Agent Runtime 已成水电煤：解耦 Session/Harness/Sandbox 的生产实践

tempdowncomputer tempdowncomputer 博客等级 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 300+累计阅读 375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 码龄16年
关注
VIP免费 原创 最新推荐文章于 2026-06-28 15:35:26 发布 375 阅读 AI 写同款· GEO 优化 ›
Agent Runtime 三层解耦：Session、Harness 与 Sandbox 的生产级实践 Agent runtime 是支撑大模型智能体稳定运行的底层基础设施，其核心在于会话状态管理、执行调度与安全沙箱的协同设计。随着 AWS Bedrock AgentCore、Anthropic Managed Agents 和开源 Daytona 等方案成熟，runtime 正从自研组件演进为云原生标准能力。其技术价值体现在可审计的事件日志（event log）、无状态执行器（Harness）和按需销毁的微虚拟机沙箱（Sandbox）三大支柱上，显著提升 agent 的可观测性、容错性与合规性。典型应用场景 阅读详情

1. 这不是新赛道，而是基础设施层的“价格归零”现场直播

上周二，4月8日，Anthropic悄悄把一个叫 Claude Managed Agents 的东西推到了公测阶段。新闻稿里写得挺热闹：Notion 和 Asana 已经接入、沙箱执行、会话快照、凭证托管、工具调用全由 Anthropic 托管——开发者终于不用自己搭状态层、管环境隔离、防 token 泄露了。工程博客还打了个漂亮的比方：这就像90年代操作系统对硬件的虚拟化，把 session、harness、sandbox 拆成稳定接口，让模型层和运行时层解耦。

但如果你真去翻它的 YAML 配置、看它的 pricing page、试跑一个带 7 步工具链的销售线索清洗 agent，你很快会意识到：它根本不是在定义新范式，而是在给一个已经成型、正在快速标准化的基础设施层，贴上自家模型的专属标签。

我去年亲手摔过一次坑——用纯 context window 存 session state 做一个多跳 RAG+代码生成+外部 API 调用的 agent。第42分钟，上下文撑到 Claude-3.5-sonnet 的 200K token 上限，模型没报错，也没中断，只是默默把最早调用的 Notion 页面解析结果从记忆里抹掉，然后基于残缺的中间态开始编造 Slack 消息格式。我们直到客户投诉“为什么发了两遍重复工单”才回溯日志，可日志里只有最后三轮对话，前面的 tool output 全没了。没有 event log，没法 replay，没法 debug，只能重来。那周我们连夜把 state 搬出 context，存进 Redis + PostgreSQL 组合的 trace store。Anthropic 现在卖的，就是我们当时花三天重写的那一层——只不过封装好了，按小时计费，$0.08/session-hour，外加常规 token 费。

关键词不是“agent”，是 session-as-event-log 、 credential isolation 、 runtime abstraction 。这三个词背后，是过去18个月里所有能跑通生产级 agent 的团队，用故障、审计失败、客户投诉换来的共识。而 Anthropic 的发布，本质上是一次精准的防御性补位：当 AWS Bedrock AgentCore 在2025年11月就已 GA，Vertex AI Agent Builder 在2026年1月完成企业策略控制上线，Azure AI Foundry 把 AutoGen 和 Semantic Kernel 深度集成进统一控制平面时，Anthropic 如果再不提供一个“Claude 原生”的托管 runtime，它的核心客户——那些靠 Claude token 收入吃饭的 SaaS 公司、AI 应用厂商、垂直 agent 创业者——就会自然滑向 AWS 控制台，在那里一键部署一个同样能跑 Claude 的 AgentCore 实例，顺便把 compute、storage、logging、policy 全部打包进现有云账单。这不是技术路线之争，是客户采购路径的争夺战。你不能指望一家年营收 $200M 的 B2B SaaS 公司，为了一套 runtime 多开一个供应商合同、多走一道法务流程、多配一名 infra 工程师。他们要的是“Claude + 开箱即用的生产就绪 agent 运行环境”，Anthropic 不给，AWS 就给，而且免费额度够中小团队跑三个月。

所以别被“Managed Agents”这个新名字带偏。它不是 Anthropic 在开创什么，而是在承认： agent runtime 这一层，已经不再是技术护城河，而是即将被压到接近零成本的水电煤式基础设施。 它的价值不在于“能不能做”，而在于“谁来做更省事、更合规、更少踩坑”。而历史告诉我们，当某一层基础设施开始被 hyperscaler 免费捆绑、被开源项目快速跟进、被客户默认视为“应该自带”的能力时，这一层的商业价值就开始塌缩。VMware 卖 ESX 时每台物理机收 $3500，现在 AWS EC2 实例启动自带 KVM，你连 hypervisor 的存在都感知不到。Anthropic 现在卖的，就是那个正在变成“EC2 默认能力”的东西。

