基于大模型最大化电力交易收益(策略与代码实践)

电力市场是一个复杂、动态且充满不确定性的竞技场。随着可再生能源占比提升,市场的波动性加剧,传统的交易策略已难以持续盈利。大型语言模型(LLM)及其多模态能力的出现,为交易员提供了一个前所未有的“超级大脑”,能够从海量异构数据中挖掘洞察、预测风险、并执行复杂的交易策略,从而显著提高交易收益。

一、 电力交易的核心挑战与LLM的破局点

传统挑战:

  1. 多维度预测难题: 需精准预测电价、负荷、新能源出力,这些因素相互耦合,受天气、政策、燃料价格等影响。

  2. 海量非结构化信息: 政策公告、设备检修新闻、天气报告、社交媒体舆情等文本信息难以被量化并纳入传统模型。

  3. 复杂策略制定: 需要在电能量市场、辅助服务市场、跨区交易等多个市场中协同决策,策略空间巨大。

  4. 实时风险管控: 市场条件瞬息万变,需要对持仓、敞口进行动态监控和调整。

LLM的破局优势:

  • 信息抽取与总结: 自动从文本、报告中提取影响市场的关键事件(如“某燃气电厂突发停机检修”)。

  • 因果推理与场景构建: 理解事件之间的因果链(如“极端寒潮 -> 天然气需求激增 -> 气电成本上升 -> 边际电价上涨”),并推演多种可能的市场场景。

  • 策略生成与回溯: 根据市场条件,生成或优化交易策略,并能用自然语言解释策略逻辑。

  • 实时决策支持: 作为交易员的智能副驾,提供实时警报、解读和市场建议。

二、 构建基于大模型的智能交易系统架构

下面我们以一个集成化的系统为例,分解其核心模块与代码实践。

模块一:市场情报感知与理解器

此模块负责从非结构化数据中提取交易信号。

import openai
from langchain.schema import Document
from langchain.document_loaders import WebBaseLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.prompts import ChatPromptTemplate

class MarketIntelligenceAnalyzer:
    def __init__(self):
        self.loader = WebBaseLoader
        self.prompt_template = ChatPromptTemplate.from_messages([
            ("system", """你是一名资深的电力市场分析师。请从以下文本中提取影响电力市场(尤其是电价)的关键信息。
            请专注于以下实体和事件类型:
            - 发电设备: 停机、检修、重启
            - 燃料: 价格变动、供应中断
            - 政策: 新的补贴、碳价、市场规则
            - 天气: 极端天气预警、长期气候展望
            - 需求: 大型工业活动、节假日安排
            请评估事件的影响方向(看涨/看跌)、影响程度(高/中/低)和影响时效(短期/中期/长期)。"""),
            ("user", "文本内容:{document_content}")
        ])
    
    def analyze_news(self, url):
        """从新闻URL中分析市场情报"""
        loader = WebBaseLoader(url)
        documents = loader.load()
        text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
        docs = text_splitter.split_documents(documents)
        
        insights = []
        for doc in docs:
            prompt = self.prompt_template.format_messages(document_content=doc.page_content)
            response = openai.ChatCompletion.create(
                model="gpt-4",
                messages=prompt,
                temperature=0
            )
            analysis = response.choices[0].message.content
            insights.append(analysis)
        
        return "\n".join(insights)

# 使用示例
analyzer = MarketIntelligenceAnalyzer()
news_insight = analyzer.analyze_news("https://example-energy-news.com/gas-plant-outage")
print(news_insight)

输出示例:

- 事件:XX区域800MW燃气机组突发停机检修。
- 影响方向:强烈看涨。
- 影响程度:高。该机组是区域内的边际定价机组,其缺失将直接推高清算电价。
- 影响时效:短期(预计持续48小时)。
模块二:融合LLM的短期电价预测

