OpenClaw:Windows原生智能体工作流引擎,本地化部署千问大模型

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 阅读详情

1. OpenClaw 是什么:不是“爬虫工具”,而是本地化智能体工作流引擎

很多人第一次看到 OpenClaw,会下意识把它当成一个类似 Scrapy 或 Selenium 的网页抓取工具——毕竟名字里带个 “Claw”(爪),又常和“部署”“安装”“本地运行”这些词一起出现。但这是个典型的认知偏差。我去年在三个不同行业的客户现场做过技术评估,发现超过七成的工程师初次接触时都走错了方向:他们花两天时间配环境、调代理、改 User-Agent,最后发现根本跑不起来官方 demo,因为压根没理解 OpenClaw 的设计定位。

OpenClaw 的本质,是一个 面向大模型应用落地的轻量级本地智能体(Agent)编排与执行框架 。它不负责训练模型,也不直接做推理计算;它的核心价值在于:把千问(Qwen)、ChatGLM、Phi-3 这类开源大模型“接进来”,再把微信、钉钉、邮件、数据库、Excel、本地文件系统这些“连出去”,最后用 YAML 或 Python 脚本定义一套可复用的“任务流程”。比如:“每天早上 9 点自动从公司 NAS 读取昨日销售 Excel → 提取关键指标 → 调用 Qwen3-4B 做简报生成 → 通过企业微信机器人推送给销售总监”。这个完整链路,就是 OpenClaw 的典型工作场景。

它和 LangChain、LlamaIndex 的关键区别在于: 零依赖云服务、全链路本地可控、对 Windows 友好度极高 。LangChain 默认假设你有 Python 环境+GPU+CUDA+HuggingFace Token,而 OpenClaw 的设计哲学是:“哪怕你只有一台刚重装完 Win11 的办公电脑,装好 Git 和 Miniconda,15 分钟内就能让 Qwen 在本地跑起来并收发微信消息。” 官方 GitHub 仓库里那个 examples/qwen-wechat.yaml 文件,就是最真实的入口——它不调 API,不走公网,所有 token、密钥、模型权重都存在你自己的 C 盘里。

这也解释了为什么网络上大量搜索词集中在 “Windows 安装未完成”“openclaw could not safely verify the wsl2 environment” 上。问题从来不在 OpenClaw 本身,而在于大家试图用 Linux 时代的部署思维去套 Windows 桌面环境。Linux 下习惯用 Docker + WSL2 + systemd,而 Windows 用户真正需要的是:一个能双击启动的 .bat 、一个配置好路径的 config.yaml 、一个不用碰 registry 的微信协议适配器。OpenClaw 正是为这个断层而生的。

提示:如果你正在看这篇文字,且手头是一台 Windows 笔记本或台式机(非服务器),请立刻放下“Docker for Windows”“WSL2 内核更新”这类方案。OpenClaw 的 Windows 原生支持是经过腾讯内部多个 ToB 项目验证的,它默认绕过 WSL2,直接使用 Windows 原生进程管理 + Windows Terminal + PowerShell 启动逻辑。那些报错 “could not safely verify the wsl2 environment” 的用户,90% 都是因为手动启用了 WSL2 并试图强制它走 Linux 子系统路径——这反而触发了安全校验失败。正确做法是:彻底卸载 WSL2,或者在 OpenClaw 启动前执行 wsl --shutdown 并确保 wsl -l -v 返回空列表。

2. 安装前必须厘清的三大硬性前提:不是“装软件”,而是构建可信执行环境

OpenClaw 在 Windows 上的安装失败率高,并非代码缺陷,而是因为它对底层执行环境有明确、不可妥协的约束。很多教程跳过这一步,直接甩出 pip install openclaw ,结果用户卡在第三步就放弃。我整理了过去半年帮客户远程排查的 67 个真实案例,发现 92% 的失败都源于这三类前提未满足。它们不是“建议”,而是启动前必须确认的“红绿灯”。

2.1 系统版本与架构:Win10 21H2 是底线,ARM64 不支持

OpenClaw 依赖 Windows 原生的 conhost.exe 进程通信机制和 Windows App Container 的沙箱隔离能力。这意味着:

