Chrome 和 Edge 推出新 API:可利用本地硬件大语言模型执行简单 AI 任务

Gemini官方入口全平台指南:从Chrome到鸿蒙的AI服务接入逻辑 生成式AI服务已从本地应用范式转向‘服务即入口’架构,其核心在于理解模型能力与终端环境的动态适配机制。Gemini并非传统软件,而是依托浏览器沙箱、系统级AI服务、Web App协议和插件桥接等多重技术路径实现跨平台交付。底层涉及模型分层(Nano/Pro/Flash/Ultra)、硬件感知调度(CPU/GPU/NPU负载决策)、HTTP/3+gRPC-Web双协议栈优化,以及严格的安全上下文校验。这些设计共同支撑起低延迟响应、端云协同推理与区域合规分发等关键价值,在智能终端、办公系统与开发者场景中形成稳定 阅读详情

序号1

Chrome 和 Edge 新 API:开启本地 AI 任务执行新时代

基于 Chromium 项目的 Google Chrome 和 Microsoft Edge 浏览器推出了新的 API,这一创新使得用户能够利用运行在本地硬件上的大语言模型(LLM)来执行一些简单的 AI 任务。这意味着用户无需依赖远程服务器,在本地就能完成特定的 AI 操作。

序号2

新 API 背后:满足用户本地 AI 需求

产品团队推出这一 API,背后是看到了用户对于在本地执行 AI 任务的潜在需求。在网络不稳定或者对数据隐私要求较高的场景下,用户希望能够在本地利用大语言模型完成一些如文本摘要等简单任务。新 API 的出现,正好解决了这些痛点,让用户有了更多的选择。

序号3

市场竞争格局:新 API 助力浏览器差异化竞争

在浏览器市场,竞争一直十分激烈。Chrome 和 Edge 此次推出新 API,是在功能上进行差异化竞争的体现。与其他浏览器相比,这一功能为用户提供了独特的价值。一些竞争对手可能缺乏类似的本地 AI 任务执行能力,这使得 Chrome 和 Edge 在市场中更具竞争力。

序号4

新 API 对浏览器生态的连锁反应

这一 API 的推出,将对现有浏览器生态产生连锁反应。一方面,可能会吸引更多开发者基于这一 API 开发新的应用和扩展,丰富浏览器的功能生态。另一方面,也可能促使其他浏览器跟进,推动整个行业在本地 AI 应用方面的发展。

序号5

未来迭代挑战与商业化看点

未来,Chrome 和 Edge 在这一产品线的迭代面临着一些挑战。例如,如何优化本地大语言模型的性能,以支持更复杂的 AI 任务。在商业化方面,这一功能可以通过提供增值服务,如更高级的 AI 功能插件等,为浏览器带来新的盈利点。编辑观点:Chrome 和 Edge 的新 API 为浏览器市场带来新活力,有望在本地 AI 应用领域开拓新市场,未来发展值得期待。

浏览器本地运行大模型:WebGPU与LLM推理实战指南 大语言模型的推理通常依赖云端GPU资源,但数据隐私、服务成本和网络延迟让部分场景难以接受。WebGPU作为新一代浏览器GPU计算接口,为在浏览器端直接运行LLM提供了可能。通过通用计算着色器,WebGPU能把大规模矩阵运算交给GPU并行处理,显著提升推理速度。这项技术正逐步改变前端AI应用的形态,让网页在不依赖服务端的情况下实现文本生成、智能对话等能力。transformers.js与WebLLM等成熟方案已率先落地,配合模型量化、Web Worker和渐进增强策略,开发者可以在用户设备上构建真正离线、隐私 阅读详情