将非结构化情报与结构化数据结合,进行更精准的预测。

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor

class EnhancedPricePredictor:
    def __init__(self, llm_client):
        self.llm = llm_client
        self.model = RandomForestRegressor(n_estimators=100)
        self.is_trained = False
    
    def create_llm_features(self, historical_data, news_insights):
        """使用LLM将文本情报量化为特征向量"""
        prompt = f"""
        给定以下市场情报和历史电价数据,请为接下来的24小时电价走势生成一个数值化的特征向量。
        
        市场情报:
        {news_insights}
        
        请输出一个JSON对象,包含以下字段:
        - sentiment_score: 市场情绪分数 (-10 极度看空 到 +10 极度看涨)
        - volatility_forecast: 预期波动率 (1-10)
        - key_driver: 主要驱动因素的分类编码 (1: 供应, 2: 需求, 3: 燃料, 4: 政策, 5: 天气)
        """
        response = self.llm.chat.completions.create(messages=[{"role": "user", "content": prompt}])
        # 解析LLM的JSON输出
        llm_features = self._parse_llm_response(response.choices[0].message.content)
        return llm_features
    
    def predict(self, historical_features, news_insights):
        """进行电价预测"""
        # 1. 获取LLM生成的特征
        llm_feature_vector = self.create_llm_features(historical_features, news_insights)
        
        # 2. 将LLM特征与传统特征(历史价格、负荷、天气数值等)拼接
        combined_features = np.concatenate([historical_features, llm_feature_vector])
        
        # 3. 使用机器学习模型进行预测
        if self.is_trained:
            predicted_price = self.model.predict(combined_features.reshape(1, -1))
            return predicted_price[0]
        else:
            # 如果没有训练,返回一个基准预测
            return historical_features[-1]  # 最后已知价格

# 使用示例
predictor = EnhancedPricePredictor(llm_client)
historical_data = np.array([...])  # 过去24小时的价格、负荷、风速等
prediction = predictor.predict(historical_data, news_insight)
print(f"预测下一时段出清电价: {prediction:.2f} 元/MWh")
模块三:自适应交易策略生成器

这是核心,LLM根据市场状态动态生成或调整策略。

class TradingStrategyGenerator:
    def __init__(self):
        self.prompt_template = ChatPromptTemplate.from_messages([
            ("system", """你是一个高收益的电力交易策略专家。根据提供的市场分析和预测,生成具体、可执行的交易策略。
            策略需要考虑以下维度:
            - 目标市场:电能量市场(日前/实时)、调频辅助服务市场。
            - 头寸方向:买入/卖出。
            - 头寸规模:基于风险预算和预测置信度。
            - 时机:报价时间点。
            - 风险管理:止损/止盈条件。

            请用以下JSON格式输出:
            {{
                "strategy_name": "策略名称",
                "reasoning": "策略逻辑推理",
                "market": "目标市场",
                "action": "buy/sell",
                "quantity_mwh": 数量,
                "bid_price": 报价价格,
                "confidence": 置信度,
                "risk_parameters": {{
                    "stop_loss": 止损价,
                    "take_profit": 止盈价
                }}
            }}
            """)
        ])
    
    def generate_strategy(self, market_analysis, price_forecast, portfolio_context):
        """生成交易策略"""
        prompt = self.prompt_template.format_messages(
            market_analysis=market_analysis,
            price_forecast=price_forecast,
            portfolio_context=portfolio_context
        )
        
        response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=prompt,
            temperature=0.1  # 低温度保证策略稳定性
        )
        strategy = json.loads(response.choices[0].message.content)
        return strategy

# 使用示例
strategy_generator = TradingStrategyGenerator()
market_analysis = f"""
市场情报:{news_insight}
预测结论:未来24小时内,电价将因供应紧张而显著上涨,预计均价上涨幅度在30%以上。
"""
portfolio_context = "当前现金余额:500万元,无多头头寸,风险承受度:中等。"

trading_strategy = strategy_generator.generate_strategy(market_analysis, price_forecast, portfolio_context)
print("生成的交易策略:", json.dumps(trading_strategy, indent=2, ensure_ascii=False))