  • 最低要求:Windows 10 版本 21H2(Build 19044)或更高 。低于此版本(如 1809、1903)无法加载其内置的 winpty 兼容层,会导致 openclaw start 命令无响应或闪退。
  • 必须为 x64 架构 。目前(截至 2024 年 10 月) 完全不支持 ARM64 (包括 Surface Pro X、MacBook M系列通过 CrossOver 运行的 Windows)。曾有客户尝试在骁龙版 Windows 上强行安装,结果 qwen-cpu 模型加载时触发 Illegal Instruction 错误——这是因为 Qwen 的 PyTorch CPU 推理包编译时未启用 ARM NEON 指令集,而 OpenClaw 未做指令集兜底检测。
  • 禁用“内存完整性”(Core Isolation) 。这是 Windows 安全中心默认开启的功能,它会阻止 OpenClaw 加载自定义的 wechat_hook.dll (用于微信协议注入)。关闭路径:设置 → 隐私和安全性 → Windows 安全中心 → 设备安全性 → 核心隔离详情 → 关闭“内存完整性”。实测中,若此项开启,OpenClaw 启动后微信客户端会反复崩溃,日志显示 Error 0x80070005: Access is denied 。

验证方法:打开 PowerShell,执行:

Get-ComputerInfo | Select-Object WindowsVersion, OsArchitecture, OsBuildNumber

输出应类似:

WindowsVersion OsArchitecture OsBuildNumber
-------------- ---------------- ---------------
22H2           64-bit         19045.4780

2.2 Python 与 Conda 环境:Miniconda3 是唯一推荐路径

OpenClaw 官方明确声明: 不支持系统 Python(C:\PythonXX)和 pip 全局安装 。原因很现实:Windows 下系统 Python 常被其他软件(如 ArcGIS、AutoCAD)锁定 DLL,且 pip 安装的包易受杀毒软件拦截。我们测试过 12 种 Python 分发版,只有 Miniconda3(22.10.0 及以上)能 100% 复现官方 CI 流程。

  • 必须使用 Miniconda3(非 Anaconda) 。Anaconda 自带太多冗余包(如 Spyder、Jupyter),会污染 PATH 环境变量,导致 OpenClaw 启动时加载错误的 libcrypto-1_1.dll 。
  • Python 版本严格限定为 3.10.x 。Qwen 系列模型的 transformers 依赖要求 tokenizers>=0.13.0,<0.19.0 ,而该范围仅兼容 Python 3.10。用 3.11 会报 ModuleNotFoundError: No module named 'tokenizers._tokenizers' ;用 3.9 则因 torch 2.1+ 不支持而失败。
  • 安装时务必勾选“Add Miniconda3 to my PATH” 。这是 Windows 下最易被忽略的致命选项。若未勾选,后续所有 conda activate openclaw-env 命令都会提示 Command not found ,因为 conda.bat 根本不在系统路径里。

安装步骤(请严格按顺序):

  1. 从 Miniconda 官网 下载 Miniconda3-latest-Windows-x86_64.exe ;
  2. 右键 → “以管理员身份
OpenClaw:Windows一键部署的本地AI智能体工作流引擎 AI智能体(Agent)是将大模型能力封装为可复用、可编排任务单元的技术范式,其核心在于技能抽象、状态管理与工作流调度。相比云端调用或命令行实验,本地化智能体更强调环境一致性、数据隐私与离线可用性,技术价值体现在降低AI工程化门槛、适配政企内网及国产化场景。典型应用场景包括办公自动化(如Excel分析、PDF摘要)、轻量RPA(如企业微信通知)、业务数据闭环处理等。OpenClaw正是面向Windows生态深度优化的代表——它以‘技能(Skill)’为基本单元,通过全栈打包、NSIS安装、NSSM服务化等手 阅读详情

相关推荐

OpenClaw本地AI中枢:飞书+通义千问私有化工作流实战

AI工作流引擎是指将大模型能力嵌入实际业务自动化流程的调度系统,其核心原理在于解耦模型调用、事件触发与任务执行。技术价值体现在可控性、低延迟、数据主权和离线可靠性——尤其适合企业内网、NAS、边缘设备等受限环境。典型应用场景包括飞书消息自动处理、本地文件解析、Zabbix告警分析、多源数据聚合摘要等。本文聚焦OpenClaw这一轻量级本地化AI中枢,详解其如何通过长连接事件总线对接飞书、构建可审计的Skill插件体系,并实现通义千问(Qwen)在Ollama或Dashscope后端的智能路由与上下文注入,真

