OpenClaw Windows一键部署:国产智能体框架的原生落地实践

Windows原生OpenClaw部署:本地AI智能体一键就绪指南 本地AI智能体是面向终端用户落地AI能力的关键形态,其核心在于脱离云端依赖、直连本地文件与办公软件。实现这一目标需突破传统Linux-centric部署范式,转而基于Windows原生机制设计——包括PowerShell自动化、COM接口集成、NTFS路径兼容、Vulkan/CPU双后端推理适配等。技术价值体现在零WSL2、零Docker Desktop、零手动编译,大幅降低非技术人员使用门槛;典型应用场景覆盖Excel自动分析、PDF智能摘要、Office插件联动及快捷键触发的生产力闭环。本文聚焦Open 阅读详情

1. OpenClaw不是“小龙虾”,而是国产智能体开发框架的Windows落地实践

OpenClaw——这个名字确实容易让人联想到餐桌上红亮油润的十三香小龙虾,但实际在开发者社区里,它正快速成为国产智能体(Agent)开发框架中一个务实、轻量、可本地化部署的代表。它不追求大模型参数规模的堆砌,而是聚焦于“让AI真正动起来”:支持工具调用(Tool Calling)、多步推理编排、记忆管理、多模态输入理解,并原生兼容主流开源大模型(如Qwen、GLM、Phi-3等)。而“Windows一键部署”这个关键词,恰恰戳中了国内大量非Linux环境用户的痛点:他们手头是公司标配的Windows笔记本、是家里那台装着Win11的家庭服务器、或是教育场景下统一管理的机房电脑——没有Docker Desktop权限、不敢动系统PATH、对WSL2的网络桥接心存疑虑、更不愿为跑一个AI工具专门配一台Ubuntu虚拟机。

我去年在给三所职业院校做AI通识课培训时就深有体会:90%的老师和学生第一台能自由操作的设备就是Windows电脑,他们需要的是“双击就能跑起来”的东西,而不是一份要求先装Git、再配Conda、最后手动改五处配置文件的README。OpenClaw的Windows一键包,本质上是一次面向真实使用场景的工程妥协与体验重构——它把Python虚拟环境封装进exe、把Redis服务静默集成、把模型加载路径预设为用户文档目录、甚至把飞书/微信接入所需的Webhook回调地址自动生成并写入配置。这不是技术降级,而是把“部署复杂度”从用户侧转移到开发者侧,用打包时多花的20小时,换回1000个用户节省下的20000小时。你不需要知道 uvicorn 和 fastapi 的区别,也不用查 redis.conf 里 bind 127.0.0.1 是否该放开;你只需要确认自己电脑上装了.NET Framework 4.8(Win10/11默认自带)和至少4GB空闲内存,然后双击 openclaw-setup.exe ,等待进度条走完,浏览器打开 http://localhost:8000 ,就能看到控制台界面。这种“开箱即用”的确定性,在国产AI工具生态里,比任何炫技的API文档都更有说服力。

2. 为什么必须是“Windows原生”而非WSL或Docker?一次真实产线故障复盘

去年底,某政务AI助手项目上线前72小时,团队突然发现原定基于Docker Compose的OpenClaw部署方案在客户现场彻底失效。原因很“Windows”:客户内网策略禁用了Hyper-V,导致Docker Desktop无法启动;而WSL2虽然可用,但其默认的DNS解析会绕过客户内部的DNS代理服务器,导致OpenClaw调用政务云API时始终超时。临时切回纯Windows方案?当时连Redis的Windows版安装包都找不到官方维护的最新稳定版(微软早在2016年就停止了官方支持),社区版又存在内存泄漏风险。最终我们花了36小时紧急重写启动脚本,将Redis替换为轻量级嵌入式数据库LiteDB,并用Windows服务方式托管核心进程——这直接催生了现在OpenClaw Windows一键包里的 redis-embedded.exe 模块。

这件事让我彻底认清一个现实:在国产政企、教育、制造业等主力应用场景中,“Windows原生”不是备选,而是刚需。Docker在Windows上的抽象层太厚,WSL2的网络栈太“黑盒”,而原生Windows进程则完全暴露在管理员视野下:你可以用任务管理器看内存占用,用资源监视器查网络连接,用事件查看器读错误日志,甚至用ProcMon抓取文件访问行为。更重要的是,Windows服务机制天然支持开机自启、崩溃自动重启、用户会话无关运行——这些特性对一个需要7×24小时待命的AI助手而言,比容器编排的优雅语法重要十倍。

