024.1的,所以我抱着试一试的心态卸载重装了2021.3.3的,创建新文件的时候立刻就自己识别好了conda环境。就是图中画圈的地方,之前一直显示为python的图标,但是再Python Interpreter后面跟的路径确实是我下载anaconda的地方。另外一种方法就是使用Virtualenv Environment方式配置,但是我的pycharm还是没有识别出conda的图标。首先是这位的方法,先添加系统解释器,再重启,但是我的图标还是python。

2202_75803271的博客 4007

Qwen-Agent:基于通义千问的智能体开发框架全面解析

最近逛 GitHub 时,看到了 Qwen 开源的专用 Agent 框架,**Qwen-Agent** 。为开发者提供了强大的工具和灵活的接口,支持构建具备指令遵循、工具使用、规划、记忆等能力的智能体应用。

m0_59163425的博客 4435

告别地图偏移!手把手教你用MapOnline V1.2在ArcGIS里加载无偏谷歌影像和历史影像

本文详细介绍了如何使用MapOnline V1.2插件在ArcGIS中加载无偏谷歌影像和历史影像,解决GIS工程师长期面临的地图偏移问题。通过三步安装配置、无偏影像加载和时空分析功能,提升地理信息数据的精确度和工作效率,特别适用于城市规划、环境监测等场景。

weixin_29252171的博客 232

Qwen-Agent:阿里通义开源 AI Agent 应用开发框架,支持构建多智能体,具备自动记忆上下文等能力

步骤 1(可选):添加自定义工具 `my_image_gen`description = 'AI 绘画(图像生成)服务,输入文本描述,返回基于文本信息绘制的图像 URL。'description': '所需图像内容的详细描述,使用英文',}]

m0_56255097的博客 3010

VisualStudio2022配置CGAL

vs2022和vs2017安装配置boost没什么区别,只需要注意boost的msvc得是14.3的,这玩意跟visualstudio版本挂钩的。压缩包解压,得到下面这两文件,然后把auxiliary这个文件挪到CGAL-5.6里面就行了。我用cgal读取一个stl模型,并输出相关信息(想可视化的话需要安装Qt,不想装Qt也可以装VTK)然后下载下面这两个压缩包。照着下面的截图填就完事了。

weixin_43850909的博客 1171

从Wi-Fi到蓝牙:手把手教你用Cadence Virtuoso搭建一个2.4GHz锁相环频率综合器(含PFD/CP/VCO模块设计)

本文详细介绍了如何在Cadence Virtuoso中设计一个2.4GHz锁相环频率综合器(PLL),涵盖从系统架构到模块级设计的全流程。重点解析了PFD、CP和VCO等核心模块的设计技巧与仿真验证方法,帮助模拟集成电路设计师掌握高频PLL的实现要点,满足Wi-Fi和蓝牙等无线通信标准的要求。

weixin_30315723的博客 418

Qwen-Agent智能体框架解析

Qwen-Agent 是一个由阿里通义千问团队开源、用于开发 AI Agent(智能体)的应用框架。它基于 Qwen 系列大语言模型(LLM),旨在为开发者提供一个功能完整、易于上手的“脚手架”,以整合和协调 LLM 的多种能力,从而构建出能够执行复杂任务的智能体应用。

2602_95756245的博客 423

Matlab R2024a硬件支持包安装避坑指南:以Arduino为例(附离线包下载)

本文详细介绍了Matlab R2024a硬件支持包(Support Package)的安装流程,特别是针对Arduino平台的避坑指南和高效部署方法。从环境准备、离线安装方案到Arduino支持包的专项优化,提供了全面的技术细节和解决方案,帮助开发者避免常见错误,实现快速部署。

weixin_33737134的博客 449

Qwen-Agent:Qwen2加持,强大的多代理框架 - 函数调用、代码解释器以及 RAG!

等,进一步支撑你的行动,以提升本文的帮助力。

lythinking的博客 4631

14 硬件工程师笔面试高频考点真题解析——逻辑门

逻辑门是数字电路的基本单元,实现布尔运算(如与、或、非、异或等)。OC门(集电极开路)和OD门(漏极开路)需外接上拉电阻,支持“线与”逻辑,适用于I2C总线等场景,避免推挽输出并联导致的短路问题。三态门具有高、低、高阻三种状态,用于总线分时复用。推挽输出因内置上下管,禁止并联,否则会引发电源短路。三者区别在于:推挽驱动强但不可并联;OC/OD需上拉,支持线与;三态门通过使能控制实现高阻隔离,适用于共享总线设计。

XU157303764的博客 1904

PICO640红外探测器配置模块verilog

Ulis pico 640红外探测器配置模块

Go Forward Forever! 2034

Qwen3+Qwen Agent 智能体开发实战,打开大模型MCP工具新方式!(一)_qwen3 agent

Qwen-Agent是阿里通义团队推出的开源智能体(Agent)开发框架,基于 Qwen 大语言模型(LLM)构建,旨在帮助开发者快速构建具备指令遵循、工具调用、规划与记忆等能力的 AI 应用。它提供了从底层原子组件到高级智能体抽象的完整开发工具链,适用于多种复杂任务场景。更强的工具调用(Function Calling)能力:框架支持智能体自动调用外部工具或函数,包括内置的代码解释器、浏览器助手等,也支持开发者自定义工具,扩展智能体的能力。

jennycisp的博客 1388

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

2026本地AI Agent王炸组合:Qwen3.5+OpenClaw,30分钟打造你的24小时赛博打工人

你的微信是不是经常被各种消息轰炸到想砸手机?早上领导催报表,中午同事问进度,晚上朋友让帮忙写个Python脚本。你就像个疲于奔命的「数字客服」,手指在键盘上敲出火星子,恨不得把自己克隆八个分身。别慌,2026年的技术圈终于给出了「数字分身」的终极解法——AI Agent(智能体)不是那种只会聊天的「人工智障」,而是真正长了手能操作、长了眼能看图、长了脑子会规划的数字员工。今天咱们就聊聊怎么用Qwen3.5原生多模态和OpenClaw这对王炸组合,在本地搞出一个24小时待命的「赛博打工人」。

人工智能AI技术 1617

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

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")

对标Claude Code,阿里发布最强开源模型Qwen3-Coder(附教程)

阿里开源迄今迄今为止最强大的开放代理代码模型 Qwen3-Coder-480B-A35B-Instruct 和对标 Claude Code 的 Qwen Code。

DEVELOPERAA的博客 1145

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

上一篇: 微软 AI Agents for Beginners 课程:初学者的 AI 智能体开发入门指南
下一篇: 大模型知识问答系统:工作流带你实现专属 风水大师
Llama-Turbo
博客等级 码龄4年 9901粉丝 2025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