宇树科技上市:从机器狗到人形机器人第一,改写全球机器人产业格局!

【高速互连技术】合规性测试规范:物理层信号完整性与链路均衡验证系统设计 内容概要:本文档介绍了分析工具进行实践对照,并关注后续规范版本更新以确保符合最终发布标准。 立即下载

宇树科技春晚亮相后冲刺上市

2026年马年春晚上的《武BOT》中,宇树科技的机器人与河南塔沟武术学校共同带来武术表演,之后“人机共武”剪辑视频刷屏网络。次月,已连续三年登上央视春晚的宇树科技披露《招股书》,开始冲刺上市。其从受理到过会仅花73天,创下2026年科创板最快审核纪录。8月10日,宇树科技(688836.SH)正式申购,发行价150.8元/股,预计募资60.99亿元,发行后市值约610亿元。这家以机器狗起家的杭州公司,头顶“A股人形机器人第一股”,成为今年最受关注的IPO之一。8月19日,宇树科技正式上市,开盘涨幅达629%,总市值一度高达4449亿元。

业绩亮眼,产品结构换挡

长期以来,人形机器人企业在资本市场有“烧钱”“亏损”“PPT”标签,但宇树科技正在扭转局面。《招股书》显示,2023 - 2025年,公司营业收入分别为1.59亿元、3.93亿元和16.99亿元,三年间营收翻了十倍。同期,扣非后归母净利润从亏损1801.91万元,扭亏至2024年净利7847.65万元,再到2025年迅速攀升至5.91亿元。利润质量同样亮眼,毛利率从2023年的44.22%攀升至2025年的60.27%,意味着每卖出100元产品,有超60元是毛利,甚至超过不少科技硬件龙头,且现金流健康。2025年经营活动现金净流入超6.7亿元,资产负债率仅为18.82%。

产品结构方面,2025年宇树科技人形机器人收入超越四足机器人,两者分别为8.68亿元和6.98亿元。人形机器人收入占比从2023年的1.88%飙升至51.78%,成为公司第一大收入来源。四足机器人是宇树起家基本盘,2022年其四足机器人收入占比高达76.57%,但到2025年已降至41.62%。从出货量看,2025年宇树科技纯人形机器人(不含轮式双臂机器人)出货量超5500台,位居全球第一,而2023年这一数字仅5台,两年增长超千倍。据《2025年人形机器人市场研究报告》,当年全球人形机器人总出货量约1.7万台,宇树科技一家占近三分之一。与此同时,其 四足机器人累计销量已超3.3万台,全球市场份额连续多年稳居第一。

引明星资本力捧,全栈自研降成本

在此基础上,宇树科技引来了一众明星资本力捧。其股东名单中,美团系(汉海信息、GalaxyZ、成都龙珠)合计持股9.65%;红杉中国合计持股7.11%;经纬创投合计持股5.45%;顺为资本持股约4.42%。此外,腾讯、阿里巴巴、蚂蚁集团、中国移动等产业龙头均通过直接或间接方式持股。战略配售中,除DeepSeek 、腾讯系外,还吸引了全国社保基金、中石油昆仑资本、南方电网、天翼资本(中国电信旗下)等重磅机构入局。

人形机器人领域,海外玩家动辄百万级定价,宇树科技把价格打到地板。2023年7月,Go2 Air型四足机器人起售价9997元,将行业产品定价降至万元以内。2024年5月发布的中型人形机器人G1,基础版起售价9.9万元,目前已下调至8.5万元。2025年7月推出的R1人形机器人,起售价3.99万元,最新更是将起售价降至2.99万元。宇树能做到低价靠的是全栈自研,其完成了对高性能电机、减速器、灵巧手、激光雷达等核心零部件的全栈自主研发,供应链国产化率超九成。在G1研发中,“技术追求 + 商业理性”的双核驱动体现明显,其43个自研关节电机最大扭矩达120N·m,通过128个微型液压关节实现毫秒级响应,每秒可进行5000次姿态运算,同时采用三指力控方案替代传统五指设计,在满足90%抓取需求的同时,将制造成本降低40%。宇树科技在《招股书》中表示,“凭借全链路自研自产能力和多产品协同优势,公司不仅在性能上持续领先,更在高性价比方面确立行业标杆,持续推动机器人技术的创新研发与应用突破。”