相关推荐

GenMini不是软件:Google端侧AI模型的本地调用原理与实操指南

端侧AI(on-device AI)是指在终端设备本地完成模型推理的技术范式,其核心在于隐私保护、低延迟响应与离线可用性。它依托轻量化模型(如Gemini Nano)、TensorFlow Lite运行时及硬件加速指令集(如ARM NEON),实现小内存(<400MB)、低功耗、无网络依赖的智能服务。相比云端API或全量本地部署,端侧AI在教育公平、边缘计算、数据主权等场景具有不可替代的技术价值。GenMini正是Google面向Chromebook、Pixel手机等设备推出的标准化端侧调用入口,本质是模型

weixin_30485379的博客 522

浏览器原生AI:从信息窗口到任务代理的演进

浏览器正经历一场底层范式迁移——它不再仅是渲染HTML的页面容器,而是具备上下文理解、多源协同与工作流嵌入能力的任务中枢。其核心原理在于将传统线性搜索流程重构为‘提问→解析→调用→生成→嵌入→闭环’的环形任务生命周期,依托浏览器内核对DOM、PDF、本地存储及API的深度整合实现轻量级智能代理(agentic layer)。这一转变带来显著技术价值:压缩80%机械性注意力搬运,降低跨应用切换成本,并推动隐私控制从‘是否上传’升级为‘何时/何地/以何种粒度参与计算’。典型应用场景覆盖合同审阅、竞品分析、研发文

weixin_33834137的博客 390

Google Terminal Assistant:终端原生AI助手深度解析

终端不是文本编辑器,而是强状态依赖的交互式环境。理解 Bash/Zsh 命令链的上下文传递、环境变量、历史状态与输出结构,是实现精准自动化的核心前提。传统大模型因缺乏实时终端感知能力,常生成脱离上下文的错误建议;而终端原生AI助手通过本地化上下文捕获(如 pwd、env、最近命令哈希、stdout解析)与轻量微调模型(如Gemini Nano),在毫秒级内提供可执行、带解释、含安全确认的命令补全。其技术价值在于卸载‘查手册-试参数-防手滑’等机械认知负荷,适用于SRE、运维、CI/CD工程师及高频终端使用者

wjxbj的博客 780

2026年浏览器革命:Chrome Edge 人工智能版完全指南

2026年的浏览器已经变成了集AI助手、办公软件、开发环境于一体的超级工作台。今天我就来分享如何用好这个每天都在用,但可能只用到了10%功能的强大工具。关键认知转变:浏览器不再是“看网页的工具”,而是连接你和数字世界的智能界面。2026年的现实🚫 不会用浏览器AI功能 ≈ 2010年不会用智能手机✅ 掌握浏览器AI = 拥有24小时个人助理+专家团队。

m0_68113040的博客 1017

Edge浏览器文本选择迷你菜单设置教程:高效操作网页内容的实用技巧

作为微软推出的现代浏览器,Edge在功能迭代中不断吸收用户反馈,其"选择文本时显示迷你菜单"功能正是提升网页操作效率的代表性设计。对于前端开发人员,可通过Edge的扩展API开发自定义迷你菜单功能。浏览器右上角的"设置及其它"图标(由三个水平圆点组成)是Edge的功能中枢,点击后会展开包含书签管理、历史记录、扩展程序等核心功能的下拉菜单。开发者在Stack Overflow等社区查阅资料时,选中代码片段后通过迷你菜单的"在VS Code中打开"扩展功能(需安装对应插件),可实现代码片段的即时编辑调试。

nntxthml的博客 1472

Intel Lunar Lake本地AI服务:NPU+GPU+CPU三域协同实战指南

本地AI服务正从云端依赖和通用硬件模拟,转向芯片原生加速的确定性计算范式。其核心原理在于将AI工作负载深度卸载至专用神经网络处理单元(NPU),结合CPU与GPU构成异构协同流水线,从而在能效比、推理延迟和系统级集成度上实现质变。这一技术路径显著提升轻薄本等边缘设备的AI生产力,支撑实时语音转写、多模态生成、SLAM建图等低延迟高吞吐场景。Intel Lunar Lake平台通过EMIB互连、NPU v2.1指令集与OneAPI Runtime Lite运行时,首次在x86轻薄本上实现硬件级AI服务化部署,

