Copilot与Copilot Plus PC有何不同?多款热门笔记本符合定义!

Qwen3.6-Plus编程实战:从氛围编程到工程智能体 编程大模型已从‘代码补全’迈入‘工程意图理解’新阶段。其核心在于将自然语言需求映射为符合真实技术约束的可执行方案,依赖多模态上下文感知、运行时环境推理与任务自适应分解等关键技术。相比传统代码生成工具,它显著降低调试中断频次、减少文档查阅依赖、提升跨文件协同效率,广泛适用于CI/CD优化、微服务治理、前端架构升级及遗留系统现代化等典型工程场景。本文围绕qwen3.6-plus 使用教程与Agentic Coding实践,详解如何在VS Code、百炼平台及生产环境中实现高准确率、低隐性成本的AI原生开发流。 阅读详情

出售笔记本预装软件情况

近年来出售的每台Windows笔记本电脑都预装了Microsoft Copilot,但并非所有Windows笔记本都是Copilot Plus PC。很多人对此感到困惑,毕竟微软在产品命名方面有时不太给力,给两个截然不同的产品取了相似的名字。接下来将详细介绍Copilot Plus PC的定义、它与Microsoft Copilot的区别,以及它与普通Windows笔记本的不同之处。

Copilot与Copilot Plus PC

内置于Windows 11和微软应用程序中的AI助手被称为Copilot,而微软的AI PC平台则被标记为Copilot Plus PC。不过,仅仅安装了Copilot虚拟助手并不意味着这台笔记本就是Copilot Plus PC。

Copilot类似于ChatGPT或Google Gemini,是微软推出的AI助手。它内置于Windows 11系统中,可通过任务栏或按下空格键右侧的专用Copilot键来访问。此外,Copilot还集成到了微软的Edge浏览器以及Word、Excel和Outlook等Microsoft 365应用程序中。它由OpenAI的GPT - 4o、Dall - E 3和微软自己的Prometheus模型提供支持,借助大语言模型(LLM)实现文本撰写、图像生成、网页搜索、邮件总结、实时翻译、视频通话背景虚化、使用Windows Recall持续记录操作等功能。按下Copilot键,可直接使用笔记本的AI功能。

随着越来越多人使用笔记本电脑执行AI任务,芯片制造商开始在CPU中添加神经处理单元(NPU),以处理AI查询和请求所需的简单但重复性的计算。在设备本地处理这些任务比将查询发送到云端服务器更快、更安全。

NPU可以让处理器的CPU和GPU专注于更复杂的操作,这样在使用Copilot或其他AI助手时,笔记本就不会出现运行缓慢或过热的问题。而且,NPU工作时所需的电量比CPU或GPU少得多,有助于延长笔记本的电池续航时间。

NPU是微软为Copilot Plus PC平台设定的硬件要求中的关键要素。要被标记为Copilot Plus PC,计算机必须配备能够每秒执行40万亿次运算(TOPS)的NPU。此外,还需满足另外两项硬件要求:至少拥有16GB的内存和256GB的固态硬盘(SSD)。

此外,Copilot Plus PC还具备一系列安全功能,其中包括微软的Pluton安全处理器,它可以保护凭据、身份信息、个人数据和加密密钥。Copilot Plus PC还必须具备Windows Hello生物识别认证功能,可以是通过网络摄像头进行面部识别,也可以是指纹识别。

总之,Copilot Plus PC是一种计算机(大多数为笔记本电脑,也有部分是台式机),它拥有能够在本地加速AI运算的现代CPU、较长的电池续航时间以及符合最新Windows 11安全标准的特性。

从高通到英特尔和AMD

一个常见的误解是,Copilot Plus PC必须使用高通基于Arm架构的处理器。虽然微软确实在两年前与高通合作推出了Copilot Plus PC平台,但如今Copilot Plus PC也采用了英特尔和AMD的x86芯片。

首批Copilot Plus PC采用了高通基于Arm架构的Snapdragon X系列处理器,其NPU运算能力可达45 TOPS。随后,英特尔和AMD也纷纷跟进,推出了NPU运算能力超过40 TOPS的处理器,包括英特尔的Lunar Lake和Panther Lake系列,以及AMD的Ryzen AI 300系列。最近,高通又发布了第二代Snapdragon X2系列芯片,进一步提升了运算能力。以下是一些为Copilot Plus PC提供动力的热门移动处理器:

处理器CPU核心数NPU TOPS
高通Snapdragon X X1 - 26 - 100845
高通Snapdragon X Plus X1P - 42 - 100845
高通Snapdragon X Elite X1E - 78 - 1001245
高通Snapdragon X2 Elite Extreme X2 - E94 - 1001880
英特尔Core Ultra 7 258V847
英特尔Core Ultra 7 355849
英特尔Core Ultra X7 358H1650
AMD Ryzen AI 7 350850
AMD Ryzen AI 7 450850

哪些不是Copilot Plus PC?