2. 架构拆解：三层解耦不是炫技，是生产环境的生存刚需

Anthropic Managed Agents 的核心设计，可以用三个词概括： Session（会话）、Harness（执行器）、Sandbox（沙箱） 。这不是营销术语，而是针对 agent 生产落地中反复暴雷的三大痛点，给出的系统性解法。下面我逐层拆开，告诉你每一层到底解决了什么问题、为什么必须这样设计、以及如果你自己搭，绕不开哪些坑。

2.1 Session 层：事件日志即真相，告别“黑盒推理”

传统 agent 架构里，session state 要么塞在 LLM 的 context window 里，要么存在内存变量里，要么用极简 key-value 存个 last_message_id。这在 demo 阶段很轻量，一上生产就崩。原因有三：

  • 容量硬顶 ：Claude-3.5-sonnet 最大 context 是 200K tokens，但实际可用远低于此。光是 system prompt + tool definitions 就占掉 15K~25K；每次 tool call 的 input/output 往往 2K~8K；跑个 10 步的复杂流程，context 就满了。一旦满，LLM 不会报错，只会静默丢弃最旧的 token——也就是最早调用的工具结果。你看到的 response 是基于“部分事实”的幻觉。
  • 不可追溯 ：没有结构化记录，你无法回答“这个工单为什么被分到销售组而不是技术支持组？”、“用户说‘查下上个月的发票’，agent 是怎么定位到具体 PDF 的？”。审计、复盘、优化全靠猜。
  • 不可恢复 ：进程崩溃、网络中断、模型 timeout，session 就永远丢失。用户刷新页面，一切从头开始，体验断层。

Anthropic 的解法是： Session = 持久化、结构化、可查询的事件日志（Event Log） 。每个 session 创建时，Anthropic 在后端分配一个唯一 sessionId ，所有 agent 的行为——system prompt 加载、user message 接收、tool call 发起、tool response 返回、LLM 生成的 thought/action、最终 reply——都被序列化为标准 JSON 事件，写入高可用日志存储（内部用的是类似 ClickHouse + S3 分层的 OLAP 架构）。关键点在于：

  • State 完全外置 ：Harness（执行器）本身无状态。它只负责根据当前 event log 的最新状态，调用 LLM 并执行下一步。 awake(sessionId) 接口本质就是“读取该 sessionId 下所有事件，重建当前上下文快照，然后继续”。
  • 事件可回放 ：你可以用 GET /v1/sessions/{id}/events?from=1712563200&to=1712566800 拉取任意时间段的完整事件流。每个 event 包含 timestamp 、 type （message/tool_call/tool_response/llm_output）、 payload （含 tool name、input、output、LLM 的 raw output）、 metadata （trace_id、span_id、cost_estimate）。这不是日志聚合，这是完整的决策链存证。
  • 存储与模型解耦 ：event log 存在 Anthropic 自建的持久化层，与 Claude 模型实例完全分离。这意味着你可以今天用 Claude-3.5，明天无缝切到 Claude-4（如果发布），event log 格式不变，replay 逻辑不变。

提示：很多团队试图用 LangChain 的 ConversationBufferMemory 或 PostgresChatMessageHistory 模拟这个效果，但它们本质还是“消息历史”，缺乏对 tool call 生命周期的原子性记录。真正的 event log 必须保证： tool_call 事件和紧随其后的 tool_response 事件是成对出现、不可分割的。否则你无法区分“tool 调用失败”和“tool 返回空结果”。

2.2 Harness 层：无状态执行器，把“调用模型”变成函数调用

Harness 是整个架构里最反直觉的一层。它名字叫“执行器”，却 不执行任何业务逻辑，也不持有任何状态，甚至不直接接触模型 。它的全部职责，就是接收一个 sessionId ，从 event log 里读取最新状态，组装成标准 prompt，调用 Anthropic 的 /messages API，拿到 response 后，解析出 tool_use 或 text ，再把结果作为新事件写回 log。整个过程，Harness 本身就是一个无

最低0.47元/天 解锁文章
标签
#agent runtime #session-as-event-log #credential isolation
AI Agent Runtime层：解耦Session、Harness与Sandbox的工程革命 AI Agent 不是智能体本身，而是一套可运行、可审计、可恢复的软件系统。其核心在于 runtime 层——即支撑长期任务执行的基础设施。传统方案将状态塞入模型上下文，导致 silent failure；现代架构则通过 Session（持久化事件日志）、Harness（无状态调度器）和 Sandbox（按需隔离环境）三者解耦，实现高可靠、强安全、易追溯的生产级运行。这一范式已成 AWS AgentCore、Google Vertex AI Agent Builder 与 Anthropic Managed 阅读详情