weixin_33694620的博客 505

Chrome vs Edge:哪个更适合运行Fun-ASR WebUI

在部署Fun-ASR WebUI时,浏览器选择直接影响音频采集稳定性与系统性能。Chrome凭借对WebRTC和开发者工具的深度支持,更适合调试与实时录音场景;Edge则因低资源占用和Windows集成优势,更适用于批量转录与企业环境。实际应用中需根据使用场景权衡稳定性和效率。

weixin_42263617的博客 1058

OpenClaw 2026本地AI工作流一键部署指南

AI工作流是现代智能应用的核心编排范式,其本质是将大模型推理、工具调用与业务逻辑按需串联;本地化部署则保障数据主权、调试确定性与长期成本可控。OpenClaw作为开源AI运行时框架,以‘技能(Skill)’为原子单元、‘工作流(Workflow)’为组织逻辑,实现全链路本地化——从模型加载、Prompt工程到多步协同均在用户设备完成。它支持GGUF量化模型、CUDA/ROCm/CPU多后端自适应,并通过三层抽象(环境感知、镜像分发、健康自检)达成真正‘一键安装’。适用于教育验证、企业POC及SaaS嵌入等场

weixin_30897233的博客 740

Windows AI PC本地部署指南:基于NVIDIA生态的实践与优化

人工智能(AI)推理正从云端向边缘和本地设备迁移,其核心原理是利用专用硬件加速计算密集型任务。这一转变的技术价值在于显著降低了延迟、增强了数据隐私并实现了离线可用性。在应用场景上,本地AI尤其适合对实时性、隐私安全和成本控制有要求的领域,如个人助手、内容创作和私有数据分析。NVIDIA通过其成熟的CUDA计算平台和TensorRT等优化工具,为Windows系统构建了完整的本地AI开发生态。借助**RTX AI**技术栈和**TensorRT-LLM**等工具,开发者能够在配备RTX显卡的PC上高效部署大语

weixin_30888413的博客 459

Frida实战:SSL Pinning绕过技术全解析

本文详细解析了如何使用Frida工具绕过SSL Pinning技术,包括环境搭建、四种实战绕过方案及常见问题排查指南。通过具体代码示例和实战经验,帮助安全研究人员快速掌握SSL Pinning绕过技术,适用于金融类App的安全测试场景。

weixin_42530732的博客 188

【亲测好用】解决Windows系统Vscode终端无法使用yarn报错无法加载文件

我明明使用`npm i -g yarn ` 安装成功了 甚至在文件夹处 CMD 也可以看到yarn 的版本 甚至在Vscode中又重新安装了一遍yarn 为什么还是报错呢?

Aeporn的博客 889

OpenCodeUI:基于Docker的本地AI编程工作流中枢

AI编程工具正从云端SaaS向本地化、可审计、离线可用的方向演进。其核心原理在于解耦前端交互、API网关与模型执行三层架构,通过标准化OpenAI兼容接口实现模型无关性;技术价值体现在部署极简(单条docker run)、环境无侵入、网络零依赖,显著降低AI编码在内网、边缘、客户现场等受限场景的落地门槛;典型应用场景包括无公网环境下的紧急修复、遗留系统调试、安全合规开发及多角色模型协同;本文聚焦于以Docker为枢纽、以本地大模型为执行单元的轻量级AI编程中枢——OpenCodeUI。

479

Python实战:用MNE-Python从脑电数据中提取P300成分(附完整代码)

本文提供了一份使用MNE-Python从脑电数据中提取P300成分的完整实战指南。通过详细的代码示例,系统讲解了从环境搭建、数据加载、预处理(滤波、分段、伪迹剔除)到P300波形提取、可视化与参数量化的全流程。重点介绍了如何利用零相位滤波和叠加平均技术,从EEG信号中精准分离出反映认知加工的P300事件相关电位,适用于脑机接口与认知神经科学研究。