了解哪些笔记本不属于Copilot Plus PC,有助于更好地理解它的定义。以下是一些不属于Copilot Plus PC的例子:

  • 配备旧款CPU且缺少NPU或NPU运算能力低于40 TOPS的低价笔记本。
  • 仅拥有8GB内存或128GB SSD的低价笔记本。
  • 基于英特尔Arrow Lake CPU的游戏或内容创作笔记本。与英特尔的Lunar Lake系列不同,Arrow Lake处理器的NPU运算能力仅为12或13 TOPS,远低于成为Copilot Plus PC所需的40 TOPS。
  • 苹果MacBook或谷歌Chromebook。

从这个列表可以看出,Copilot Plus PC实际上是一种主流的Windows笔记本,介于老旧或性能不足的低价笔记本和专注于原始CPU性能(通常搭配英伟达RTX GPU)以处理图形密集型工作负载而非AI任务的高性能笔记本之间。

是否应该购买Copilot Plus PC?

微软推出Copilot Plus PC平台即将迎来两周年。在这段时间里,英特尔、AMD和高通这三大芯片制造商都推出了许多具备所需NPU性能的处理器,使笔记本能够被称为Copilot Plus PC。而且,内存和存储的最低硬件要求也不会让很多型号被排除在外。因此,如今很多笔记本都符合微软对Copilot Plus PC的定义。这只是一个营销术语,用于描述能够保证一定本地AI性能的现代主流笔记本。除非专门选择价格区间两端的笔记本,否则很可能在不经意间就买到了Copilot Plus PC。

即使目前不经常与Copilot或其他大语言模型进行交互,但在下一台笔记本的使用周期内,这种使用频率可能会增加。谁知道呢,可能会决定使用颇具争议的Windows Recall功能或其他由AI驱动的功能,如画笔协同创作(Paint Cocreator)、Windows工作室特效(Windows Studio Effects)或实时字幕(Live Captions),或者尚未发布的AI应用程序。能够将这些AI任务卸载到NPU上,有助于让笔记本运行更流畅、安静、凉爽,同时延长单次充电的使用时间。

因此,虽然不一定需要关注Copilot Plus PC这个营销概念,也不必在购买笔记本时专门寻找它,但当看到这个标识时,就知道这台笔记本配备了最近发布的处理器,能够处理AI任务,同时在整体性能和电池续航之间取得良好的平衡。

凭借轻薄的设计、长续航能力以及除强大AI计算能力之外的出色整体性能,许多Copilot Plus PC成为了近期喜爱的笔记本。以下是六款获得高分的Copilot Plus PC,其中有14英寸和16英寸的型号,处理器涵盖了英特尔、AMD和高通这三大品牌:

  • 华硕Zenbook A16:基于高通Snapdragon X2 Elite Extreme处理器,华硕Zenbook A16在极其轻薄的机身内实现了卓越的应用和AI性能。
  • 戴尔XPS 14:戴尔重新推出了XPS 14,并且设计精美。这款主流笔记本采用英特尔Panther Lake处理器,满足Copilot Plus PC的定义,整体性能出色,电池续航能力也非常优秀。
  • 微星Prestige 14 Flip AI Plus:微星Prestige 14 Flip AI Plus是测试过的首款英特尔Panther Lake笔记本,其性能和电池续航表现令人满意。
  • 惠普OmniBook 5 14:创纪录的电池续航只是这款Copilot Plus PC的魅力之一。惠普OmniBook 5 14还拥有美观的设计、OLED显示屏以及充足的内存和存储,而且价格实惠。
  • 联想Yoga 9i 2 - in - 1 Aura Edition:这款来自联想的Copilot Plus PC是一款高端二合一笔记本,配备了出色的OLED显示屏和独特的声霸,电池续航能力更是能满足一整天的使用需求。
  • 惠普OmniBook X Flip 14:惠普OmniBook X Flip 14是一款基于AMD处理器的二合一Copilot Plus PC,外观时尚、坚固耐用,性价比很高。

那么,在众多的笔记本中,你会选择Copilot Plus PC吗?