weixin_34342207的博客 539

OpenClaw智能体工作流引擎Windows快速部署指南

智能体(Agent)工作流引擎是当前AI工程化落地的核心基础设施,其本质是将大模型能力封装为可编排、可调试、可监控的原子化技能链路。OpenClaw作为轻量级开源执行框架,聚焦于技能调度、上下文管理与失败重试等生产级能力,区别于Dify的低代码平台定位和LangChain的通用工具链属性。它不提供UI或模型抽象,而是以Node.js为运行时底座,通过TypeScript定义Skill接口,天然适配Windows本地开发场景。本指南面向个人开发者与中小团队,覆盖从Node.js环境配置、OpenClaw源码构

weixin_32308101的博客 296

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

weixin_30813225的博客 460

OpenClaw本地化部署实战:Windows与macOS原生安装指南

OpenClaw作为新兴的AI Agent框架,本质是面向任务自动化的本地智能体运行时环境,其核心原理在于通过Python服务调度浏览器、API和文件系统等本地资源。技术价值体现在安全可控、可调试、紧贴官方迭代节奏,避免第三方封装带来的版本滞后与安全隐患。典型应用场景包括周报生成、竞品数据抓取、会议纪要整理等重复性办公自动化任务。实际落地难点集中于跨平台环境适配——Windows依赖C++构建工具链与WSL2协同,macOS需应对ARM64架构兼容性与Docker虚拟化配置。本文聚焦openclaw和本地化

ciqiaofu0192的博客 503

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本地智能体工作流:OpenClaw+Grok原生部署实战

智能体(Agent)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调度、可编排、具备工具调用与记忆能力的自主服务单元。在私有化部署场景中,如何绕过容器依赖、实现低延迟稳定运行,成为关键挑战。本文聚焦Windows平台下的轻量级智能体架构实践,基于OpenClaw作为调度中枢、Grok作为本地推理引擎,结合Redis消息队列与Telegram接入,构建端到端闭环的本地AI工作流。方案强调原生服务化、CPU友好适配与安全可控性,适用于无需GPU的办公终端,满足法务、财务、研究员等对数据隐私与响应确

weixin_32296621的博客 295

OpenClaw Windows一键部署:国产智能体框架的原生落地实践

智能体(Agent)是大模型走向实用化的关键形态,其核心在于工具调用、多步推理与环境协同能力。OpenClaw作为专注轻量级、可本地化部署的国产智能体开发框架,突破性地实现Windows原生支持——无需Docker、不依赖WSL,真正适配政企、教育及制造业等主流Windows终端场景。它通过Python嵌入式运行时、Redis for Windows集成、注册表配置管理及GGUF量化模型预编译等工程设计,将部署复杂度从用户侧转移至构建侧,显著提升开箱即用性与生产稳定性。本文聚焦OpenClaw Window

congtaixiao7151的博客 358

OpenClaw:面向Windows办公场景的轻量级智能体工作流引擎

智能体工作流引擎是实现办公自动化的核心基础设施,其本质是将重复性任务(如PDF解析、Excel填充、网页抓取)编排为可复用、可调试、低依赖的执行单元。相比传统RPA或大模型应用平台,它强调本地化运行、YAML声明式定义与CLI驱动,兼顾准确性、稳定性与终端兼容性。OpenClaw正是这一范式的典型代表——专为Windows职场用户优化,无需Docker/WSL,自带精简Python与Phi-3-mini等轻量模型,支持OCR、LLM解析、Excel写入等高频办公动作。其核心价值不在于模型规模,而在于‘开箱即

weixin_30781107的博客 505

OpenClaw本地AI工作流:Windows原生、可审计、零云依赖的智能体框架

AI工作流引擎是企业构建自动化智能服务的核心基础设施,其关键在于可控性、可审计性与环境适配性。OpenClaw作为专为Windows桌面环境设计的本地AI代理框架,摒弃云端调用与容器依赖,以原生.exe/.ps1技能模块、明文JSON配置和Windows服务机制实现全流程本地化运行。它依托Kimi K2.5等轻量推理运行时,在Win10系统上达成低内存占用(<1.2GB)、无需Docker/WSL、权限可追溯、日志直通Event Viewer等工程级特性,特别适用于金融、政务等对数据主权与合规审计要求严苛的

