测了19款大模型，竟然被一道“50米洗车”题干趴下一半？AI常识陷阱大赏（全网最全评测）

testleaf testleaf 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 1.1k累计阅读 1.2k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7年
关注
原创 2026-02-20 16:57:57 1.1k 阅读 AI 写同款· GEO 优化 ›
【AGI-Eval趣味挑战】5道逻辑陷阱题，揭秘AI与人类的思维差异 本文通过鸡蛋、打鸟、折纸、年龄计算等5道经典逻辑陷阱题，对比测试了GPT-4o、DeepSeek-R1等主流AI模型的表现，揭示了AI在常识理解、模糊指令处理和物理直觉方面的思维差异。文章深入分析了AI依赖模式匹配与人类运用常识推理的根本不同，为理解大语言模型的能力边界提供了生动案例。 阅读详情

注：如有错误欢迎评论区交流！
转载请注明出处：https://blog.youkuaiyun.com/testleaf/article/details/158235364
编写此文是为了更好进行学习，如果损害了有关人的利益，请联系删除！
本文章将不定时更新，敬请期待！！！
欢迎点赞、收藏、转发、关注，多谢！！！

目录

💡 前言

本文于 2026 年 2 月 20 日对 19 款大模型在“50米洗车”常识陷阱中的表现进行了深度硬核评测，包括摸鱼测试、正式测试【初测和重测】。并采用十维加权系统量化评分。测试发现：开启联网搜索的千问与元宝能直接检索陷阱原理，实现降维打击；Gemini 3-Pro 虽逻辑在线，但也暴露了长线记忆关联时有时无的“不稳定性”；而 ChatGPT 全系及 DeepSeek 仍深陷距离诱导，甚至出现“深度思考不如普通版”的怪象。本文深度揭示了大模型的上下文污染与薛定谔智商现象，为提示词工程提供参考。

一、开篇暴击：19款大模型智商大考十维排行榜

废话不多说，先上最终的硬核加权排行榜！

最近我用一道经典的“AI 常识陷阱题”测试了市面上主流大模型。原本只是一次普通的摸鱼测试，但我发现同一个模型在不同对话里的表现竟然天差地别！为了给大家呈现一份绝对严谨的评测，我在今天（2026年2月20日）耗费大量时间进行了严密的摸鱼测试、正式测试【初测和重测】，并将测试规模涵盖到了 19 款模型（涵盖豆包、元宝、千问、Claude、ChatGPT 和 Gemini 阵营的各种 Fast、Pro、Auto、深度思考模式，并包含了联网搜索版本）。

为了科学评估，我引入了严谨的“十维加权系统”（共计100%）。在看榜单前，先简单交代一下这 10 个评测维度的具体含义与场景（已按核心属性归类排序）：

  • 🎯 正确度 (30%)：一票否决的底线。洗车必须把车开过去，违背此物理常识直接低分。
  • 👁️ 陷阱识别 (15%)：元认知能力。不仅答对，还要能指出“这是一个骗 AI 的常识陷阱”。
  • 🧠 理性 (10%)：逻辑严密性。能否清晰列出“洗车必须车到场”的推导过程。
  • 💬 感性 (4%)：人情味与情绪价值。语气像不像个活人，有没有幽默感或恰到好处的吐槽。
  • 🛡️ 稳定 (10%)：抗干扰与自我纠错。独立会话测试时，能否维持正确逻辑或产生良性反思。
  • 📦 完整 (10%)：方案全面性。除了自己开，是否考虑特殊场景等折中解法。
  • 📚 丰富 (10%)：信息密度。除了结论，是否提供了其他建议（如冷启动对车的影响等）。
  • ⚡ 简洁 (4%)：废话率。回答是否直击痛点，不当“废话文学家”。
  • 🔗 关联 (5%)：上下文记忆提取。在同一会话中能否关联背景。
  • 🔒 隔离 (2%)：跨对话隐私保护。新建对话后，能否严密隔离上一个对话的个人隐私信息。