Phi-4-reasoning:小参数大推理的工业级科学思维模型 推理模型正从‘答对题’迈向‘会思考’,其核心在于思维链(Chain-of-Thought)的显式建模与稳定生成。传统小语言模型(SLM)受限于文本续写式训练目标,难以支撑多步逻辑推演;而Phi-4-reasoning系列通过合成数据蒸馏、强化学习优化推理鲁棒性、以及推理时动态反思机制,在14B甚至3.8B参数量下实现博士级科学推理能力。该技术路径显著降低硬件门槛——支持RTX 4060笔记本、Copilot+ PC及边缘设备本地部署,兼顾低延迟、低功耗与高步骤正确率。适用于教育智能辅导、离线工业诊断、科研方 阅读详情

相关推荐

从AI玩具到生产力:构建人机协同工作流的实战指南

在数字化转型浪潮中,人工智能正从概念走向工程实践,成为提升效率的关键工具。其核心原理在于通过大语言模型理解和生成内容,辅助人类处理信息与执行任务。这一技术的核心价值在于将从业者从重复性劳动中解放出来,聚焦于高价值的创意、决策与整合工作。在实际应用场景中,AI可作为头脑风暴伙伴、自动化执行者与知识查询接口,深度融入软件开发、技术写作、数据分析等工作流。本文以“人机协同”和“工作流”为核心,通过具体案例,系统阐述了如何将AI从尝鲜的“玩具”转变为高效的“生产工具”,实现从认知到实践的全面跃迁,帮助开发者和知识工

weixin_30919571的博客 302

2026年Windows笔记本选购指南:从MacBook Neo转向AI PC的五大选择

在计算机硬件领域,选择合适的笔记本电脑是提升工作效率和体验的关键。其核心原理在于平衡性能、便携性、续航与生态兼容性,以满足不同用户场景的需求。随着AI技术的普及,集成专用NPU(神经网络处理单元)的AI PC成为新的技术趋势,为本地AI推理和Copilot+体验提供了硬件加速能力,显著提升了能效比和应用响应速度。对于内容创作者、开发者和移动办公用户而言,高性能GPU、高色域屏幕与强大的散热系统构成了创作与生产力的基石。本文聚焦于2026年市场,针对寻求替代MacBook Neo的用户,深入分析了五类Wind

weixin_34224941的博客 417

YOYO深度解析:操作系统级AI助手的设计逻辑与专业工作流重构

操作系统级AI助手正成为人机交互演进的关键形态,其核心在于将大模型能力深度集成至系统服务层,而非简单封装为独立应用。原理上需突破传统语音助手的唤醒中断、指令精确性依赖与结果不可控三大瓶颈,通过情境感知唤醒、所见即所得操作和可编辑智能输出实现自然协同。技术价值体现在降低用户决策负荷、提升非结构化信息处理效率,并保障数据本地化与隐私安全。典型应用场景覆盖职场文档整理、跨应用数据联动、合规敏感内容处理及专业领域知识增强。本文以荣耀YOYO为范例,深入剖析其三层解耦架构、隐藏专业设置与Windows原生功能协同机制

weixin_30521161的博客 1万+

微软无所不知的人工智能召回功能“Recall”被推迟,将不会与 Copilot Plus PC 一起提供

微软上个月首次推出了 Recall 功能,作为其即将推出的 Copilot Plus PC 的一部分,但自那以后,隐私倡导者和安全专家一直警告称,如果不进行更改,Recall 可能会给网络安全带来一场“灾难”。可探索的时间线可让您滚动浏览这些快照,回顾您在 PC 上的特定日期所做的事情。微软在更新的博客文章中表示:“我们正在调整 Recall 的发布模型,以利用 Windows Insider 社区的专业知识,确保体验符合我们的质量和安全性高标准。“这甚至比公司在人工智能方面的工作更重要,”史密斯说。