相关推荐

Agent Runtime三层架构：Session、Harness与Sandbox解耦实践

Agent Runtime 是大模型应用落地的核心基础设施层，其本质是为智能体提供可信赖的执行环境——涵盖状态持久化、无状态调度与安全沙箱隔离。它源于对传统LLM应用中上下文脆弱、状态丢失、凭证泄露等工程痛点的系统性重构，技术价值在于将非功能需求（可观测性、可审计性、合规性、灾备能力）标准化、服务化。典型应用场景包括企业级知识助手、销售线索分发、PR自动生成等需高可靠工作流的AI系统。本文深入剖析Anthropic Managed Agents所倡导的Session事件日志化、Harness无状态化、San

weixin_34379433的博客 390

AI Agent Runtime 架构核心：解耦 Session、Harness 与 Sandbox

AI Agent 运行时（Runtime）是支撑智能体在生产环境稳定执行的底层基础设施，其本质是将大模型的不可靠上下文计算，转化为可持久化、可审计、可隔离的确定性执行流程。关键技术原理包括状态与执行解耦、会话事件日志化、沙盒级资源与凭证隔离。这种架构显著提升系统可观测性、安全合规性与故障恢复能力，广泛应用于金融尽调、合规审核、客户支持等高可靠性场景。本文聚焦 Anthropic Managed Agents 与 AWS AgentCore 所体现的现代 agent runtime 设计范式，深入解析 ses

weixin_34007886的博客 439

Agent Runtime 三层解耦：Session事件日志、无状态Harness与隔离Sandbox

Agent Runtime 是大模型应用落地的核心基础设施层，其本质是为LLM驱动的自动化工作流提供可观察、可重现、可审计的执行环境。它基于事件驱动架构，将会话（Session）从模型上下文解耦为持久化、带因果链的结构化事件流；Harness作为无状态执行器专注工具调用的确定性转发；Sandbox则通过微虚拟机实现单次调用级的硬件隔离与凭证零暴露。这一设计直击生产环境中context overflow、状态丢失、凭证泄露与不可追溯等高频痛点，显著提升agent在报销审批、合同比对、安全告警等关键业务中的可信

anheku1562的博客 512

Agent Runtime 层正在消亡：Session、Harness 与 Sandbox 的重构逻辑

Agent runtime 是支撑大模型智能体执行的核心基础设施层，其本质是会话管理、工具调度与安全隔离的三位一体。随着 Anthropic、AWS Bedrock 和 Google Vertex 等平台将 Session 事件化、Harness 无状态化、Sandbox 微虚拟机化，runtime 的技术差异正快速收敛为标准化抽象。这一演进并非性能竞赛，而是工程确定性、审计合规性与总持有成本（TCO）驱动的必然选择。当 sandbox 启动延迟进入百毫秒级、credential 注入遵循 strict f

csxc65837的博客 417

Agent Runtime 三层抽象：Session-Harness-Sandbox 架构解析

Agent 运行时（runtime）是大模型应用落地的核心瓶颈，其本质是解决状态管理、工具执行与安全隔离三大基础问题。传统方案依赖 LLM 上下文窗口暂存状态，导致 context overflow、trace 断链与审计不可靠；而现代 runtime 通过 Session（不可变事件日志）、Harness（无状态协议执行器）和 Sandbox（microVM 级隔离环境）实现分层解耦。这一架构不仅规避了上下文长度的物理限制，更原生支持可观测性、合规审计与弹性伸缩，成为 AI 应用从 PoC 走向高可用生产

weixin_30892763的博客 451

Agent Runtime 三层架构：Session、Harness 与 Sandbox 的工程本质

Agent 运行时（Runtime）是大模型应用落地的核心基础设施，其本质是解决状态管理、执行隔离与安全可控三大问题。从原理看，Session 作为独立于模型上下文的事件日志，实现因果可追溯与持久化审计；Harness 以无状态函数解耦逻辑，支撑工具动态扩展与策略热更新；Sandbox 借助 cattle 式容器与零信任网络，保障每次调用的强隔离与资源精算。这一分层设计不仅提升系统可靠性与调试效率，更成为金融、医疗等高合规场景的准入前提。当前技术演进正推动 runtime 层向标准化、零价化发展，而价值重心