输出示例:

{
  "strategy_name": "日前市场多头突击",
  "reasoning": "鉴于XX燃气机组突发停机,且无其他备用容量补充,预计日前市场出清价格将大幅飙升。当前持仓风险较低,适合建立多头头寸。",
  "market": "日前市场",
  "action": "buy",
  "quantity_mwh": 100,
  "bid_price": 680.0,
  "confidence": 0.88,
  "risk_parameters": {
    "stop_loss": 620.0,
    "take_profit": 750.0
  }
}
三、 实战收益提升场景
  1. 捕捉事件驱动型机会: 在设备故障、燃料价格突变等新闻发布后,系统能在几分钟内完成分析、预测并生成交易策略,远快于人工反应。

  2. 跨市场套利: LLM能理解日前与实时市场的价差关系,以及电能量与辅助服务市场的联动性,生成复杂的套利组合策略。

  3. 动态风险管理: LLM实时监控持仓和市场情况,一旦市场情报转向(如“机组提前恢复运行”),能立即提示风险并建议平仓或对冲。

四、 关键实施考量
  • 数据质量与实时性: 建立稳定、低延迟的数据管道是系统成功的基础。

  • 模型验证与回溯测试: 任何由LLM生成的策略都必须经过严格的、基于历史数据的回测。

  • 人机协同: 系统应设计为“决策支持系统”,最终交易指令由人类交易员确认后发出,确保可控性。

  • 成本控制: 大规模使用LLM API会产生成本,需对查询进行优化,并对收益与成本进行核算。

2025年量化交易平台对比:付费与开源方案深度分析 国内主流付费量化交易平台可依据“功能复杂度-价格梯度”划分为新手友好型、中高级应用型及机构专业型三大类,均具备显著的本土化优势,包括深度整合A股/期货交易接口、符合国内合规要求的实盘通道及本地化行情数据支持。一、新手友好型平台:低门槛与标准化工具该类平台以降低量化入门门槛为核心,通过简化编程逻辑、提供可视化工具及固定费用模式吸引初级用户。典型代表包括文华财经WH8、恒生Ptrade及金字塔决策系统(基础版)。文华财经WH8。 阅读详情

相关推荐

气象数据:从成本中心到利润引擎——我们如何为能源巨头年省数亿?

摘要:传统上被视为运营成本的气象服务,正通过技术创新转变为企业的"利润引擎"。某能源巨头通过部署融合精细化气象预报与AI的智慧决策系统,实现了显著效益:发电预测准确率提升15%,考核罚款减少80%,年均节省数亿元;同时优化电力交易策略,提升度电收益2%-5%。该系统将气象数据深度融入发电、输电、交易全链条,从被动应对天气转变为主动驾驭天气,使气象服务从成本中心转型为战略级的创收工具。

专注AI大模型,软件混淆,授权 1378

数字孪生与智能体融合:智慧电力从可视化到自主决策的演进与实践

数字孪生技术通过构建物理实体的虚拟映射,实现了对复杂系统状态的高保真刻画与实时监控,其核心价值在于为数据驱动决策提供了直观的“战场沙盘”。随着人工智能技术的演进,智能体(Agent)作为具备感知、决策与执行能力的自治程序,为数字孪生注入了“大脑”,使其从静态呈现跃升至动态分析与自主干预。这种融合技术在工程实践中,通过集成规则引擎、机器学习模型与大语言模型(LLM),能够有效应对电网调度、设备运维等场景中海量、多源数据的处理与复杂决策挑战。其最终技术价值体现在推动电力系统从被动响应转向主动预警与优化,实现源网

weixin_34293141的博客 1862

基于大语言模型的交易策略感知型电价预测方法研究

本文提出了一种基于大语言模型(LLM)的交易策略感知型电价预测框架。该方法创新性地将数值型负荷数据与非结构化政策文本相结合,利用LLM强大的语义理解能力进行多模态预测。与传统时间序列模型不同,本研究设计了"策略感知损失函数",将电力交易中的非对称风险直接嵌入模型优化过程。实验结果表明,该方法在降低交易成本和提升夏普比率方面显著优于传统基准模型。研究提供了完整的理论推导、PyTorch实现方案和详细代码解释,为电力市场参与者提供了更符合实际交易需求的预测工具。