heehelcom的博客 528

从语音助手到AI智能体:大模型如何重塑移动入口与交互范式

在人工智能领域,大语言模型(LLM)的突破性进展正推动技术架构的深刻变革。其核心原理在于通过海量参数与复杂训练,赋予机器强大的意图理解、逻辑推理与内容生成能力,实现了从“命令响应”到“主动规划”的范式跃迁。这一技术价值不仅体现在对话流畅度的提升,更在于其作为“智能体”(AI Agent)能够自主拆解任务、调用工具并整合资源,从而将传统App的孤岛式服务升级为统一、连贯的智能服务流。从工程实践看,智能体通过工具层(系统API、第三方服务调用)与记忆层(用户偏好、私有知识库)的协同,正逐步渗透到信息整合、复杂任

weixin_30460489的博客 536

GPT-4o免费多模态能力解析:交互范式、真实边界与工程实践

大语言模型的多模态能力正从实验室走向日常生产力工具,其核心在于统一编码架构与低延迟交互设计。GPT-4o作为首个面向终端用户开放全模态能力的旗舰模型,通过共享文本/语音/视觉编码器显著降低单次交互成本,并以梯度化限制(如25条/3小时消息频次、4K上下文窗口)实现‘免费但有边界’的工程平衡。它不是简单升级,而是将OCR识别、语音实时转录、跨模态推理等能力深度集成,支撑发票解析、会议纪要生成、无障碍信息获取等真实场景。对于开发者与一线使用者而言,理解其速率限制机制、多模态失效原因及与GPT-4 Turbo的互

weixin_33924220的博客 441

2026年大学生笔记本电脑推荐:最佳校园笔记本选购指南

2026年大学生笔记本电脑推荐:最佳校园笔记本选购指南

至顶AI实验室 236

硬件原理图分析

文章目录1 硬件原理图分析1.1 MCU部分1.2 NB部分1.3 电源部分 1 硬件原理图分析 1.1 MCU部分 MCU接口部分没啥需要注意,都是常规操作。 1.2 NB部分 U4是用来防静电的。 由于NB的以上几个引脚只支持1.8V,所以这里需要3.3V转1.8V的电路。只要把握住谁改变电平就好分析是怎么实现电平转换的了。 1.3 电源部分 图中的MOS是用来实现USB和电池同时插入时只能USB供电功能的。 ...

木子皿--啥都不会的菜鸟 8178

Vue常用的组件库大全【前端工程师必备】【实时更新】【移动端、PC端(web端)、数据可视化组件库(数据大屏) 、动画组件库、富文本、Markdown,3D组件库,Markdown,AI组件库

Vue组件库,超100个Vue组件库,Vue常用的组件库大全【前端工程师必备】【实时更新】【移动端、PC端(web端)、数据可视化组件库(数据大屏) 、动画组件库、文本编辑器,富文本Markdown,3D组件库】

程序员猫爪 3万+

CH340驱动安装全攻略:从Windows到MacOS的避坑指南(2025最新版)

本文提供2025年最新版CH340驱动安装全攻略,涵盖Windows、MacOS和Linux三大操作系统。详细解析了驱动安装的核心原理、标准流程,并针对Windows设备管理器报错、MacOS系统安全限制等常见“坑点”提供了深度排错与解决方案,旨在帮助开发者快速稳定地完成USB转串口通信配置。

earth的博客 430

SillyTavern与Claude Code API集成:从零搭建AI聊天酒馆的完整指南

本文提供了一份从零搭建SillyTavern AI聊天前端的完整指南,重点讲解如何将其与Claude Code API集成。内容涵盖Node.js环境准备、SillyTavern部署、OpenAI兼容格式的API配置、模型选择与参数调校,以及角色扮演、扩展功能等高级玩法,帮助用户打造本地化、可定制的专属AI聊天体验。

assembly8low的博客 2635

AI技术落地实战:从电竞赛事架构到AI PC组装与行业应用开发

实时数据处理与高性能计算是支撑现代数字应用的核心技术。其原理在于通过分布式架构、流式计算框架与专用硬件加速,实现对海量数据的高吞吐、低延迟处理与复杂模型推理。这项技术的价值在于能将概念转化为可落地的生产力,直接驱动业务创新与效率提升。应用场景广泛,例如在大型电竞赛事中构建实时数据流水线以支持全球并发与毫秒级同步,或在本地部署大语言模型时依赖大显存GPU与高带宽内存进行高效推理。本文以电竞世界杯的技术后台搭建和AI PC的硬件选型为例,深入剖析了如何为特定场景进行技术选型与工程实践,为开发者提供了从环境准备到

