MCP协议桥接AdsPower:AI原生时代的浏览器自动化新范式

SpringBoot和Vue校园社团活动预算报销与物资借用系统源码 包含前后端源码、SQL初始化脚本和启动说明。JDK 17、Spring Boot、Vue;默认H2演示数据库。 立即下载

1. 项目概述:当RPA遇上MCP,一个浏览器自动化新思路的诞生

最近在折腾一个自动化项目,需要批量处理一些网页操作,比如登录、数据抓取、表单提交。这类需求,业内通常的解决方案是Selenium、Playwright或者Puppeteer。但这次情况有点特殊:我需要管理成百上千个独立的浏览器环境,每个环境都有自己独立的Cookie、本地存储和IP地址,模拟真实的、互不干扰的用户行为。直接上传统的WebDriver,光是管理这些隔离的浏览器实例,就足以让人头大。

就在我琢磨着怎么优雅地解决这个“浏览器指纹隔离”和“多实例管理”的难题时,一个开源项目进入了我的视野: AdsPower/local-api-mcp-python 。光看名字,它融合了三个关键元素:AdsPower(一个知名的指纹浏览器)、Local API(本地接口)、MCP(Model Context Protocol,一个新兴的协议)和Python。这立刻勾起了我的兴趣。简单来说,这个项目试图做一件事: 通过标准化的MCP协议,让任何支持MCP的AI助手(比如Claude Desktop、Cursor等)都能直接、安全地调用AdsPower指纹浏览器的本地API,从而实现用自然语言来驱动复杂的浏览器自动化流程。

这听起来有点“魔法”——你不需要写复杂的Selenium脚本,只需要对AI说“帮我在AdsPower里打开一个Chrome环境,访问xxx网站,登录我的账号,然后把第一页的商品标题抓取下来”,它就能帮你完成。但作为一个老码农,我深知“魔法”背后都是扎实的工程。这个项目真正的价值,在于它为我们提供了一种全新的、更灵活的浏览器自动化架构思路。它不是一个简单的API封装,而是一个 协议桥接器 ,将专有的本地服务(AdsPower Local API)转换成了开放的、AI原生时代的标准协议(MCP)。接下来,我就结合自己的实践,深入拆解一下这个项目的设计精妙之处、实操细节以及那些官方文档里不会告诉你的“坑”。

2. 核心架构与设计哲学拆解

要理解 local-api-mcp-python ,我们得先把它拆开来看,理解每个部分扮演的角色以及它们组合在一起产生的化学反应。

2.1 基石:AdsPower Local API 是什么?

AdsPower指纹浏览器本身是一个强大的客户端软件,它通过修改浏览器内核的诸多参数(如Canvas、WebGL、字体、时区、语言等),为每个浏览器配置文件创建独一无二的“指纹”,从而实现多账号防关联管理。其 Local API 是官方提供的一个HTTP服务,通常运行在本地机器的某个端口(例如 50325 )。通过向这个端口发送特定的HTTP请求,你可以远程控制AdsPower客户端执行几乎所有操作:创建/删除环境、启动/停止浏览器、打开网页、执行JavaScript脚本、获取页面数据等等。

这本身已经是一个功能完备的自动化接口。但它的使用方式是传统的“请求-响应”模式,你需要自己构造HTTP请求体,处理响应和错误。对于需要复杂逻辑编排的自动化任务,你依然需要编写和维护大量的胶水代码。

2.2 桥梁:Model Context Protocol (MCP) 又是什么?

MCP是Anthropic提出的一种开放协议,旨在标准化AI助手(模型)与外部工具、数据源之间的通信方式。你可以把它想象成AI世界的“USB协议”或“驱动模型”。一个实现了MCP协议的服务器(MCP Server)可以向AI客户端(MCP Client,如Claude Desktop)宣告:“我这里有一些工具(Tools)可以用,有一些数据(Resources)可以读。” AI客户端在理解了用户的自然语言指令后,可以自动选择并调用这些工具。

MCP的核心优势在于 解耦 和 标准化 。工具提供者(我们)只需要按照协议实现一个Server,任何兼容MCP的AI客户端都能立即使用这些工具,无需为每个客户端单独开发插件。

2.3 项目的核心价值:桥接与提效

现在来看 AdsPower/local-api-mcp-python 这个项目,它的本质就是一个 MCP Server 。这个Server内部封装了对AdsPower Local API的调用逻辑,并将这些调用能力“翻译”成了MCP协议定义的“Tools”(工具)和“Resources”(资源)。