weixin_29240343的博客 340

LiteRT-LM:重新定义边缘AI推理的技术革命

在AI模型日益庞大的今天,如何将数十亿参数的模型部署到资源受限的边缘设备上?这不仅是技术挑战,更是产品落地的关键瓶颈。传统云端推理方案面临延迟、隐私和成本的三重困境,而Google的LiteRT-LM正在改写这一格局。 > LiteRT-LM不是简单的推理引擎,而是为边缘计算场景量身定制的全栈解决方案,它将生产级AI能力直接带到用户的设备上。 ## 技术支柱:构建下一代边缘AI基础设施 Li

gitblog_00753的博客 729

官网下载STM32系列芯片的产品选型手册

官方提供了产品选型手册,便于工程师们进行产品选型。 那么,在哪下载"产品选型手册"呢?请看下文。

Weber Zhou 的博客 1万+

CST微波工作室端口设置保姆级教程:从波导端口到离散端口,手把手教你搞定S参数仿真

本文提供CST微波工作室端口设置的详细教程,涵盖波导端口和离散端口的选择与配置,助力工程师精准完成S参数仿真。通过微带线滤波器案例,详解端口尺寸、阻抗设置及常见问题排查,提升仿真效率与准确性。

weixin_42570296的博客 363

Coze+Dify工作流实战:从在线验证到本地部署与API封装

在AI应用落地中,工作流编排是连接大模型能力与业务场景的关键环节。Coze作为在线AI智能体平台,强调开箱即用,适合快速验证想法;而Dify作为开源LLM应用开发平台,支持本地部署与私有化数据,能够将AI能力封装成稳定的API服务。理解两者的核心差异与协作方式,有助于构建从原型到生产的完整链路。本文结合Docker部署、工作流节点设计、API调用及批量任务等实践,梳理了简历筛选、Markdown转Word、带货脚本生成等典型场景,并给出资源占用与故障排查建议。无论你是个人开发者还是企业技术团队,掌握这一套组

weixin_30509393的博客 517

0基础手把手搭建 Trae\+Seedance2\.0 真人短剧生成智能体(可直接运行)

前言:本文专为0基础新手编写,全程无复杂代码、无专业术语,一步一截图提示(操作路径清晰),只需跟着点鼠标、复制粘贴,就能搭建出可自动生成真人短剧的智能体,生成的短剧可直接导出发布。核心工具:Trae(字节跳动AI IDE,免费)+ Seedance2.0(真人视频生成API,公测免费),无需提前学习编程、设计,全程10-15分钟搞定。 适用人群:0基础小白、想快速生成真人短剧(自媒体、短视频创作者)、无需懂技术即可实现自动化短剧生成的人群。

skygulangfendouz的专栏 1063

DeepSeek Harness:插件化AI工作流编排平台,实现可追溯的自动化任务

AI工作流编排是当前自动化领域的关键技术,它通过将复杂的任务分解为可执行的步骤,实现流程的自动化与优化。其核心原理在于连接不同的AI能力模块,通过可视化或代码方式定义执行逻辑,从而提升任务处理的效率与一致性。这一技术的价值在于解决了传统AI应用“黑盒化”和工具分散的痛点,为开发者、数据分析师和内容创作者提供了更高的可控性与可调试性。在实际应用场景中,AI工作流编排广泛应用于自动化内容生成、多步骤代码审查、跨平台数据聚合分析等复杂流程。DeepSeek Harness作为典型的插件化AI工作流平台,通过其“一

weixin_34062469的博客 393

模型训练篇 | 手把手教你使用ResNet训练自己数据集和推理,ResNet50通用物体分类识别,含完整代码和数据集,全网最详细教程

手把手教你使用ResNet训练自己数据集和推理,ResNet50通用物体分类识别,含完整代码和数据集,全网最详细教程。本篇文章将带你学习 ResNet50 模型构建、ResNet50训练自己数据集、数据集处理、推理和验证、模型剪枝与模型改进等。 本篇教程适配各种分类识别任务,可以说是一个通用的教程,只需修改自己的数据集即可完成自己领域的任务和系统实现。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 742