依据上述标准，以下是按阵营均分降序排列的全景榜单：

序号AI阵营阵营
均分		模型版本单模
加权		正确度
(30%)		陷阱识别
(15%)		理性
(10%)		感性
(4%)		稳定
(10%)		完整
(10%)		丰富
(10%)		简洁
(4%)		关联
(5%)		隔离
(2%)
1千问7.85千问-Qwen-深度思考-联网搜索9.0910101089910619
2千问-Qwen-深度思考8.991010108999619
3千问-Qwen-普通5.485597276819
4Gemini7.48Gemini 3-Pro7.7810698787724
5Gemini 3-Thinking7.6510695786819
6Gemini 3-Fast7.0010395784819
7元宝6.14元宝-Hunyuan-深度思考-联网搜索8.861091069910619
8元宝-Hunyuan-深度思考8.65108106999719
9元宝-Hunyuan-普通8.0510696988719
10元宝-DeepSeek-普通2.610025935719
11元宝-DeepSeek-深度思考2.550025934819
12豆包3.33豆包-专家4.714057968519
13豆包-思考2.690026935819
14豆包-快速2.590026934819
15ChatGPT3.07ChatGPT-5.2-Thinking3.955015934819
16ChatGPT-5.2-Auto2.650017936619
17ChatGPT-5.2-Instant2.610016936619
18Claude1.88Claude 4.6-普通2.230016922919
19Claude 4.6-Extended1.530016222919

⚠️ 关于 ChatGPT 成绩的特别说明：很多朋友可能会疑惑 ChatGPT 为什么全系基本垫底。其实在早前的摸鱼测试中，它的 Thinking 模式曾给出过正确答案，但在本次极其严格的初测与重测中，它却都暴露出“薛定谔智商”，最终全系翻车。具体原因复盘，请详见后面的分析。

二、背景与经典“陷阱”

大家好，平时咱们前端开发都在聊 React 与 Vue 组件封装、项目实战，今天咱们换个口味，来盘一盘上面这个硬核榜单的由来。

这源于我在看 AI 逻辑推理资料时，发现的一个特别有意思的“AI 常识陷阱”。题目其实非常简单：

“我想去洗车，洗车店离我家50米，我是走路过去还是开车过去？”

作为碳基生物，你的第一反应肯定是：废话，洗车当然得开车过去，难不成让车在家自己洗云澡？但这区区“50米”的表述，却成了骗过无数顶尖 AI 的“阿克琉斯之踵”。

三、数据背后的魔幻现实（必看异象）

结合排行榜，我们来拆解一下这些模型在**摸鱼测试、正式测试【初测和重测】**中展现出的惊艳与魔幻现象：

1. 联网搜索的“降维打击”（千问 & 元宝）

在正式测试中，我特意为千问和元宝测试了联网搜索版本，结果极为震撼！
千问-Qwen-深度思考-联网搜索版甚至直接检索了知识库，不仅回答正确，还引用文献指出：“大多数 AI 把问题理解成了‘人怎么去洗车店’，这是经典的逻辑陷阱。” 这种借助外脑识别陷阱的“元认知”能力，帮助千问阵营均分登顶全场第一。

2. Gemini 3-Pro 的“关联不稳定性”悖论

在早前的摸鱼测试中，Gemini 3-Pro 展现出了极强的长线记忆，利用全局历史对话对我的个人背景进行了个性化关联。然而在正式的隔离重测中，当我再次于新对话中抛出同样的洗车问题时，它却完全没有关联之前的个人背景，仅仅给出了干巴巴的客观推理。
这就暴露出一个深层的工程问题：长线关联能力的不稳定性。对于 C 端用户来说，偶尔的“高情商千人千面”是个小惊喜；但对于需要 API 稳定输出结果的开发者来说，这种因为内部状态或采样随机性，导致有时调用长期记忆、有时又突然“失忆”而引起输出风格剧变的现象，本质上正是一种“输出不可预期”的不稳定性体现！

3. 千问普通版的“反常觉醒”

相较于初测时的全盘翻车，在后面的重测中，千问-Qwen-普通版竟然稳稳地答对了！它不仅答案正确，甚至透出了一丝理性与严谨：“车还在家里，怎么洗？❌” 这说明大模型即使是同一个版本，在不同的环境温度（Temperature）和概率采样下，也会展现出极其薛定谔的波动。

4. 过度思考的陷阱？普通版得分倒挂！

如果你仔细看榜单，会发现一个极其诡异的现象：
在 元宝-DeepSeek、ChatGPT 5.2 全系 以及 Claude 4.6-Extended 阵营中，普通版的得分竟然略高于深度思考版！
当底层的逻辑基石（洗车必须带车）偏离时，给再多的算力去深度思考，模型也只会在错误的道路上越陷越深，编造出看似更宏大、实则极其荒谬的“无效逻辑”。