所以OpenClaw Windows一键包的技术选型逻辑非常清晰:

  • 核心服务 :用Python 3.11 + PyInstaller打包为单文件exe,避免用户安装Python环境;
  • 缓存与队列 :集成Microsoft官方维护的Redis for Windows(v7.2.5 LTS版),而非社区魔改版,确保长期稳定性;
  • Web服务 :采用Uvicorn + FastAPI,但启动器封装为 openclaw-service.exe ,通过Windows服务控制台注册,支持 sc start openclaw 命令管理;
  • 模型加载 :默认启用 llama.cpp 后端,所有量化模型(GGUF格式)均预编译为x64 AVX2指令集,实测在i5-8250U笔记本上推理Qwen2-1.5B速度达8.2 tokens/s;
  • 配置中心 :所有 .env 变量被注入到Windows注册表 HKEY_LOCAL_MACHINE\SOFTWARE\OpenClaw 下,既避免配置文件被误删,又方便组策略统一管控。

提示:如果你在企业环境中部署,请务必在运行安装包前以管理员身份启动CMD,否则Windows服务注册会失败。这是Windows UAC机制的刚性约束,不是OpenClaw的缺陷。

3. 一键包内部结构解剖:那些你双击后自动发生的23个关键动作

当你双击 openclaw-setup-1.3.0-win64.exe 时,表面上只是进度条在走,但后台其实完成了23个精确编排的原子操作。理解这些步骤,是你后续排查问题、定制化部署、甚至参与贡献代码的基础。我把它拆解为四个阶段,每个阶段都有不可跳过的校验点:

3.1 环境预检阶段(耗时<3秒)

安装程序首先执行三项硬性检查:

  1. 系统版本探测 :调用 GetVersionExW API确认OS版本≥Windows 10 1809(因依赖Schannel TLS 1.2+);
  2. 内存阈值验证 :通过 GlobalMemoryStatusEx 读取 ullTotalPhys ,确保物理内存≥4GB(低于此值会强制启用 --low-memory-mode 参数);
  3. 磁盘空间扫描 :检查系统盘剩余空间是否≥2.1GB(含Redis数据目录、模型缓存、日志文件预留)。

注意:若检测失败,安装程序不会静默退出,而是在桌面生成 openclaw-precheck-fail.log ,明确列出失败项及修复建议(例如“检测到3.8GB内存,建议关闭Chrome浏览器后重试”)。

3.2 静默部署阶段(耗时12~45秒,取决于SSD速度)

此阶段完全无GUI交互,所有操作通过 CreateProcessW 以 CREATE_NO_WINDOW 标志静默执行:

  • 解压 runtime.zip 到 %PROGRAMFILES%\OpenClaw\runtime\ ,包含预编译的Python解释器、 uvicorn 、 fastapi 等依赖;
  • 将 redis-embedded.exe 及配套 redis.windows.conf 复制到 %PROGRA
Windows本地智能体一键部署:OpenClaw 5分钟落地实践 本地智能体(Local Agent)是近年来AI工程化落地的关键形态,指在用户设备端完成感知、决策与执行闭环的自主AI系统。其核心原理依赖轻量化模型推理、系统级API集成与可视化工作流编排,技术价值在于保障数据主权、规避网络延迟、满足企业合规要求。典型应用场景包括办公自动化(如Excel处理、邮件发送)、内部知识问答、日志分析与报表生成等。OpenClaw作为专为Windows优化的本地AI智能体框架,采用.NET 6自包含部署,内置量化模型与57个预置技能,真正实现‘零Python环境依赖’与‘开箱即用’ 阅读详情

相关推荐

OpenClaw:面向Windows的国产智能体框架实战指南

智能体(Agent)是大模型落地办公场景的核心载体,其本质是将推理能力封装为可调度、可协同、可持久化的软件实体。在国产化替代与本地化部署双重驱动下,基于Windows生态的轻量级Agent运行时成为关键基础设施。OpenClaw作为专注中文开发者体验的开源框架,通过PowerShell原生集成、GGUF量化模型支持、飞书Skill协议深度适配等设计,有效 bridging 了强推理模型(如DeepSeek)与企业级办公环境之间的鸿沟。它不替代大模型,而是构建模型能力与Windows系统能力(WMI、事件日志