AI的内部世界的博客 103

基于“2026 年1 月1 日起新能源上网电量全部进入电力市场”新政,探讨大模型参与电力交易的路径与增收策略

海南等省份明确2026年起风电光伏项目需市场化竞争电价,南方区域电力市场机制持续完善,为新能源交易带来机遇与挑战。当前面临预测误差成本高、报价决策滞后、分布式资源碎片化等痛点。大模型技术可构建多模态预测引擎、智能竞价决策器和虚拟电厂调度系统,预期降低偏差罚款20-40%,提升电价收益3-8‰,实现年均430万元增益。建议分三阶段部署:单场站试点、跨站聚合、跨省套利,同时需应对模型过拟合、政策变更等风险。随着电力市场化进程加速,"大模型+聚合调度+强化学习"三位一体体系将成为新能源资产价值

专注AI大模型,软件混淆,授权 602

基于疾风大模型的新能源电力交易决策系统:方法、实现与案例分析

随着全球能源结构转型加速,新能源电力在电力市场中的交易规模不断扩大。传统交易决策方法主要依赖经验规则和简单统计模型,难以应对复杂多变的市场环境。本文将介绍如何利用疾风大模型(Gale Model)构建智能化的新能源电力交易决策系统,包含方法讲解、代码实现和实际案例。随着电力市场化改革深入和AI技术发展,基于大模型的交易决策系统将成为新能源企业的核心竞争力之一。A[数据层] --> B[特征工程]先使用历史数据回测(backtesting)B --> C[疾风大模型]C --> D[交易决策]

专注AI大模型,软件混淆,授权 982

山东电力市场新规落地,夏季套利与数字化运营的“黄金窗口”怎么抓?

山东电力市场监管升级,新型市场主体纳入监管体系,市场竞争格局重塑。新规下,储能、虚拟电厂等主体可在夏季负荷高峰通过峰谷价差、辅助服务等实现套利。大模型技术赋能电力交易,提供智能报价、风险预警和多市场协同优化,助力企业精准决策。电力市场参与者需结合新规,整合数据、构建模型,实现合规框架下的收益最大化。监管升级为市场竞争划定赛道,大模型将成为电力交易智能决策的关键工具。

专注AI大模型,软件混淆,授权 60

人工智能训练师技能等级认定四级技能考核试卷-样题1

本文为人工智能训练师四级技能考核试卷,包含六个实操考核项目,总分100分,考试时间150分钟。试卷涵盖数据处理、模型训练准备及系统维护等核心技能:1)垃圾分类数据集规范与处理(30分),要求评估数据格式并编写Python处理代码;2)学生成绩数据集分析(20分),涉及数据预处理、可视化及相关性分析;3)数据标注审核(10分),重点审核标注准确性;4)智能数据服务系统维护与优化(40分),包括安全帽数据集的项目创建、数据处理及平台协作。考核强调Python编程、数据处理平台操作及AI工作流程的实践能力。

weixin_42221934的博客 444

北京途游游戏后端开发面经

北京途游游戏后端开发面经 我面试岗位是基于Python的后端开发工程师,主要是搞游戏的服务器开发。面试一共分了两轮,之后说是看看其他的候选人再定,感觉凉凉~~ 由于受到此次新型冠状病毒疫情的影响,本次面试采用视频面试的方式,下面是面试的时候面试官提的问题,python的基础知识还是问的比较多的。  一面:(32分钟微信视频)  简单做下自我介绍,   1.说一下你开发过的项目,挑一个说下你都做了...