2013年,宇树科技创始人王兴兴在上海大学读研期间,独立设计开发全球首款外转子无刷电机驱动的小型高性能低成本四足机器人XDog。其电机直驱设计,将XDog成本控制在2万元以内,还帮助实现跑跳、平衡等能力,比波士顿动力同类方案提前一年面世,如今该原型机还陈列在王兴兴办公室。截至2026年1月31日,宇树科技已累计取得境内外注册专利262项,其中已公开授权的境内专利共计169项,境外专利共计93项,境内发明专利20项,境内实用新型76项,境内外观设计73项。其开源发布的“世界模型 - 动作”(WMA)与“视觉 - 语言 - 动作”(VLA)两类模型,已在全球开发者社区获得广泛认可,其中UnifoLM - VLA - 0在LIBERO基准测试中以98.7分的成绩,综合表现领先国内外主流模型。宇树科技已成为全球少数同时掌握高性能机器人本体、运动控制算法和具身智能大模型三大核心能力的企业之一。

中国企业改写全球机器人产业格局

中商产业研究院报告显示,2025年中国人形机器人出货量已达1.44万台,占全球的84.7%,预计2026年将达3.8万台,2030年有望达到38万台,全球占比提升至约88%。2025年,中国首次成为工业机器人净出口国。2026年上半年,我国工业机器人出口总额达62.9亿元,同比增长18.6%,产品远销全球141个国家和地区。机器人、AI相关产品和创新药正成为继电动车、锂电池、光伏之后的“新三样”出口增长引擎。

政策方面,2026年政府工作报告明确提出培育发展具身智能等未来产业;“十五五”规划纲要将具身智能纳入国家未来产业重点战略布局,与量子科技、生物制造等并列为六大未来产业之一。万联证券指出,随着政策与资本合力助推,AI大模型持续为机器人注入灵魂,人形机器人有望形成新兴产业,逐渐从B端走向C端,未来市场空间广阔。2026年是人形机器人量产验证与场景落地的关键窗口,中信建投证券研报表示,2026年有望成为人形机器人垂类应用大年。中航证券研报显示,2026年以来,国内机器人领域融资已达391起,十余家头部企业完成股改或排队IPO,行业正从资本投入加速向证券化落地阶段迈进。

在全球竞赛中,中国企业正在从“追赶者”变为“领跑者”。2025年全球人形机器人市场中,宇树科技以5500台出货量位居第一,占25%份额;智元机器人以5168台紧随其后,占24%,前两名都是中国公司。本次IPO,宇树科技发行股票4044.6434万股,发行价格150.8元/股,募集资金总额60.99亿元,净额59.17亿元,比原定42.02亿元的募资计划,超募比例达45%。根据《招股书》资金运用规划,原计划的42.02亿元募资中,接近一半资金将用于智能机器人模型研发项目,聚焦具身智能大模型与机器人核心算法等底层能力突破。其余资金分别投向机器人本体研发项目、新型智能机器人产品开发项目、智能机器人制造基地建设项目等。制造基地项目建成后,预计可实现年产7.5万台人形机器人与11.5万台四足机器人的产能规模,意味着宇树科技产能将实现数量级跃升,规模效应进一步放大。

2026年7月23日,王兴兴与其载人机甲产品GD01共同登上《时代》杂志封面,封面标题为《机器人时代来临》,上一次登上该刊物封面的中国企业家是百度创始人兼CEO李彦宏,距今已过去8年。2026年正值宇树科技成立10周年,10年时间,宇树科技从三个人、200万天使轮起步的创业公司,冲到了人形机器人出货量全球第一的行业龙头。在上市路演中,王兴兴表示,“当下,正逢全球AI与具身智能技术突破前夜,人类迈向更高级文明的黎明时分。曾经,这份梦想看似遥远,但通过十年的不懈努力,我们已真正拥有奔赴梦想、实现梦想的底气与能力。”

frontend-design skills 立即下载

相关推荐

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?.docx

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?