举个例子,AdsPower Local API有一个接口是 api/v1/browser/start ,用于启动一个浏览器环境。在MCP世界里,这个项目会将它暴露为一个名为 ads_power_start_browser 的工具。当你在Claude Desktop里对AI说“启动我的亚马逊账号环境”,AI理解意图后,就会自动调用这个 ads_power_start_browser 工具,并传入对应的环境ID参数。项目中的MCP Server收到调用请求后,再将其转换为对本地 http://127.0.0.1:50325/api/v1/browser/start 的HTTP POST请求。

这种设计的精妙之处在于:

  1. 对AI友好 :AI无需理解AdsPower复杂的API文档,它只需要知道有几个简单的工具(启动浏览器、打开网页、执行脚本等)可用,并按协议调用即可。复杂的参数组装和错误处理被封装在MCP Server内部。
  2. 对开发者提效 :如果你已经用Claude等AI辅助编程,现在你可以直接用自然语言描述浏览器自动化任务,AI能直接驱动执行,极大缩短了“想法 -> 代码 -> 测试 -> 运行”的循环。对于快速原型、一次性任务或复杂流程探索,效率提升是数量级的。
  3. 架构清晰 :项目本身职责单一,就是做协议转换。它不关心AI客户端是什么,也不关心AdsPower未来API如何变化(只要适配层做好更新)。这种清晰的边界使得项目易于维护和扩展。

3. 环境准备与项目部署实操

理论讲完了,我们上手把它跑起来。整个过程可以分为几个步骤:准备AdsPower环境、配置Python、部署MCP Server、最后连接AI客户端。

3.1 AdsPower 本地API环境搭建

这是整个流程的基石。你需要一个已经安装了AdsPower客户端的机器,并且开启了Local API功能。

  1. 安装与启动AdsPower :从官网下载并安装AdsPower客户端。登录你的账号(通常用于同步环境配置)。
  2. 开启Local API :
    • 在AdsPower客户端中,找到设置(通常是一个齿轮图标)。
    • 在设置菜单中,找到“本地API”或“Local API”相关选项。
    • 开启本地API服务。你会看到一个端口号(默认是 50325 )和一个 API密钥 。这个密钥至关重要,用于验证所有请求,务必妥善保管。
    • 注意防火墙设置,确保该端口(如50325)允许本地连接。

注意 :AdsPower的Local API在免费版中可能有功能或调用频率限制。如果你需要进行大规模的自动化测试,请确认你的版本许可。另外,API密钥相当于你的账号密码,切勿泄露或提交到公开的代码仓库。

  1. 快速验证API是否通畅 :打开终端(命令行),使用 curl 命令测试。
    # 测试获取浏览器环境列表,将 your_api_key 替换为你的真实密钥
    curl -X POST http://127.0.0.1:50325/api/v1/browser/list \
         -H "Content-Type: application/json" \
         -d '{"key": "your_api_key"}'
    
    如果返回一个JSON格式的浏览器环境列表,说明Local API工作正常。

3.2 Python 环境与项目依赖安装

这个项目是Python写的,所以我们需要一个Python环境(建议3.8以上)。

  1. 克隆项目代码 </

短视频用户行为数据集(14列,173W记录)CSV 详情介绍:该数据集共1737312 条记录,14 个字段,UTF‑8 编码,是短视频平台的用户浏览行为日志。数据包含用户、作品、作者、地域、频道、时间、作品属性以及互动标签,like点赞字段可作为二分类建模目标变量。其中duration_time为作品本身时长,不等同于用户实际观看时长,不可混淆使用;可完成用户地域、作品地域、时段分布、频道偏好、点赞行为预测等分析,数据体量较大适合大数据、特征工程、二分类建模练习。 立即下载