四、免责声明：大模型的“薛定谔智商”与上下文机制

基于本次极其耗时的十维评测，必须在此对当前的 Prompt Engineering 给出几点声明：

  1. 测试的随机性（薛定谔智商）：正如 ChatGPT 摸鱼测试时答对、正式初测和重测却全部翻车，以及千问普通版在初测和重测中的巨大反差。现阶段的 LLM 在处理非标准常识题时，其推理链路处于一种极不稳定的叠加态中。
  2. 警惕“逻辑污染”：如果在同一个对话中交替使用普通版和思考版，前者的错误回答极易作为“垫话（Few-shot）”将后者的思路带偏。当然，本文评测过程中，摸鱼测试、正式测试【初测和重测】都是新开对话框分开进行，而相同AI阵营的不同版本则是在一个对话框中进行测试，先测低版本，再测高版本。低版本的错误答案可能会带偏高版本，让高版本也产生错误答案，或者也可能会让高版本受到反省，从而产生正确的答案。或者在摸鱼测试中先测高版本得到正确答案，后面再新开对话窗口测低版本，较容易让低版本产生正确答案，这可能也是ChatGPT全系翻车、千问与Gemini震撼全场的原因。当然，最后测试结果的正确性也反映了千问与Gemini的优越性，以及豆包、ChatGPT与Claude的局限性，还有元宝不同版本之间的巨大差异性。
  3. “外脑”的必要性：联网搜索版霸榜，证明了在这个阶段，赋予 AI 检索实时信息的 RAG 能力，能有效对冲其原生算力在闭门造车时的“钻牛角尖”倾向。

总结而言： 大模型在面临现实世界的物理常识时，依然有其脆弱性。在使用 AI 辅助开发或者做重大逻辑决策时，千万别盲信。碳基生物的脑子，目前依然是不可替代的最后一道防线。

大家平时还遇到过哪些把 AI 智商按在地上摩擦的测试题？或者遇到过这种“越深度思考越弱智”的玄学现象吗？欢迎留言交流！

收录于
笔记

当前文章被收录于：

笔记
28 篇文章 3 人学习

笔记

订阅专栏 查看详情
标签
#人工智能 #大模型 #逻辑评测 #深度学习 #常识陷阱
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GLM-5如何用物理常识推理破解洗车问题 蒸发与凝结是水在常温常压下的基本相变过程，其动态平衡受温度、湿度、风速及材料热物性共同调控。理解这一原理，是构建可靠环境状态预测模型的基础——它不仅关乎热力学常识建模能力，更决定AI在汽车养护、保险定损、电池热管理等工业场景中能否输出空间分异、时间演化的精准判断。本文以‘洗车问题’为切口，揭示大模型如何从模糊表象走向多变量耦合的微物理系统推演，并重点解析道尔顿蒸发公式调用与车身部位热惯性差异建模两大关键技术支点。 阅读详情

相关推荐

大模型并行推理能力实测：以洗车问题为标尺解析GLM-5因果建模

并行推理是大语言模型理解现实世界运作逻辑的基础能力，其核心在于识别资源可否同步执行、工序是否存在依赖、约束是否构成瓶颈。这一能力直接关联物理常识建模、因果链构建与动态调度决策，广泛应用于工业排程、智能运维和教育问答等场景。当前主流模型常将‘5人洗5车’误判为串行累加，暴露出对并行语义解码与隐含约束补全的系统性短板。本文基于升级版七题组洗车测试集，深度拆解GLM-5在因果图谱蒸馏、工序解耦预训练和约束感知微调三方面的技术落地效果，验证其在真实汽服SOP场景下的多步推理鲁棒性。

weixin_30732487的博客 332

一道一年级错题，测出5个大模型的“智商“：最老实的那个反而输了？

摘要：家长测试5款国产AI大模型对一年级数学错题的反应，结果各异。千问、豆包、智谱直接给出错误答案，Kimi2.5反复验算直至超限，只有元宝指出题目可能存在印刷错误。测试揭示AI面对错题时的三种态度：讨好型产生幻觉、较真型牺牲体验、质疑型展现元认知能力。真正的教育价值在于AI能否识别并指出问题错误，而非单纯追求正确率。这表明承认不确定性的勇气比盲目自信更重要。