宇树C轮融资百亿落定,腾讯阿里吉利联手押注人形机器人未来

表演的时候不能做大幅度移动,下台的时候是演员一人一台扶下去的,刘谦想要互动一下,直接死机瘫了。今年5月25日,全球首场人形机器人格斗大赛在杭州举行,宇树G1机器人展示了惊人的运动能力:侧踢、膝踢、勾拳、组合拳等动作流畅自如,倒地后能迅速爬起。今年4月19日,在北京举行的首个人形机器人半程马拉松上,使用宇树机器人的团队表现不佳,出现跑步摔倒、不走直线等情况,引发网友质疑。2月后,随着宇树在春晚的惊艳亮相,公司估值持续攀升,融资结构也随之变化,最终形成了六大巨头共同领投的格局。,希望能做一些改变世界的产品。

LinkTime_Cloud的博客 1095

用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)

内容概要:本文围绕用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计展开研究,深入探讨了卡尔曼滤波在动态系统状态估计中的核心作用。文章系统阐述了卡尔曼滤波的数学基础,包括状态空间模型的建立、先验与后验状态估计、协方差矩阵的递推更新,以及最优增益矩阵的推导过程,确保在高斯白噪声环境下实现对系统状态的最小均方误差估计。结合Matlab代码实现,完整展示了算法从理论建模到仿真实验的全流程,涵盖系统建模、噪声设置、滤波迭代、状态更新与误差分析等环节,并通过仿真实验验证了算法在噪声干扰下对系统真实状态的高精度跟踪能力。该研究为控制工程、导航系统、信号处理及自动化领域中的状态估计问题提供了坚实的理论依据与高效的数值实现方案。; 适合人群:具备一定控制理论、概率统计基础和Matlab编程能力,从事自动化、电子信息、航空航天、机器人、导航定位等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①掌握卡尔曼滤波的基本原理及其在状态估计中的数学推导过程;②学习如何利用Matlab实现卡尔曼滤波算法并进行系统仿真与性能评估;③应用于目标跟踪、传感器融合、惯性导航、故障诊断、时间序列预测等实际工程中的动态状态估计问题。; 阅读建议:建议读者结合文中提供的Matlab代码进行动手实践,通过调整系统模型参数、过程噪声与观测噪声强度,观察滤波效果的变化,深入理解卡尔曼增益的自适应调节机制与MMSE估计的收敛特性。同时可进一步拓展学习扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等非线性滤波方法,以应对更复杂的非线性系统状态估计挑战。

人形机器人“全球第一”背后:宇树与优必选工程拆解

人形机器人正从概念展示走向商业化落地,这一过程中,“全球第一”的评判口径却千差万别。从工程视角出发,可以拆解出货量、营收、技术指标、市值等不同统计坐标系,理解宇树科技与优必选在技术迭代、商业化路径、开发者生态上的真实差异,也能横向审视特斯拉Optimus、波士顿动力Atlas、Figure AI等海外玩家的位置。对于技术负责人、AI工程师和产业研究者而言,关键是建立一套评估人形机器人开发平台的指标体系,涵盖硬件规格、关节模组、软件SDK/ROS支持、仿真环境、成本维护等维度,同时警惕数据隐私、物理安全和合规

weixin_29069131的博客 398

高校技术转移办公室人员如何提升成果转化服务效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

国央企创新负责人如何利用平台实现技术需求的精准挖掘与匹配?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

国内人形机器人代表企业清单:2026具身智能产业化格局盘点

新松机器人成立于2000年,是一家以机器人技术和智能制造解决方案为核心的企业,以智能制造为业务主攻方向,拥有自主知识产权的工业机器人、移动机器人、特种机器人三大类核心产品,以及焊接自动化、装配自动化、物流自动化三大系统解决方案,产品覆盖汽车整车制造、电子半导体、航天装备、仓储物流等行业,与京东物流、中国铁路物资集团等大型企业达成合作,人形机器人已在电子制造精密装配、港口物流等场景开展规模化试点应用。公司以四足机器狗起家,逐步拓展至人形机器人领域,构建了覆盖全尺寸、中型、轻量级多形态的人形机器人产品矩阵。

beckhamcheng的博客 7

自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)