weixin_30457551的博客 483

OpenClaw Windows一键部署:本地AI智能体落地实践指南

本地AI智能体是指在用户终端设备(如Windows PC)上离线运行、自主调用大模型并集成办公工具的智能代理系统。其核心原理是将模型推理、服务编排与工具链(如Excel解析、浏览器自动化)深度融合,通过依赖固化与单进程架构规避环境冲突。技术价值在于实现数据不出域、低运维门槛与中文场景深度适配,显著提升法务、财务、运营等岗位的重复性任务处理效率。典型应用场景包括PDF财报摘要生成、会议录音转纪要、多平台订单OCR归集等。OpenClaw正是面向Windows桌面场景深度优化的代表方案,以‘一键部署’封装了GG

weixin_28224217的博客 361

Windows原生环境部署OpenClaw AI智能体框架全攻略

AI智能体(AI Agent)作为大语言模型(LLM)能力落地的关键技术范式,通过将LLM与标准化技能(Skill)、工具(Tool)相结合,实现了从意图理解到自主任务执行的自动化闭环。其核心原理在于利用LLM的规划与推理能力,动态调用预定义或可扩展的工具集,完成复杂工作流。这一架构为自动化办公、数据分析、软件操作等场景提供了强大的技术支撑,显著提升了任务执行的智能化水平。本文聚焦于开源AI智能体框架OpenClaw在Windows原生环境下的部署实践,针对其依赖的Python环境、Redis服务及本地大模

weixin_30580341的博客 390

OpenClaw:Windows本地AI智能体运行时一键部署方案

本地AI智能体运行时是面向终端用户封装大模型能力与自动化任务执行的轻量级执行环境,其核心原理在于环境隔离、技能契约化与原生可执行封装。相比Docker等通用容器方案,它通过Windows原生技术栈(App Execution Alias、PowerShell校验、预编译二进制)实现零依赖、免配置、高确定性的部署体验,显著降低非技术人员使用门槛。技术价值体现在企业级交付的可重复性、安全审计友好性及跨设备一致性。典型应用场景包括办公自动化(Excel处理、邮件解析)、文档智能(PDF条款提取)、工业数据采集(内

weixin_34221073的博客 798

OpenClaw Windows一键部署:本地AI智能体开发入门指南

AI智能体(AI Agent)是一种能自主规划、调用工具并执行多步任务的智能系统,其核心在于工作流引擎而非单纯的大模型推理。OpenClaw通过封装Python运行时、预编译依赖与图形化界面,将复杂AI工程简化为Windows原生可执行体验,显著降低本地AI智能体开发门槛。它支持YAML定义工作流、本地/远程模型灵活接入、实时调试控制台等关键能力,使开发者无需Docker或Linux基础即可完成从Prompt设计到端到端验证的闭环。尤其适配高校教学、独立开发与企业轻量验证等对数据隐私、部署确定性与快速迭代有

weixin_33985679的博客 423

Windows一键部署本地AI智能体:OpenClaw图形化安装指南

AI智能体是让大语言模型具备任务规划、工具调用与自主执行能力的运行时框架,其核心原理在于将复杂工作流拆解为可调度的技能节点,并通过本地推理引擎闭环处理数据。相比依赖云端API或Docker容器的方案,本地AI智能体具备隐私可控、低延迟、离线可用的技术价值,特别适用于政务、金融、中小企业等对数据不出域有强要求的场景。当前主流落地难点集中在Windows环境下的Python依赖冲突、CUDA驱动兼容性及GUI用户友好性缺失。本文聚焦‘Windows原生+零命令行+图形化引导’这一关键路径,详解如何通过预置运行时

weixin_30920513的博客 447

Windows原生部署OpenClaw AI智能体:从环境配置到安全实践

在 Windows 生态中引入新的开源工具或智能体框架,往往伴随着效率提升的期待与安全风险的隐忧。OpenClaw 作为一个近期受到关注的 AI 智能体项目,其宣布支持 Windows 原生环境,为开发者提供了一个在本地运行和开发 AI 智能体的新选择。这不仅仅是多了一个工具,更是对现有 AI 应用开发、部署和运维模式的一次具体实践。对于希望将 AI 能力集成到现有 Windows 工作流中的开发者、运维工程师以及对 AI 智能体技术感兴趣的爱好者而言,理解如何在 Windows 上安全、稳定地部署和使用