lingduhuanbing的博客 367

大语言模型常识缺失：从洗车案例看AI基础推理缺陷

在人工智能领域，常识推理是衡量AI系统智能水平的基础能力之一，涉及空间感知、成本评估和社会规范理解等核心要素。当前主流大语言模型（如GPT-4、Claude等）虽然在复杂任务上表现出色，却在简单生活场景中频繁出现反常识错误，这揭示了基于统计概率的模型在基础判断上的结构性缺陷。技术层面看，训练数据缺乏精确的日常场景描述、知识图谱与语言模型脱节是主要原因。这一问题对AI产品化产生直接影响，包括客服系统、导航应用等需要常识判断的场景。解决方案需从数据增强（如构建场景化对话样本）和混合架构（结合知识图谱校验）两方面

weixin_32501329的博客 189

多款主流大模型翻车！一道“50米洗车题”竟答“车在家，人走过去”，网友吵翻：AI到底有没有常识？

你说“我想洗车”，默认车就在身边。包括 OpenAI 的 ChatGPT、Anthropic 的 Claude、字节的豆包、月之暗面的 Kimi、阿里旗下的千问、百度的文心一言等，都给出了非常“认真”的分析。进行测试，它还专门做了表格，细数走路 1 分钟、开车需 3-5 分钟的时间差，以及开车的油耗、停车成本，从而建议「走路去」，可谓有理有据。整体而言，这种“先自信输出，再即时纠错”的表现，反而让讨论更热闹。这些模型回答看上去逻辑清晰、条理完整，但它们讨论的是“人怎么去洗车店”，而不是“车怎么去洗车店”。

优快云资讯 1917

AI|大模型智力测试

计算维护费用： 固定费用为100000美元，额外费用为每平方英尺10美元，总面积为x平方英尺，则额外维护费用为 10x 美元。计算总费用： 将土地费用、电池板费用和维护费用相加，得到总费用：100x + 250x + 100000 + 10x = 360x + 100000 美元。计算太阳能电池板费用： 每平方英尺250美元，总面积为x平方英尺，则电池板费用为 250x 美元。计算土地费用： 每平方英尺100美元，总面积为x平方英尺，则土地费用为 100x 美元。土地费用为每平方英尺100美元。

逸_的博客 2143

7道AI数学陷阱题实测：GPT-4o翻车，国产大模型表现如何？

本文通过7道精心设计的数学陷阱题，对GPT-4o、DeepSeek-R1、豆包1.5Pro等主流AI大模型进行实测，揭示它们在常识推理和逻辑思维上的真实表现。测试结果显示，国产大模型如DeepSeek-R1在逻辑严谨性和创新思维上表现突出，而GPT-4o在基础计算能力上仍有优势。文章为开发者提供了选择模型的实用建议，帮助优化AI在数学和逻辑问题中的应用。

weixin_29075633的博客 327

面对大模型，我是智者还是智障？基于个人能力量化问题测试！

通过我的三个问题，大模型给我的回答基本做到了思想概述、量化行动、保证行动的具体执行。 但是如果我不能够一层一层的去问他，那么我想他的回答一定是智障，背后反应的就是我的提问是智障。

一直在奋起，一直在路上 1796

【AI大模型进阶】大模型能推理吗？用“鸡兔同笼”测试各大模型的智商

本文通过"鸡兔同笼"问题测试不同规模AI大模型的推理能力，揭示其智商差异。实验设计L1-L3三阶难度题目，从基础题到带干扰项的复杂变体，测试模型的信息提取、逻辑建模、多步推导和验算能力。结果显示：1.5B轻量模型仅能解决记忆性题目；7B中端模型可完成基础推理但抗干扰弱；14B+高端模型和商用顶级模型（如GPT-4o）则展现出完整的逻辑闭环和纠错能力。文章指出，模型推理能力的本质是数据训练后的逻辑泛化，而非真正思考，其强弱直接影响复杂场景的落地效果，建议根据任务复杂度选择匹配模型，而非盲目

unber的博客 151

你是一个聪明的大模型吗？—— 给 AI出一个悖论测试

本文测试了多个AI模型在"反向回答"游戏中的表现。游戏规则要求：若真实答案为"是"则说"不是"，反之亦然。测试结果显示，仅hunyuan简单模式、文心X1.1和Grok Expert能正确执行反向回答并提供自相矛盾的支持理由。多数模型未能遵循游戏规则，直接给出了真实答案及其支持依据，包括元宝深度思考、DeepSeek系列、通义千问等。测试还发现部分模型会额外解释规则（如DeepSeek简单模式）或回避直接回答（如kimi复杂模式）。测试基于2025