内容概要:本文提出了一种自适应多机器人编队规划方法,旨在实现对具有运动能力和可见性约束目标的高效包围与持续跟踪,采用Matlab进行算法实现与仿真验证。该方法综合考虑了多机器人系统在动态环境中的协同控制、编队形态生成与保持、障碍物规避以及目标可见性维护等关键问题,通过设计分布式控制律使编队能够根据目标行为和环境变化自适应调整队形与运动轨迹,确保稳定包围并最大化目标观测质量。文中详细阐述了系统的数学建模过程、控制策略设计原理及约束处理机制,并提供了多场景下的仿真实验结果,验证了所提方法在复杂条件下的鲁棒性、灵活性与有效性。; 适合人群:具备自动化、机器人学、控制理论或人工智能等相关领域基础知识的科研人员及研究生,熟悉Matlab编程环境并致力于多智能体系统、协同控制、路径规划或智能无人系统研究的专业人士。; 使用场景及目标:①应用于多机器人系统在监视、围捕、搜救等任务中对移动目标的协同包围与跟踪控制;②为研究分布式编队控制、可见性优化、动态避障与多智能体协同决策等核心技术提供可复现的算法实例与理论支撑; 阅读建议:建议读者结合提供的Matlab代码逐模块分析算法实现细节,重点关注控制律设计、约束建模与仿真结果对比部分,宜在仿真环境中调整参数配置以深入理解系统性能边界与优化潜力。

宇树科技登陆科创板:人形机器人第一股的硬核逻辑与“物理 AI 自进化“

宇树科技登陆科创板成"人形机器人第一股",首日市值峰值达4400亿元,90后创始人王兴兴身家破千亿。王兴兴指出当前行业最大瓶颈是机器人泛化能力不足,提出"物理AI自进化"方案——通过AI自主编写控制代码并仿真验证,实现机器人自主迭代。中国人形机器人已占据全球86%市场份额,但量产仍面临精度控制等挑战。宇树的上市标志着中国具身智能产业进入资本定价新阶段,但真正实现从展品到产品的跨越,仍需突破环境适应性与任务泛化能力的关键技术瓶颈。

weixin_49470217的博客 268

基于STM32避障/循迹/蓝牙遥控小车的硬件与软件底层设计

1、实现2m的自动直线行驶,要求左右偏移不大于10cm。2、车载显示屏显示车辆当前行驶速度或车辆运行时间,当前方20cm内出现障碍物时显示与前方障碍物的距离,车每次转弯蜂鸣器报警,同时通过左右指示灯指示转弯方向。3、依次驶过障碍物①②③④,且不触碰障碍物。4、成功进行调头转弯,行驶过程中车轮不碾压黑实线。5、在车道指定位置停车且不越界。6、通过红外、蓝牙、WiFi等任意一种方式实现对小车的控制,使其前进、后退、左转、右转。

2301_78758161的博客 1万+

告别OpenAI API调用:手把手在本地CPU/GPU上部署fast-whisper中文语音识别模型

本文详细指导如何在本地CPU/GPU上部署fast-whisper中文语音识别模型,摆脱对OpenAI API的依赖。从环境准备、模型获取与优化,到CPU/GPU环境的具体部署步骤和性能优化技巧,全面覆盖本地化语音识别的实现方案,帮助开发者提升效率并保障数据隐私。

weixin_29988907的博客 310

宇树科技IPO深度解析:四足机器人技术商业化与资本估值逻辑

机器人技术作为人工智能与高端制造融合的前沿领域,其核心在于通过运动控制算法、传感器融合与自主导航系统,赋予机器在复杂环境中的感知与行动能力。从技术原理上看,四足机器人模仿生物运动机理,依赖高扭矩密度关节电机与实时控制算法实现动态平衡与地形适应,其技术价值在于突破轮式与履带式机器人的移动限制,为非结构化环境作业提供新范式。在应用场景上,该技术正从实验室研究平台向工业巡检、安防巡逻、特种作业等B端场景渗透,并探索消费级娱乐与内容创作的可能。宇树科技作为该领域的代表性企业,其IPO进程与‘机器狗’产品矩阵,集中体

weixin_33851429的博客 534

GEM5教程--gem5开始之旅(一)

GEM5系列教程--gem5开始之旅一、建立GEM5 GEM5模拟器是一个用于计算机系统结构研究的模块化平台,包含系统级别的结构以及处理器的微体系结构。读者若想详细的了解,请查看其官方文档GEM5文档 读者如果想要入门GEM5的话,可以参考Learning_GEM5这个网站,这里面有较为详细的教程,可以带读者从入门到精通。小编我对GEM5的入门学习也是从这个Learning_GEM5这个网站学习的...