weixin_31062533的博客 270

OpenClaw:Windows原生AI智能体一键部署方案

AI智能体是具备感知、规划、工具调用与长期记忆的自主任务执行系统,其核心在于脱离云端依赖、实现本地化推理与决策闭环。随着大模型轻量化和边缘算力普及,如何在Windows环境零配置运行完整Agent架构成为开发者与企业IT的关键需求。OpenClaw正是面向这一场景的工程化实践——它不依赖Docker、WSL或Python虚拟环境,而是以Rust构建静态链接运行时,通过NSIS+PowerShell实现纯Win32一键安装,并内置GPU自适应调度、技能YAML声明式编排、三层硬隔离等机制,真正让AI智能体落地

weixin_32771907的博客 244

OpenClaw Windows一键部署:自包含智能体运行时详解

智能体(Agent)开发环境部署是当前AI工程化落地的关键瓶颈,尤其在Windows平台长期面临Python版本碎片、Redis配置复杂、Docker性能不稳定等系统级挑战。OpenClaw提出‘全栈进程内集成’架构,通过Rust守护进程嵌入Python 3.11、精简Redis及SQLite,实现免安装、免PATH、免UAC的自治运行时。其技术价值在于将环境依赖收敛为单个可执行文件,显著提升启动确定性与IPC实时性,适用于金融响应、IM机器人、本地大模型编排等低延迟场景。本文深入解析其Windows原生服

weixin_30595035的博客 321

OpenClaw Windows一键部署:面向办公场景的本地智能体运行环境

OpenClaw是一种面向业务流程自动化的开源AI智能体(Agent)框架,其核心能力在于将大模型能力与Excel处理、PDF解析、API调用等实际办公任务深度结合。在Windows桌面端落地时,需突破Python环境隔离、Redis嵌入式服务、UAC权限适配、中文路径兼容等典型技术瓶颈。本方案摒弃Docker依赖,采用原生Windows服务封装与PowerShell自动化部署,实现双击即用、故障自愈、卸载干净的技术体验,显著降低非技术人员使用门槛。适用于行政、财务、法务、运维等需高频处理结构化文档与重复性

weixin_34245082的博客 411

OpenClaw智能体平台:一键部署与专家Skill工程化实践

智能体(Agent)是大模型落地的关键范式,其核心在于将AI能力封装为可复用、可编排、可治理的标准化单元。OpenClaw通过统一ModelProvider抽象、声明式Skill注册机制和YAML驱动的工作流引擎,系统性解决了模型网关配置复杂、工具管理混乱、工作流难维护等工程瓶颈。它不依赖特定大模型,而是聚焦于能力调度层,让业务逻辑与模型实现解耦,显著降低本地化部署门槛与运维成本。典型应用场景包括工业质检流水线、监管报送自动化、AI口播视频生成等需多步骤协同的垂直任务。本文深入解析其一键部署原理、Skill

过客阵营 -- 简单的就要最简单 674

OpenClaw本地智能体平台:PowerShell驱动的Windows原生部署指南

智能体平台是当前AI工程化落地的关键基础设施,其核心在于将大模型能力封装为可调度、可编排、可集成的标准化单元。OpenClaw正属于这一类轻量级本地智能体运行时,它不聚焦模型训练,而专注技能(Skill)定义、PowerShell原生执行与多端服务桥接。依托Windows深度集成能力,它通过YAML声明技能逻辑、PowerShell调用本地资源(注册表/WMI/COM)、Web UI或飞书/微信Bot暴露接口,显著降低AI能力在企业内网与国产桌面系统(如统信UOS)中的部署门槛。本文详解其2026.3.23

weixin_33508411的博客 315

OpenClaw:Windows一键部署的轻量级AI智能体工作流引擎

智能体(Agent)工作流是当前AI工程化落地的核心范式,其本质是将大模型能力封装为可编排、可调度、可观测的任务单元。OpenClaw聚焦中文办公场景,采用单体可执行文件+嵌入式SQLite+YAML声明式技能定义的技术路径,显著降低Agent本地化部署门槛。相比Dify、Langflow等依赖Docker和云原生栈的方案,它规避了Windows下Docker Desktop安装复杂、Redis配置困难等高频痛点,真正实现‘下载即用、双击启动、填空生效’。适用于需快速验证AI自动化价值的产品、运营、财务及售

conghuang7343的博客 1300

cesium 高程数据使用

cesium 高程数据使用高程数据下载高程数据切片简单数据服务 高程数据下载 使用地理空间数据云平台免费提供的高程数据。地理空间云平台 点击列表中的下载得到数据压缩包。例如:ASTGTM2_N22E114.zip 高程数据切片 使用cesium实验室工具对下载得到的压缩包进行切片。cesium实验室 切片得到的文件夹目录。 简单数据服务 使用nodejs的koa启动简单的资源服务。koajs 项目根目录新建data文件夹,在新建dem文件夹放高程数据。 注意目录自行更换,这里是./data/dem