weixin_34356555的博客 353

AI Agent Runtime 三层架构：Session、Harness 与 Sandbox 解析

AI Agent 运行时（Runtime）是支撑智能体工程化落地的核心基础设施，其本质是将状态管理、执行调度与安全隔离解耦为可独立演进的抽象层。Session 作为事件日志替代内存变量，实现无限上下文延展与故障可追溯；Harness 以无状态函数式设计保障弹性伸缩与行为确定性；Sandbox 则通过微秒级容器化隔离与凭证零接触机制，解决越权调用与资源污染风险。这种分层范式不仅提升系统可观测性与合规能力，更成为金融、医疗等强监管场景中‘敢用Agent’的技术前提。当前主流方案如 Anthropic Manag

xpp02的专栏 547

Agent运行时层的标准化：Session、Harness与Sandbox解耦实践

Agent运行时（Agent Runtime）正经历类似操作系统抽象硬件的关键演进，其核心是将会话管理、执行调度与安全沙箱解耦为可独立演进的稳定接口。这一分层设计源于对context window溢出、凭证泄露、状态丢失等生产级问题的系统性回应，技术价值在于提升可观测性、故障恢复确定性与多租户隔离能力。典型应用场景覆盖金融尽调、医保政策匹配、跨时区客服等长周期、高合规要求的AI工作流。Anthropic Managed Agents通过Session作为持久化事件日志、Harness作为无状态执行器、San

liangqilang的专栏 463

Agent Runtime 范式革命：Session 作为持久化事件日志

AI 智能体（Agent）的本质是状态驱动的长期任务执行系统，其核心挑战在于可靠的状态管理与可追溯的行为控制。传统方案将状态硬塞进模型上下文，导致记忆覆盖、调试黑盒、审计缺失等工程顽疾；而现代 Agent Runtime 的演进方向，正从‘上下文即状态’转向‘Session 即事件日志’——通过持久化、只追加、带时间戳的结构化事件流，实现状态解耦、行为可观测与故障可回溯。这一范式不仅支撑长时会话、跨工具协同与企业级安全沙箱，更成为 Trace 分析、Governance 策略与垂直行业 Agent 市场落地

frank1998819 718

LLM运行时架构解耦：Session-Harness-Sandbox三层模型解析

在大语言模型应用工程化进程中，'运行时（Runtime）'正从耦合状态演进为可独立演进的基础设施层。其核心在于将状态管理、执行调度与安全隔离分层解耦——Session 层以事件日志形式持久化不可变操作流，Harness 层作为无状态执行器驱动工具调用，Sandbox 层依托 microVM 实现强隔离的按需计算环境。这种设计直面 context overflow、静默失效、凭证泄露等生产级痛点，显著提升 agent 系统的可审计性、可重放性与合规性。当前主流云厂商（Anthropic/AWS/Google/

weixin_34129696的博客 407

Claude Managed Agents 架构解析：Session、Harness 与 Sandbox 三层抽象

Agent 运行时（Runtime）是大模型落地企业级应用的核心中间层，其本质是将模型推理、工具调用与状态管理解耦的工程范式。随着 LLM 应用从单次问答走向多步协同任务，传统上下文驱动的会话管理已无法支撑长周期、可审计、可恢复的智能体行为。Session 作为持久化事件日志、Harness 作为无状态函数路由器、Sandbox 作为按需销毁的安全执行环境，共同构成现代 Agent Runtime 的三大支柱。这一架构不仅解决静默失败、凭证泄露、调试困难等高频痛点，更推动价值重心从基础设施层向上迁移至 Tr

weixin_30263073的博客 571

Anthropic Managed Agents 架构解析：Session-Harness-Sandbox 三层解耦设计

Agent runtime 是支撑大模型智能体稳定运行的底层基础设施，其核心在于会话状态管理、执行逻辑调度与安全沙箱隔离三大能力。随着 AWS AgentCore、Google Vertex AI Agent Builder 和 Azure AI Foundry 等云原生方案成熟，runtime 正快速走向标准化与水电化。在此背景下，Anthropic Managed Agents 提出 session-as-event-log、无状态 harness 与按需沙箱的三层解耦架构，本质是将 agent 的可靠

weixin_34163553的博客 338

Agent Runtime层的OS时刻：session/event log与sandbox架构解析

Agent runtime 是支撑大模型智能体落地的核心基础设施层，其本质是将无状态的LLM推理流程，重构为有状态、可追溯、可审计的确定性执行系统。关键技术原理包括：以结构化 event log 替代脆弱的 context blob 实现状态外置；通过 stateless harness 统一调度工具调用，保障隔离性与可观测性；采用 microVM 级 sandbox 实现不可变、按需销毁的安全计算单元。该架构显著提升 debug 效率、合规审计能力与多云部署灵活性，已成为金融、客服、销售等垂直场景生产级