qq_43381135的博客 3万+

2026世界杯成AI试验场,中国人形机器人“出圈”嵌入全球产业链

当地时间6月11日,2026 FIFA世界杯正式拉开帷幕。这届世界杯不仅迎来48支参赛球队的史上最大规模阵容,更成为人类体育史上最大规模的人工智能与机器人技术真实试验场。FIFA官方已明确表示,波士顿动力公司研发的Atlas人形机器人与Spot四足机器狗将在多个世界杯场馆投入实际任务,包括赛事运营辅助、球迷互动以及安全巡逻等。第一批定制版波士顿动力Spot机器人已入驻达拉斯国际广播中心、纽约体育场和新泽西体育场三大核心场馆,执行自主巡逻与实时场地监测任务。机器人变身“打工人”,已经成为2026年人形机器人领

IT界那些事儿 344

基于NARX和NARX-LSTM的模型辨识与MPC控制系统调试与优化

本文针对两输入单输出非线性系统,提出基于NARX和NARX-LSTM的模型辨识与MPC控制优化方案。系统输入为固定量u1和可调量u2(8.5-140),输出目标为-0.58。现有模型存在辨识精度不足、历史输出依赖过重、预测偏差等问题。解决方案包括:数据差分处理改善非平稳性、调整延迟阶数优化模型结构、引入注意力机制替代手动加权、改进损失函数消除预测偏差。MPC控制器将结合优化模型,考虑控制变量步长约束(≥2),实现输出稳定控制。通过系统性的模型调试与控制算法优化,最终形成完整的非线性系统辨识与控制框架。

huanghm88的专栏 132

构建OneService:打造高效、安全、灵活的企业级数据服务平台

数据服务(OneService)作为统一的数据服务出口,实现了数据的统一市场化管理,有效地降低数据开放门槛的同时,保障了数据开放的安全。

数据与算法架构提升之路专栏 2114

具身机器人代表企业盘点:2026全球具身机器人头部企业竞争力解析

依托成熟的硬件量产体系,宇树持续迭代人形机器人本体,把足式机器人多年积累的动态平衡、运动控制技术迁移至人形平台,面向工业、特种高危环境提供一体化机器人解决方案,是国内硬件工程化能力最强的具身机器人厂商之一。卧安机器人(OneRobotics,6600.HK)是全球首家登陆港股的AI具身家庭机器人上市企业,2025年12月正式在港交所挂牌,已发展成为集技术研发、产品制造、全球销售于一体的具身智能领跑者,以“让智能机器人走进每个家庭”为使命,在具身智能产业化的时代浪潮中稳步前行。

xinyuan82的博客 18

华为OD新系统机试真题 - 准备生日礼物(Py/Java/C/C++/Js/Go)

华为OD机试新系统真题 4.8【准备生日礼物】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【准备生日礼物】

qq_45776114的博客 1490

宇树IPO:机器人产业商业化与生态构建的硬仗

机器人技术作为人工智能与自动化领域的关键分支,其核心在于通过硬件执行器、运动控制算法与感知决策系统的融合,实现自主作业与智能交互。从技术原理看,机器人依赖关节驱动、传感器融合与实时控制算法完成复杂任务,其价值在于提升效率、降低人力成本并拓展应用边界。在工业自动化、特种作业与服务场景中,机器人正逐步从实验室演示走向规模化商用。宇树科技作为代表性企业,其自研关节电机与开源生态构建了技术护城河,而当前推进的IPO进程,则是对其商业化能力与产业链整合的一次深度检验,尤其在人形机器人这一前沿赛道中,如何平衡技术研发、

weixin_30482181的博客 365

手把手教你学GPU的KMD专栏--3.1 设备初始化流程深度解析

本文深入解析了KMD(内核模式驱动)设备初始化流程,这是GPU驱动开发最基础且关键的环节。初始化流程包括6个核心阶段:KMD模块加载、PCIe设备探测匹配、GPU硬件初始化、显存分配映射、中断系统配置和设备注册。每个阶段都有详细步骤解析,涉及关键数据结构和错误处理机制。文章还分析了常见问题(驱动加载失败、显存分配失败、中断配置失败)的解决方案,并指出未来趋势将向动态初始化、安全增强和AI优化方向发展。正确高效的初始化流程是确保GPU被操作系统安全使用的前提,也是后续内存管理、任务调度等功能的基础。