哎哟这个凉白白的博客 1816

海康视觉通讯配置实战:TCP与Modbus协议深度解析

本文深度解析海康视觉系统与PLC通讯的实战配置,聚焦TCP与Modbus两大核心协议。详细阐述了TCP协议如何实现精准触发拍照,包括服务器端配置、数据转换(字符串与十六进制)的关键技巧与避坑指南;同时详解了Modbus协议用于读写PLC寄存器的配置方法、变量绑定及数据类型匹配。文章结合典型应用场景与高级调试技巧,旨在帮助工程师快速打通视觉系统与自动化设备间的数据通道。

m2n3o4p5的博客 844

跨阻放大器(TIA)的输入输出阻抗的定义、分析和影响因素

跨阻放大器(Transimpedance Amplifier,简称TIA)是一种常用于将电流信号转换为电压信号的放大器。在TIA电路中,输入阻抗是指输入端对电流信号的响应能力,输出阻抗是指输出端对负载电阻的驱动能力。本文将分别介绍TIA的输入和输出阻抗的定义、分析以及影响因素。

weixin_44378594的博客 1万+

在linux上本地大模型部署与推理

您的Python脚本(客户端)可能在您的个人电脑上,而模型服务(服务器)在远程Linux服务器上。如果您的服务器有强大的NVIDIA GPU,并且您对性能有更高的要求(例如需要高吞吐量),vLLM是更好的选择。这种方式无需向公网暴露服务器端口,而是通过加密的SSH通道将服务器的端口“映射”到您的本地电脑上。我们将启动一个API服务器,它会加载您指定的模型,并等待您的代码前来调用。如果您直接在SSH窗口运行上面的命令,一旦您关闭窗口,服务就会停止。这是根据您的原始代码修改的版本,适配本地vLLM服务。

frostmelody 全网同名,大家多多关注呀~ 持续分享优质内容! 2070

UniApp与ESP32进行低功耗蓝牙通信(BLE)的具体代码实现

在物联网应用中,ESP32 作为一款功能强大的微控制器,支持低功耗蓝牙(BLE)通信,常用于智能设备的数据传输。本文将介绍如何使用 UniApp 与 ESP32 进行 BLE 通信,实现设备扫描、连接、数据发送与接收。ESP32 作为 BLE 外设,提供服务 UUID 和特征 UUID,UniApp 作为 BLE 中心,连接并读写数据。通过 UniApp 与 ESP32 进行 BLE 通信,我们可以实现设备发现、连接、数据传输等功能。该方案适用于智能硬件、健康监测设备等应用,具有低功耗、低成本的优势。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 712

SRS流媒体服务器在Windows下的安装

在之前的流媒体开发中(视频会议),我基本上使用nginx加模块的方式进行学习、测试,正式开发的时候改为服务器端用EasyDarwin,客户端用rtsp-simple-server(这些流媒体服务器的用法见我以前的博文),这样可以充分利用客户端的资源,降低服务器端的压力。在流媒体协议方案,我选择相对较快的rtsp。这个协议优点是支持UDP协议,优化好的环境下可以实现3秒以下的延迟,基本满足甲方要求,缺点就是不支持网页播放。

dgnankai的专栏 2026

【Docker】完美解决拉取镜像超时报错:ERROR: Get https://registry-1.docker.io/v2/

因为我们下载的镜像是外网的镜像资源,所以下载的速度会非常的慢,甚至大概率下载时会报错,所以需要我们配置一个国内的服务器镜像地址,国内服务器镜像地址有很多,这里咱们就说一下阿里镜像加速器的配置方法。

liu_chen_yang的博客 12万+

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

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")

上一篇: 企业微信自建应用消息收发:3 种消息类型(文本/图片/文件)的接收与被动回复实现
下一篇: Trae移动端:轻量智能开发神经末梢的架构演进
congtaixiao7151
博客等级 码龄11年 5粉丝 194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  | 博主筛选后可见
 
 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
⌂ 换网址