weixin_45603043的博客 2129

上机笔试题目:取出指定条件二维数组的子数组

取出指定条件二维数组的子数组: 1)传入参数为: 参数一:String[][]sArray2字符串二维数组 参数二:Stringkey字符串 参数三:StringkeyFormat含匹配符的字符串,如下:%0-%1,其中%x含义如为:一维数据列序号为x的值。 keyFormat 可以为 %0-%1-%2,%0-%3-%8-%x...... 例子如下...

91奔跑的蜗牛 638

告别sgmediation!Stata中介效应分析新选择:mediation包完整操作指南

本文介绍了Stata中介效应分析从传统sgmediation命令向mediation包的范式升级。重点阐述了如何使用medeff和medsens命令进行更严谨的因果推断,并执行关键的敏感性分析,以评估结果对未观测混杂的稳健性,为学术研究提供发表级的分析工具。

redis7keeper的博客 1163

计算机网络期末复习提纲(全知识点总结)

计算机网络期末复习提纲全知识点总结第一章 概述1.基本概念- 链路,结点,协议和服务,实体和对等实体,各层PDU- C/S模式,B/S模式,P2P模式- LAN,WAN,MAN,PAN的划分- 网络性能参数:速率,带宽,吞吐量,时延,往返时间,信道利用率2.互联网的组成(边缘部分与核心部分的作用)3.电路交换与分组交换,数据报交换和虚电路交换的特点4.TCP/IP体系结构,数据的封装与解封装第二章 物理层1.信号编码:不归零编码,曼切斯特编码2.影响信号失真程度的因素3.传输介质:双绞线,同轴电缆,光纤(单

mcyuuji的博客 8万+

Centos7系统添加中文支持(附中文语言包)

这里以centos7.6为例,在安装系统是没有选择中文,之后如果需要添加中文支持。在命令行执行后,会提示启动图形模式失败,转为启动文本模式。文本模式其实和图形模式差不多,操作需要用键盘而不是鼠标。在弹窗后,通过上下键选择Chinese(P.R of China) - 中文(简体):然后,按Tab键选择Yes,点击回车。rebootlocale可以看到系统语言已经变成了zh_CN.utf-8:之后,服务器上的中文名称就可以正常显示正常了。

悦分享 689

vue3 - 实现WebRTC播放实时rtsp视频流+NVR录像机回放,web前端浏览器网页播放RTSP推流,支持海康威视大华等摄像头/监控设备对接(监控摄像头录像及回放,拿到rtsp视频流如何处理)

vue3,webrtc-streamer,rtsp视频流,监控画面,nvr录像机,回放功能,监控摄像头设备,vue3播放Rtsp推流示例代码,前端如何在vue3项目中播放rtsp视频流,VUE中播放RTSP实时推流播放解决方案,vue3 webrtc播放rtsp视频流,vue3实现rtsp视频流浏览器实时播放,海康摄像机、NVR、流媒体服务器、回放取流RTSP地址,vue3+vite+ts 使用webrtc-streamer播放海康rtsp监控视频,播放海康rtsp监控视频,海康摄像机/录像机预览+回放RT

✅ 精选推荐文章 1万+

UG\NX二次开发 替换部件引用集UF_ASSEM_replace_refset

替换部件引用集UF_ASSEM_replace_refset,需要替换成“完整部件(Entire Part)”需要第三个参数传入空指针或者空字符串。

王牌飞行员_里海的博客 257

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")

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

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.

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

上一篇: 基于大模型实现更精准的超短期预测(代码实践篇)
下一篇: 能充电网 + 场景微电网 + 虚拟电厂网:星星充电“三网合一”如何打通“交通 × 能源”的最后一公里
非著名架构师
博客等级 码龄16年 1781粉丝 1141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

打赏作者

非著名架构师

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