༺ bestcxx的专栏 ༻ 1621

STM32F407+LAN8720网口不通？别慌，手把手教你用CubeMX和LWIP搞定RMII以太网（附复位与PHY地址避坑指南）

本文详细解析了STM32F407与LAN8720通过RMII接口实现以太网通信的完整流程，重点解决了网口不通的常见问题。从硬件连接到CubeMX配置，再到LWIP网络参数设置，提供了复位时序、PHY地址配置等关键细节的避坑指南，帮助开发者快速排查和解决以太网通信故障。

weixin_33695082的博客 419

单细胞marker基因表达密度图-(还有一个包装函数）

我们借助Nebulosa，将上面的过程包装为一个函数，还是那句话，受累麻烦的事我们来解决，您轻松即可，先看看函数参数：需要注意的是，如果你只想框选某一类celltype，理想模式是这群celltype是单独聚类的，没有散落在其他类群，否则将会全部框选，效果不好，建议使用AI/PS添加。需要注意，这里我算是投机取巧了，用了一个和这个作图毫无关系的包ggnetwork，主要的目的是用他的theme_blank()主题，一次性将所有清空，当然也可以自己慢慢写，不过有现成的，为啥不用呢？这质感不就上去了嘛。

qq_42090739的博客 1366

从0开始IOS

从0开始 以前是学 php 的,也没接触过 ios 的具体技术,让我从今天开始吧~ 我的学习过程: Object-C基础: Swift UIKit Swift学习:每日学控件-Button Swift 疑问 Swift纠结:optional 的!和? Http 学习 http 的一生: 一、特点与 URL解析 http 的一生: 二、http请求——TCP 的三次握手 持续跟新...

104

从仿真到部署：基于ROS2与Gazebo的UR5e机械臂全流程控制实践

本文详细介绍了基于ROS2与Gazebo的UR5e机械臂全流程控制实践，从环境准备、模型构建到控制器开发和仿真优化，最终实现真实机器人部署。通过实战案例和避坑指南，帮助开发者掌握机器人仿真与控制的关键技术，提升UR5e机械臂在物料分拣等任务中的性能与稳定性。

weixin_29184371的博客 288

100米外洗车，开车还是走路？8个大模型的答案，让我笑到扶墙

摘要：当AI博主将"洗车店离家100米该开车还是走路"这个生活常识问题抛给各大模型时，结果令人啼笑皆非。测试显示，Kimi、DeepSeek等模型给出"走着去"的荒诞答案，完全忽略了洗车需要带车的基本逻辑；而ChatGPT、Gemini则陷入过度分析。相比之下，Grok和国产三强（腾讯混元、智谱GLM、MiniMax）准确抓住了"洗车必须开车去"的核心。这场测试暴露出AI在常识推理上的致命短板——它们擅长复杂计算，却常败给"下雨要收衣服&

weixin_37688407的博客 1139

别再为批次效应发愁了！手把手教你用Harmony整合10x单细胞数据（附完整R代码）

本文详细介绍了如何使用Harmony工具消除单细胞数据中的批次效应，提供完整的R代码实现跨样本数据整合。通过模糊聚类和渐进校正技术，Harmony能有效区分技术噪音与真实生物信号，适用于大型数据集处理。文章包含质控要点、参数设置建议及常见问题解决方案，助力研究者获得高质量整合结果。

weixin_27215403的博客 196

详解卷积神经网络(CNN)

卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。

qq_25762497的博客 25万+

DeepSeek-R1如何应对逻辑陷阱题？真实测试+部署优化教程

本文介绍了如何在星图GPU平台上自动化部署🧠 DeepSeek-R1 (1.5B) - 本地逻辑推理引擎镜像，并展示了其核心应用场景。该平台简化了部署流程，用户可快速搭建本地推理环境。该镜像专精于逻辑推理，能有效应对逻辑陷阱题、辅助代码审查与数学问题分步讲解，是教育与开发领域的实用AI工具。

weixin_35886636的博客 236

STM32+ESP8266接入OneNet的MQTT嵌入式实现

MQTT是一种轻量级发布/订阅模式的消息传输协议，广泛应用于资源受限的物联网终端设备通信。其基于TCP/IP栈构建，具备低带宽占用、小代码体积和高可靠性等技术优势，特别适合STM32等MCU与Wi-Fi模组协同工作的边缘节点场景。在实际工程中，需结合AT指令集控制ESP8266完成Wi-Fi连接、TCP建链及MQTT会话管理，并通过环形缓冲区、空闲中断检测等机制保障UART异步通信稳定性。本文围绕STM32F103与ESP8266硬件协同、OneNet平台对接、JSON消息解析与OLED状态反馈等关键环节，