相关推荐

基于结构核学习的批量高维贝叶斯优化Matlab代码.rar

基于结构核学习的批量高维贝叶斯优化Matlab代码.rar

rag-ext-part-00

rag-ext-part-00

材料科学一胜百模具钢选材指南:基于工况分类的塑料模冷作热作钢性能对比与应用方案

内容概要:本文是一份关于一胜百(ASSAB)模具钢的全面技术手册,系统介绍了其主要牌号分类、化学成分、硬度特性、热处理工艺及典型应用场景。手册将模具钢分为塑料模具钢、冷作模具钢、热作模具钢和粉末冶金高合金钢四大类,并针对不同工况提供选材建议,重点解析了如718H、S136、XW-42、VIKING、ELMAX、ASP60等常用牌号的性能差异与适用范围。同时,详细说明了在高速端子模、汽车高强钢模具等典型工况下的材料选择、EDM加工处理、去应力回火及镶件设计策略,强调根据实际需求平衡耐磨性、韧性与成本。; 适合人群:从事模具设计与制造的技术人员、材料工程师、热处理工艺师以及采购决策人员,尤其适用于对高端工模具钢有较高要求的工业领域从业者。; 使用场景及目标:①指导在不同成型工艺(如注塑、冲压、压铸)中合理选用一胜百模具钢;②优化模具寿命、加工精度与成本控制;③解决因材料选择不当导致的开裂、磨损、锈蚀等问题;④制定合理的热处理与电加工工艺路线。; 阅读建议:本手册注重实用性与对比分析,建议结合具体项目案例对照查阅,重点关注材料后缀(如ESR、Supreme)对性能的影响,避免仅凭牌号比价而忽视工艺品质差异。

高校技术转移办公室人员如何提升科技成果的市场推广效率?.docx

高校技术转移办公室人员如何提升科技成果的市场推广效率?

国央企创新负责人如何在实现技术引进与孵化过程中,降低信息不对称带来的决策风险?.docx

国央企创新负责人如何在实现技术引进与孵化过程中,降低信息不对称带来的决策风险?

科技中介服务机构如何通过智能体技术提升技术交易撮合效率?.docx

科技中介服务机构如何通过智能体技术提升技术交易撮合效率?

高校技术转移办公室人员在组织技术成果对接时,如何提升成果推介材料的撰写效率与专业性?.docx

高校技术转移办公室人员在组织技术成果对接时,如何提升成果推介材料的撰写效率与专业性?

Oracle RAC 生产环境每日巡检 SOP:ROOT、GRID、ORACLE 分用户只读巡检实战

Oracle RAC 生产环境每日巡检 SOP:ROOT、GRID、ORACLE 分用户只读巡检实战

【Python编程】Python容器化部署与Docker最佳实践

内容概要:本文全面解析Python应用的容器化部署技术,重点对比Docker镜像分层构建、多阶段构建(multi-stage)与distroless镜像在体积与安全性上的优化。文章从Dockerfile指令最佳实践出发,详解COPY与ADD的适用边界、RUN指令的层缓存优化、以及非root用户的安全运行配置。通过代码示例展示Python虚拟环境在容器内的正确创建方式、requirements.txt的确定性安装与pip缓存挂载、以及gunicorn/uwsgi的WSGI服务器多工作进程配置,同时介绍Docker Compose的多服务编排、Kubernetes的Deployment/Service资源定义、以及Helm Chart的版本化发布,同时介绍健康检查(healthcheck)探针、资源限制(limits/requests)的QoS保障、以及日志驱动(json-file/fluentd)的集中采集,最后给出在CI/CD流水线、蓝绿部署、自动扩缩容等场景下的容器化策略与可观测性建设。 http://123279.com/index.html http://123291.com/index.html http://10cd.cn/index.html http://zhida.zhihu.com/share/7709081717983724011 http://120ebhyy.com/index.html

国央企创新负责人在推动科研成果产业化时,如何确保技术成果的匹配质量和落地可行性?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

产业园区运营负责人如何利用平台优化企业与高校院所的协同创新对接?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

产业园区运营负责人在组织科技成果转化对接活动时,如何实现成果与企业的精准匹配?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

AD9122国产替代SXD033 双通道16位1GSPS D/A转换器规格书

深信科技SXD033是AD9122的国产替代产品,双通道16位D/A转换器,更新率1GSPS,采用QFN72封装,并行LVDS接口。本资料为中英文双语规格书,包含产品特性、引脚定义、电气参数、时序及典型应用电路,适用于高速数据采集、通信、测试测量等领域。

产业园区运营负责人如何提升园区科技成果对接效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

产业园区运营负责人需重点关注哪些科技成果转化环节?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

【顶级EI复现】新扩展移相角下的双有源桥DC-DC 变换器优化控制策略(Simulink仿真实现)