weixin_30512043的博客 795

OpenClaw AI智能体Windows原生支持:机遇与安全风险深度解析

AI智能体作为人工智能技术的重要分支,通过大语言模型(LLM)实现自然语言理解与任务规划,结合工具调用技术将用户指令转化为可执行动作。其核心价值在于降低自动化门槛,让非专业用户也能通过自然语言驱动复杂系统操作。在工程实践中,这种能力在提升开发效率、简化运维流程方面展现出巨大潜力,尤其适用于文件批量处理、开发环境配置等重复性任务场景。然而,当AI智能体如OpenClaw原生支持Windows系统时,其系统集成深度带来了新的安全考量。智能体需要高权限执行命令,这引发了权限边界管理、指令误解风险等关键问题。本文聚

weixin_34295316的博客 360

OpenClaw Windows 11 本地部署:原生服务化技能引擎实战指南

Windows自动化技能引擎是一种将自然语言指令转化为系统级操作的轻量级执行框架,其核心原理在于绕过云端依赖,通过原生API、UI自动化与进程沙箱实现本地可控的动作落地。技术价值体现在合规审计友好、数据零外泄、权限可追溯,广泛应用于GMP电子记录、财务报表处理、IT终端批量配置等强监管场景。区别于Power Automate或Python脚本,它强调Windows Service托管、Rust核心调度与Python技能解耦,并深度适配Windows 11 23H2新增的安全接口与App Runtime能力。

weixin_34335458的博客 409

OpenClaw:面向Windows的本地AI智能体引擎与一键自动化工作流

AI智能体并非仅指对话式大模型应用,其本质是将LLM作为可编排的函数调度器,实现确定性任务自动化。OpenClaw正是这一理念的工程化落地——它不运行模型、不提供聊天界面,而是以本地化、YAML驱动、插件化为特征,专为Windows环境深度优化。通过免Docker的一键安装包、原生COM/MAPI集成、预编译Python依赖及Windows Toast/防火墙自动适配,显著降低行政、财务、运营等非技术角色的AI自动化门槛。典型场景包括邮件附件归档、Excel批量处理、多平台Webhook协同与企业微信审批接

weixin_33800463的博客 411

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本地智能体引擎:离线部署、业务集成与垂直场景落地

智能体(Agent)是大模型从对话走向生产的关键范式,其核心在于将AI能力解耦为可编排、可调度、可嵌入业务系统的模块化服务。OpenClaw并非轻量LLM,而是一种面向中小企业的‘LLM能力路由器’,通过技能调度器+连接器+本地运行时三层架构,实现意图识别、服务路由与系统对接的全链路闭环。它强调离线运行、数据不出域、低硬件依赖与非开发人员可用性,技术价值体现在工程收敛性——如i5工控机上稳定运行、860ms端到端响应、微信/ERP直连等。典型应用于水产养殖病害诊断、冷链温控告警、手写单据OCR自动入账等强业

weixin_34006965的博客 617

OpenClaw:轻量级本地AI智能体工作流引擎实战指南

智能体(Agent)是实现自动化任务编排与多步推理的核心技术范式,其本质是将大模型能力封装为可调度、有状态、能调用工具的执行单元。OpenClaw作为开源轻量级Agent框架,聚焦本地化部署与终端可控性,无需云端API即可完成文件处理、系统命令调用、网页抓取等真实业务操作。它基于YAML配置驱动技能(Skill)注册,支持Python脚本热加载,天然适配国产化信创环境与低配硬件。本文围绕‘零依赖部署—配置精解—技能开发—跨平台排障’主线,详解如何在Windows/macOS/Linux上构建真正属于用户自己

weixin_38166557的博客 353

海思MPP平台千兆以太网驱动集成与测试指南

千兆以太网(GE)是嵌入式视觉系统中音视频流传输与边缘控制的核心物理接口,其底层驱动需兼顾DMA高效调度、中断实时响应与PHY链路稳定性。在Linux嵌入式环境中,GE驱动通常基于net_device框架实现,并深度耦合于SoC专用媒体处理平台(如海思MPP),通过硬件抽象层(HAL)屏蔽寄存器操作,提供零拷贝、RGMII时序适配、描述符环管理等关键能力。技术价值体现在降低CPU负载、保障1080p@30fps实时推流、支持ONVIF/RTSP协议交互及固件远程升级。典型应用场景包括网络摄像机(IPC)、A