基于STM32开发板的USB MIDI键盘实现

在本文中,我们介绍了如何使用STM32开发板和相应的软件工具来实现USB MIDI键盘。通过配置STM32CubeMX和编写相应的源代码,我们能够将STM32开发板转换为一个功能齐全的USB MIDI设备。我们将使用STM32开发板和相应的软件工具来实现这一功能,并提供相应的源代码供参考。此时,您应该可以使用STM32开发板作为USB MIDI键盘,并在按键按下时听到相应的音符。在STM32CubeMX中,选择适当的STM32型号,并启动一个新的项目。然后,将生成的可执行文件烧录到STM32开发板中。

2301_79326616的博客 1591

LiteRT.js:基于WebGPU的浏览器端AI推理性能革命

浏览器端机器学习推理技术通过在客户端直接运行AI模型,实现了低延迟、高隐私保护和灵活部署的核心价值。其技术原理是利用现代浏览器的计算能力,通过WebGL、WebAssembly等API执行预训练模型,避免了云端服务的网络往返开销。这项技术的核心价值在于为实时交互应用、隐私敏感场景和边缘计算提供了轻量级解决方案。在应用场景上,它广泛适用于实时视频处理、智能图像识别和本地语音分析等前端AI功能。本文聚焦于Google最新发布的LiteRT.js,它通过深度集成WebGPU后端,显著提升了推理性能并优化了内存占用

weixin_34248705的博客 456

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Kimi K3与AI智能体实测:长文本处理与任务自动化深度评测

AI智能体(AI Agent)是当前人工智能领域的重要发展方向,指能够自主理解任务、调用工具并完成多步操作的智能系统。其核心原理基于大语言模型的推理能力和工具调用机制,通过任务分解、规划执行等步骤实现复杂问题求解。这种技术显著提升了自动化水平,在企业知识管理、流程自动化等场景具有广泛应用价值。以月之暗面推出的Kimi K3为例,该智能体在长文本处理方面表现突出,支持200万字级上下文窗口,特别适合文档解析和复杂任务推理。通过实际测试可见,AI智能体在工具调用、错误恢复等维度已具备实用能力,为开发者提供了可落

cuiji1279的博客 612

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")

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Llama-3.2-3B入门必看:Ollama部署后启用WebGPU加速浏览器端推理

本文介绍了如何在星图GPU平台自动化部署【ollama】Llama-3.2-3B镜像,并启用WebGPU加速实现高效的浏览器端推理。该方案显著提升了文本生成速度,适用于智能对话、内容创作等场景,为开发者提供了轻量级且高性能的本地AI应用解决方案。

weixin_32311823的博客 128

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Google无需LLM王冠:生态整合与开发者落地全解析

大语言模型(LLM)应用开发早已不局限于单个模型的跑分高低。从技术原理看,一个可落地的AI系统需要云端推理、端侧部署、应用编排和知识检索等多层能力协同。Google的战略正是以TPU、Gemini API、AI Edge Gallery、MediaPipe等构成完整工具链,让开发者更关注业务逻辑而非底层算力。当引入RAG搭建个人知识库,或通过ComfyUI与LLM组合实现图像工作流时,工程上的账号区域限制、模型精度选型(FP16/BF16)、Android签名校验等问题往往比模型效果更致命。本文以生态整合视

weixin_34021089的博客 370

构建下一代边缘AI:跨平台语言模型推理框架全解析

在人工智能从云端向边缘迁移的时代浪潮中,LiteRT-LM作为Google推出的生产级边缘AI推理框架,正重新定义语言模型在本地设备上的部署范式。该项目不仅是技术栈的演进,更是对边缘计算生态的战略布局。基于LiteRT核心引擎,LiteRT-LM为开发者提供了从移动端到嵌入式设备的全栈部署解决方案,将大型语言模型的推理能力延伸到网络连接受限或数据隐私敏感的场景。 边缘AI推理框架的崛起标志着AI

gitblog_00190的博客 452
上一篇: OpenAI 推出 GPT 5.4-Cyber 模型,与 Anthropic 竞争网络安全 AI 市场
下一篇: Anthropic新模型Claude Mythos:能力跃升背后暗藏网络安全风险与商业算计?
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22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