yhn456789的博客 1035

LLM对极端贝叶斯问题的回答

本文挑战LLM的基础语言理解能力，主张应先检验其核心语义理解，而非过度依赖复杂推理测试。通过对比简单句子的翻译与理解，揭示当前模型在语境消歧、指代消解等基础任务上的脆弱性。强调智能本质是概率性容错，关键在于“知错”与“容错”的平衡。附图展示测试样例，呼吁以更本质的语言能力评估模型真实水平。

数据智能自动化 224

硬件工程师笔记——电子器件汇总大全

本文系统总结了14种常用电子器件的工作原理及功能应用，包括电阻、压敏电阻、电容、电感、二极管、三极管、MOS管、晶振、光耦、IGBT、继电器、磁珠、可控硅和线性稳压器。每种器件从结构原理、工作特性到典型应用进行全面解析，如电阻的限流分压、电容的储能滤波、三极管的放大开关等。重点阐述了各器件在电路设计中的关键作用，如IGBT的功率控制、继电器的隔离保护、LDO的电压稳定等，并提供了实际电路应用案例。文章还整理了硬件工程师笔试面试相关的知识点和真题资源，为电子工程师提供全面的技术参考。

XU157303764的博客 2万+

CCF编程培训师资认证（PTA）标准（教学能力T）

随着计算机科学的不断发展，计算机相关技术应用到社会各个行业，越来越多的青少年参加到了计算机程序设计的学习中，这对编程培训教师提出了更高的专业要求和职业要求。CCF开展编程培训师资认证项目(Programming Trainer Accreditation，PTA)，旨在建立一个规范的、科学的、权威且有公信力的三方认证。认证考试分编程专业能力（P）和教学能力（T）两部分。本标准根据《CCF编程培训师资认证条例》第十条制定，旨在明确教学能力（T）的测试标准。

lan_in的博客 1708

AI的“聪明反被聪明误”！为什么“越会思考”的模型，越容易掉入“逻辑陷阱”？

我们普遍认为，那些“会思考”的AI——大型推理模型（LRMs）——理应比普通的大语言模型（LLMs）更聪明、更可靠。毕竟，它们被设计用来生成明确的“思维链”，能优化多步骤的逻辑推理，并且在复杂任务上常常表现更佳。

weixin_58753619的博客 1143

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

XMind7、XMind8和XMind2020之间的貌合神离

XMind2020正版购买优惠（见文末） 该文件无法正常打开，请勿修改并保存，否则文件内容将会永久性丢失！ 你可以尝试使用 XMind 8 Update 3 或更新版本打开 XMind7，XMind8和XMind2020的区别 XMind8下载 XMind2020下载

testleaf.cn 2万+

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

web自动化框架：selenium学习使用操作大全（Python版）

浏览器驱动下载 selenium-python安装 元素定位八种方法 元素动态定位 iframe切换 填充表单_填充文本框 填充表单_单选按钮 填充表单_下拉列表 切换窗口和标签页 显式等待 隐式等待 警告框 confirm确认框 prompt提示框 鼠标操作动作链 执行js代码_滚动 上传操作_input上传 上传操作_非input上传_pywinauto 上传操作_非input上传_pyautogui selenium调整窗口大小 判断元素是否允许被操作 获取某个元素的html svg定位.......

testleaf.cn 1万+

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/

selenium进阶之web自动化项目框架搭建（Python版）

web自动化框架的设计，同接口自动化框架一样，采用分层设计。

testleaf.cn 9391

chromedriver、geckodriver、MicrosoftWebDriver、IEDriverServer和operadriver之间的恩怨纠葛

chromedriver geckodriver MicrosoftWebDriver IEDriverServer operadriver IE浏览器xpath Opera开发者F12 查找Python的安装目录 cannot find Opera binary

testleaf.cn 9237
上一篇： 重庆邮电大学2026年计算机/软件/人工智能/网安考研备考指南
点赞 22
评论 0
书签 书签 14
testleaf
testleaf
博客等级 码龄7年 3514粉丝 72原创
+ 关注 专栏目录 订阅专栏
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
 
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

打赏作者

testleaf

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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