MHD0815的博客 262

Flink Web UI 如何使用和调试保姆级教程(持续更新)

Running Jobs(运行中的作业):显示正在运行的所有 Flink 作业的列表。每个作业都有一个独特的 Job ID,可以点击进入查看作业的详细信息。Completed Jobs(已完成的作业):显示已经完成或取消的作业列表。:显示当前集群中所有 TaskManager 的健康状态,包括 CPU 使用率、内存使用情况、Slot 数量等。Job Manager Configuration(JobManager 配置):显示 JobManager 的一些配置参数,帮助调试和优化 Flink 集群。

大模型大数据攻城狮的专栏 3994

2026世界杯成AI与机器人试验场,中国人形机器人加速“出圈”

当地时间6月11日,2026 FIFA世界杯正式拉开帷幕。这届世界杯不仅迎来48支参赛球队的史上最大规模阵容,更成为人类体育史上最大规模的人工智能与机器人技术真实试验场。FIFA官方明确表示,波士顿动力公司研发的Atlas人形机器人与Spot四足机器狗将在多个世界杯场馆投入实际任务,包括赛事运营辅助、球迷互动以及安全巡逻等。第一批定制版波士顿动力Spot机器人已入驻达拉斯国际广播中心、纽约体育场和新泽西体育场三大核心场馆,执行自主巡逻与实时场地监测任务。机器人变身“打工人”,已成为2026年人形机器人领域的

IT界那些事儿 106

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")

对话逐际动力张巍:造机器人很容易,关键是用起来

注意,不是技术上的milestone,如果融钱的目的是达到某个技术的milestone是没有意义的,你都不知道啥时候能商业化,就不知道融多少钱是够的,这是很可怕的无底洞。如果你想知道一个从2017年就开始研究机器人的学者、一家比马斯克还要早押注人形机器人的团队、一个想要给机器人做Windows操作系统的创始人,究竟是怎么样在看当下的具身智能格局,以及未来人形机器人的发展。机械臂和轮式双臂所有的控制器都不是新的东西,还和传统控制器一样,基本的运动学、动力学就足以解决,都不需要AI化一下就是成熟的东西。

量子位 223

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

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。

云深处冲刺 IPO:四足机器人盈利背后,B 端场景之路能走多远?

波士顿动力 Spot 售价高,2020 年上市仅售几百台,2025 年用于工厂巡检也难盈利。云深处 2024 年营收增超 100%,2025 年出货量增超 200%,近万台,营收 5 - 6 亿元,创始人确认扭亏为盈,90%以上营收来自四足机器人。外界以宇树科技参照云深处,宇树从 C 端起家,2024 年销量第一,连续五年盈利,营收超 10 亿,海外订单近 50%。云深处专注 B 端,绝影 X30 客单价高,B 端客户愿为可靠性付费,但高客单价有议价压力,客户集中度过高有风险。比利时副首相参观评价高。

IT界那些事儿 157

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

国内头部具身智能企业排名:十大代表企业赛道定位与商业化全景盘点

当机器人真正跨越实验室与真实世界的鸿沟,具身智能将不再是科幻想象,而是触手可及的生产力。优必选科技成立于2012年3月,公司深耕伺服驱动器核心零部件研发多年,以Walker系列工业人形机器人为拳头产品,已批量进入汽车制造、智慧物流、3C电子、半导体及航空制造等场景,客户矩阵涵盖空客、比亚迪、吉利、富士康等世界500强。公司构建了远征、灵犀、精灵、酷拓四大产品系列,覆盖全尺寸人形、半尺寸人形、四足机器人等多种形态,依托运动智能、作业智能、交互智能“三智一体”技术体系推动具身智能从实验室走向真实场景。

xinyuan82的博客 16
上一篇: 麻省理工研究:扩散模型“归因衰减”,或让AI版权、治理问题更复杂!
下一篇: OpenAI增速放缓、亏损扩大,Anthropic收入首超,谁能抢先IPO?
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