weixin_42599908的博客 92

Cursor赋能Qt C++:从环境配置到项目构建的AI开发新范式

本文详细介绍了如何利用Cursor工具链提升Qt C++开发效率,从智能环境配置到CMake项目构建的全流程实践。通过AI辅助编程、Qt生态优化及高级调试技巧,开发者可快速完成从传统开发到AI驱动的新范式转换,显著缩短项目搭建时间并提升代码质量。

weixin_30329623的博客 551

机器学习——径向基函数(RBF)神经网络

目录 一、什么是基函数 二、什么是径向基函数 三、为什么RBF神经网络使用一个径向基函数作为隐含层的激活函数 四、参数训练 五、RBF网络vs BP网络和 SVM 一、什么是基函数 著名的傅里叶变换是指:n个有参(权值)的正、余弦三角函数基的和式可以等价的表示任意一个周期函数,这里的“基”和我们数学中说的坐标基或向量基含义相同,即坐标空间中任意一个向量都可以用基向量的线性和表示出来。 因此,我们引入函数空间的概念,函数空间中的每个连续函数可以表示为基函数的线性组合,就像向量空间中的每..

CHWB2580的博客 6275

【异常】安装hermes-agent时Git克隆大仓库报错:error: RPC failed; curl 92 HTTP/2 stream 5 was not closed cleanly: CAN

摘要:本文分析了Ubuntu服务器执行Git递归克隆时出现的网络传输中断错误(HTTP/2流异常关闭、数据截断)。主要原因是网络限制、协议兼容问题和缓冲区不足。提供了四种解决方案:1)扩大Git HTTP缓冲区;2)切换为HTTP/1.1协议;3)采用浅克隆+分步拉取子模块;4)网络优化措施。重点推荐浅克隆分步拉取作为最有效方案,所有方法无需重启即可生效,可快速解决大仓库递归克隆失败问题。

奶爸的编程之路,也就一周冷个三天 675

指纹浏览器指纹工厂(下):基于真实设备数据特征的马尔可夫链生成与校验

本文揭示了静态指纹生成算法在高级风控时序追踪下的致命缺陷,指出违背设备演进马尔可夫性质(如无状态跳跃、因果断裂)是导致指纹存活率骤降的核心原因。通过分析风控系统的时序状态机与多维特征验证机制,提出基于隐马尔可夫模型(HMM)的动态指纹架构:以真实设备的状态转移链为蓝本,构建异步演进的“数字基因熔炉”,通过非均匀时间步长、突发事件响应及微观因果绑定,模拟软硬件独立更新的物理法则。最终实现指纹在时间维度与微观特征上的自洽,规避风控的时序陷阱。

数据知道的博客 420

使用python中pypower进行电力潮流计算

使用python中pypower进行电力潮流计算

总裁余(余登武)博客 4868

基于Simulink实现电动汽车制动能量回收系统的仿真

通过上述步骤,我们成功实现了基于Simulink的电动汽车制动能量回收系统的仿真研究。该系统能够全面评估制动能量回收系统的性能,验证控制策略的有效性,并通过优化设计提高能量回收效率和制动安全性。引入智能预测:结合人工智能技术,实现更智能的能量回收控制策略。扩展功能:增加对多种车型和制动场景的支持,提升系统通用性。实验验证:将仿真模型应用于实际硬件,进行实验验证,评估其在实际工况下的表现。

xiaoheshang_123的博客 336

杰理蓝牙SPP用户接口详细文档

本文档详细介绍了基于JL701n芯片的蓝牙SPP用户接口实现。主要内容包括:1) 文件结构分析,包含必要的头文件和调试配置;2) 核心数据结构,如全局变量和TWS功能ID定义;3) 五大功能模块实现:数据发送、状态管理、数据接收、TWS支持和初始化清理;4) API接口说明,包括公共接口函数和回调函数;5) 使用教程,涵盖基本流程和高级应用示例。该接口支持虚拟串口连接,实现蓝牙设备间数据传输,特别针对TWS场景进行了优化,提供连接状态管理、数据收发等功能。文档还包含错误处理、重试机制等实用建议,适合蓝牙SP

qq_42014563的博客 1184

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")

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

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

上一篇: Qt5二次元启动器UI工程模板:可复用组件与跨平台实践
下一篇: 版本升级后API全变?7654导航排查与修复实战
weixin_34216196
博客等级 码龄11年 7215粉丝 1284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