cmff98425的博客 398

MAPLAB X IDE仿真调试

一、开发环境 操作系统:Windows 10 调试工具:Pickit3 单片机型号:PIC24FJ32GA002 二、操作步骤 1、连接Pickit3仿真器于单片机对应的烧写口如图示: 2、点击调试项目进入调试模式,这时底下输出框显示"运行"代表成功进入调试模式。 3、选择断点,该IDE只支持两个断点,使用超过两个时,超过的断点亮灰色代表无效。设置好断点后需暂停然后再重新点击运行才能生效。可以看到在断点处有绿色光标。 ...

RealHero的博客 5086

宏碁Aspire 14 AI:500美元实现专业级AI性能

宏碁Aspire 14 AI:500美元实现专业级AI性能

zhidingkeji的博客 592

深度学习—各种卷积

深度学习之各种卷积了解知识

m0_47005029的博客 3116

企业微信消息推送(一)接收消息服务器URL

企业微信限制过多,公司域名所有权检验不通过。采用接收消息服务器URL的方式。使用vscode,将UTF-8 BOM文本编码改为UTF-8。配置接收消息服务器URL。

Xiaoweidumpb 1万+

Qwen3.6-Plus工程实测:从玻璃拟态到Three.js的交付级代码生成

AI编程已从‘能写代码’迈向‘可交付工程’阶段。本文聚焦大模型在真实开发场景中的结构化能力——涵盖前端多层协同(数据/逻辑/表现)、模糊语义到图形参数的精准映射、长链路任务自主规划等核心维度。围绕玻璃拟态(Glassmorphism)、Three.js动态渲染、A股工具链构建三大典型任务,验证其对现代CSS实践、WebGL底层机制、URL协议建模等关键技术的理解深度与工程完备性。关键词包括工程完备性、抽象转化力,体现AI从语法生成到系统思维的跃迁,适用于前端工程师、全栈开发者及技术决策者评估AI协作者的生产

weixin_33849215的博客 324

OCSP环境搭建--Windows Server 2016

OCSP环境搭建--Windows Server 2016 一. OCSP环境中相关信息 1. 服务器1 操作系统:Win Server 2016 Standard版 IP地址:172.16.0.19/23,网关:172.16.0.1,首选DNS:127.0.0.1 服务器角色:域控制器、证书颁发机构、radius服务器、DNS服务器 ...

CsdnCHong_566的博客 3357

微软今年晚些时候将推两款新 Surface 设备,搭载英伟达芯片性能如何?价格成悬念!

Surface Laptop Ultra 外观和使用感受与 16 英寸的 MacBook Pro 相似,是专注性能的翻盖式笔记本,无花哨设计。内部设计像艺术品,微软优化内部,更换零部件更易,Surface Laptop 7 的 iFixit 可维修性评分从 2017 年的 0 分提升到 2024 年的 8 分。这两款设备面临的最大问题是价格,内存价格上涨使微软英特尔酷睿版 Surface 设备价格上升,猜测搭载 RTX Spark 芯片的新设备处于高端 PC 价格区间顶端,具体价格今年晚些时候知晓。

IT界那些事儿 31

【DRAM存储器五十一】LPDDR5介绍--DFE与Pre-Emphasis

简述LPDDR5的DFE和预加重应用设置

highman110的博客 711

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

英伟达 RTX Spark 重塑个人电脑,能否超越骁龙及苹果 M5 系列?