tomfish 335

从零搭建PIC MCU开发环境：MPLAB IDE与HI-TECH编译器安装破解全攻略

本文详细介绍了从零搭建PIC MCU开发环境的完整流程，包括MPLAB IDE 8.85的安装配置、HI-TECH C编译器的安装与破解，以及PICkit3编程器的使用技巧。通过清晰的步骤说明和常见问题解决方案，帮助开发者快速搭建稳定的PIC单片机开发环境，适用于PIC16/18系列MCU开发。

weixin_29188997的博客 292

国际参考电离层2020模型Matlab（IRI-2020）

国际参考电离层 （IRI） 是一个国际项目 由空间研究委员会 （COSPAR） 和国际 无线电科学联盟 （URSI）。这些组织组成了一个工作组 （在 60 年代后期产生了电离层的经验标准模型， 基于所有可用数据源 （几个稳步改进的版本 模型已经发布。电子密度、电子温度、离子温度、 离子组成（O+、H+、He+、N+、NO+、O+2、簇离子）、赤道垂直离子漂移、垂直电离层电子含量（vTEC;

weixin_44392003的博客 4882

VirtualLab初学者教程-1.用户界面

目录前言一、VirtualLab Fusion简介1.软件2.内置工具箱：二、用户界面认识1.上方菜单栏2.右侧面主窗口3.底部窗口附 前言 感觉做VirtualLab的资料不是特别多，可能用的朋友也比较少吧，笔者最近也因为大创需要刚刚开始入门，把网上有的英文资料整理了一下，加了一点自己的内容发出来希望帮助更多在学习中的朋友，有用词不当之处还请多多包涵。 一、VirtualLab Fusion简介 因为是第一讲，简单啰嗦一下软件本身，参考官方介绍。 1.软件 VirtualLab是由德国LightTran

ClaireTang1的博客 2万+

如何利用MATLAB建立Lotka-Volterra模型及其改进模型

今天我们要说的就是利用MATLAB对常微分方程进行数值求解的实例应用-Lotka-Volterra模型及其改进模型。20世纪40年代，Lotka（1925）和Volterra（1926）奠定了种间竞争关系的理论基础，他们提出的种间竞争方程对现代生态学理论的发展有着重大影响。

Nick的博客 2万+

[Python图像处理] 一.图像处理基础知识及OpenCV入门函数

该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助，如果有不足之处，还请海涵~ 同时推荐作者的C++图像系列知识： [数字图像处理] 一.MFC详解显示BMP格式图片 [数字图像处理] 二.MFC单文档分割窗...

杨秀璋的专栏 7万+

C# 与华中数控设备通信：数控机床自动化控制与实时监测系统

华中数控系统与C#通信开发指南 核心要点 通信基础 支持串口(RS232/RS485)和以太网两种连接方式 协议选择：通用Modbus协议或华中自定义HNC协议 关键数据映射表明确各参数对应的寄存器地址和功能码 系统架构 四层架构：设备层→通信层→业务层→应用层 包含实时数据采集、指令下发、状态监控、异常处理全流程 支持Modbus和HNC协议动态切换 代码实现 串口通信使用NModbus库简化开发 提供连接管理、数据读取、指令下发完整示例 包含异常处理和超时重连机制 应用价值 实现数控机床远程监控和自动化

这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。 2018

计算数列位置N的值

本文介绍了一个数列生成问题，要求根据输入的两个整数M和N生成特定规则的数列，并输出第N个位置上的数值。数列生成规则为：前M个元素为1到M；后续元素根据前M个元素是否重复来决定计算方式（求和或求差）。文章提供了C++、Java和Python三种语言的实现方案，均包含输入处理、数列初始化、循环计算和结果输出等步骤。各语言实现中均使用集合去重特性判断重复元素，并通过内置函数或自定义方法求取最大值和最小值。该问题主要考察基础编程能力，包括数组/列表操作、最值计算和重复元素判断等基本编程技巧。

面试高手的博客 655

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")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。

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)

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
上一篇： Mythos模型：大模型+强化学习驱动的系统级漏洞发现新范式
下一篇： Parsel分层推理框架：构建可验证、可协作的AI工程化系统
点赞 5
评论 0
书签 书签 6
tempdowncomputer
tempdowncomputer
博客等级 码龄16年 2粉丝 405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  | 博主筛选后可见
 
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