不过,英伟达的芯片旨在处理比骁龙处理器繁重得多的工作负载,骁龙处理器无法“渲染超过 90GB 的超大型 3D 场景、编辑 12K 4:2:2 视频、生成 4K AI 视频、使用本地智能助手运行 1200 亿参数的大语言模型并支持高达 100 万个标记的上下文,以及以 1440p 分辨率和超过 100 帧每秒的速度玩 3A 游戏”,而这些都会大幅消耗电池续航。理论上,OpenShell 可以让你为智能助手设置规则,根据你的隐私政策将查询路由到经过批准的本地模型,并在查询基于云的模型时“隐藏”个人信息。

IT界那些事儿 92

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。

AI Develop 02 & 直面 AI 冲击:前端开发者的转型与生存指南

⭐摘要:作为一名深耕前端开发多年的从业者,近两年来深刻感受到了AI技术爆发式发展带来的行业震动。从最初的代码片段补全,到如今能通过自然语言生成完整页面、自动调试bug、实现跨框架代码转换,AI工具正在快速吞噬前端领域的重复工作。不少只掌握基础开发技能、依赖“复制粘贴”的同事,正面临岗位压缩甚至被淘汰的困境;而那些主动拥抱AI、具备核心能力的开发者,却能借助AI工具实现效率翻倍,成为行业争抢的稀缺人才。 这也让很多前端人陷入迷茫:AI浪潮下,前端开发的核心价值在哪里?我们该如何破局,找到属于自己的生存与发展之

AI Agent 全栈架构师(AI + GIS + Backend)& 数字芯片系统架构师(FPGA),NorthCity Smile的博客(NcSmile,博主域名:https://ncmile.blog.youkuaiyun.com) 1484

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")

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

Codex CLI-01-2026中文入门:Mac/Windows安装配置全攻略

Codex CLI 2026中文入门指南摘要 Codex CLI是OpenAI推出的终端原生AI编程助手,最新版本v0.133.0。作为命令行工具,它能理解整个代码库、自主编辑文件、执行终端命令,并实现代理式编程。相比传统补全工具,Codex CLI能独立完成从编码到测试修复的全流程。 核心优势包括终端原生、全项目理解、自主执行、Git集成和多平台支持。与Claude Code等工具相比,Codex CLI完全开源且采用Rust编写。 安装支持多种方式:Mac推荐一键脚本或Homebrew,Windows可

weixin_56693899的博客 3009

用Rust重写PHP虚拟机:从Zend Engine原理到AI辅助实现

虚拟机作为现代编程语言的核心执行引擎,负责将高级语言代码转换为底层机器可执行的指令序列。其工作原理通常涉及词法分析、语法解析、中间代码生成和指令执行等关键环节,通过模拟计算机的寄存器、栈和内存管理模型来实现跨平台运行。在系统级编程领域,Rust语言凭借其所有权模型和零成本抽象特性,为构建高性能、内存安全的系统软件提供了新的技术方案。将Rust应用于虚拟机开发,不仅能提升执行效率,还能从根本上避免内存泄漏和数据竞争等常见问题。这一技术组合特别适用于需要高并发和高可靠性的应用场景,例如Web服务器、实时数据处理

weixin_34075268的博客 376

无影云电脑+OpenClaw+千问Coding Plan企业级AI编码工作流

AI编程助手已从本地命令行工具演进为可审计、可编排的企业基础设施。其核心在于将大模型能力解耦为模块化技能(Skill),依托GPU虚拟化与安全沙箱实现算力标准化,并通过合规API服务(如Coding Plan)保障数据不出域、成本可控。OpenClaw作为开源可托管框架,支持技能分层设计与企业微信原生集成;无影云电脑则提供预装CUDA、内网直连、快照即备份等开箱即用能力,显著降低运维复杂度。本文聚焦于三者协同落地的关键配置、高频报错根因及生产级稳定性保障方案。

weixin_34411563的博客 344

Kimi-K2.5开源大模型:前端视觉-代码对齐与Agent工程化实践

前端开发正经历从文本补全到系统建模的范式升级。多模态大模型不再仅生成语法正确代码,而是基于视觉理解、状态机还原与指令-行为映射,实现界面语义重建与DOM物理建模。其技术价值在于打通‘截图→交互逻辑→可运行代码’闭环,支撑手势驱动粒子动画、录屏复刻微信IM、跨文化SVG生成等高保真场景。核心突破依赖视觉-代码对齐能力与Agent任务分解可信度,使AI真正具备前端工程思维——理解will-change触发机制、CSS变量注入时机与WebSocket降级策略。本文聚焦Kimi-K2.5这一国内首个生产级开源All

weixin_30776545的博客 309
上一篇: 学生时间管理难题多,这些 AI 工具来助力!
下一篇: CollectWise:AI 助力债务催收,年化 200 万后招贤冲击 1000 万目标
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