【顶级EI复现】新扩展移相角下的双有源桥DC-DC 变换器优化控制策略(Simulink仿真实现)内容概要:本文围绕“新扩展移相角下的双有源桥DC-DC变换器优化控制策略”展开研究,旨在通过Simulink仿真实现对现有控制策略的改进与复现。重点提出了在全功率范围内实现最小电流应力的优化目标,通过引入新的扩展移相角控制方法,有效降低了变换器的导通损耗,提升了系统效率。文中详细阐述了双有源桥(DAB)变换器的工作原理、数学建模过程以及传统移相控制存在的局限性,并在此基础上提出优化控制策略的设计思路与实现路径。通过构建完整的Simulink仿真模型,验证了所提策略在不同负载条件下的动态响应性能与稳态精度,结果表明该方法能够显著减小回流功率和峰值电流,增强系统的整体能效与稳定性。; 适合人群:具备电力电子、自动控制等相关专业知识背景,熟悉Simulink仿真环境,从事新能源、电源变换、电力系统等方向研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于高校或科研机构中关于DC-DC变换器先进控制策略的教学与课题研究;②为工业界在高效率隔离型电源设计中提供可复现的技术方案与仿真基础;③支撑高水平期刊论文(如EI、SCI)的成果复现与方法验证。; 阅读建议:建议读者结合文中提供的仿真模型结构图与控制逻辑框图,逐步搭建并调试Simulink模型,重点关注移相角的计算方式与最小电流应力目标函数的实现细节,同时可通过参数扫掠实验深入理解控制策略的鲁棒性与适应性。

ADS1278国产替代SXA040 24位八通道144kSPS A/D转换器规格书

深信科技SXA040是ADS1278的国产替代产品,24位八通道A/D转换器,采样率144kSPS,采用LQFP64封装,串行CMOS接口。本资料为中英文双语参数版,汇总器件的关键规格参数,适用于多通道数据采集、工业控制、仪器仪表等领域。

国央企创新负责人如何利用平台实现科技创新资源的高效配置与协同?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

FMC/FSMC/EXMC总线NORFlash/PSRAM接口(异步-复用-不突发/同步-复用-突发)

目录 1 简介 1.1 框图 1.2 接口定义 1.3 读写时序图、时序配置参数 1.4 PSRAM控制器异步工作模式分类 1.5 PSRAM寄存器配置 1.5.1 控制寄存器BCR 1.5.2 片选时序寄存器BTR 1.5.3 写入时序寄存器BWTR 2 FPGA接口设计 2.1 实际配置的时序 2.2 接口信号处理 3 参考文献 1 简介 使...

leixj的博客 2万+

STM32G0——USB虚拟串口

STM32G0用cubeMX配置实现USB虚拟串口

阿昌 2323

GitHub与GitLab中的Fork操作:从个人仓库到团队协作的完整指南

本文详细介绍了GitHub与GitLab中的Fork操作,从个人仓库到团队协作的完整指南。通过Fork操作,开发者可以在权限隔离的环境下自由实验,并通过合并请求机制保证代码质量。文章涵盖了Fork的具体步骤、本地开发环境配置、代码同步方法以及高级协作技巧,帮助团队高效管理代码仓库。

weixin_28829325的博客 308

STM32串口DMA双缓冲机制实战:提升数据传输效率的终极方案

本文深入解析了STM32串口DMA双缓冲机制的核心原理与实战配置。通过对比传统中断方式,阐述了双缓冲如何实现数据接收与处理的“无缝接力”,从而在工业传感器数据采集等高负载场景下,将CPU占用率降至极低水平并彻底避免数据丢失。文章提供了基于标准外设库的详细配置步骤、中断处理逻辑及性能实测数据,是提升嵌入式系统串口通信效率和可靠性的终极方案。

weixin_29192365的博客 81

Go-zero微服务实战:从零搭建电商用户系统(含完整代码示例)

本文详细介绍了如何使用go-zero框架从零搭建电商用户系统,包含完整的微服务架构设计、核心功能实现代码示例以及性能优化策略。通过分层架构设计、JWT认证、分布式锁等关键技术,实现高并发、高可用的用户系统,适用于电商平台开发。

weixin_29275257的博客 258

【项目实战】Java9的新特性模块化(Module)

Java 9引入了模块化系统,称为"Java Platform Module System"(JPMS)这个系统允许将Java程序分成模块,每个模块都有自己的规范,可以明确地声明它依赖于哪些其他模块,并且只能访问被其所依赖的模块暴露的API。这样可以模块化就是增加了更高级别的聚合,是Package的封装体。Package是一些类路径名字的约定,而模块是一个或多个Package组成的封装体。

奶爸的编程之路,也就一周冷个三天 1899

【webrtc】openh264编码:动态配置码控参数触发IDR编码

SetRates 下发RateControlParameters 给到openh264 编码器 void SetRates(const RateControlParameters& parameters) override; LayerConfig 编码器这边的配置是layerconfig,具体到层的: std::vector<LayerConfig> configurations_; void H264EncoderImpl::SetRates(const RateCo.

突围 726

【人工智能】国产开源大模型聊天 AquilaChat 快速开始上手实战&效果评测

Aquila语言大模型在技术上继承了GPT-3、LLaMA等的架构设计优点,替换了一批更高效的底层算子实现、重新设计实现了中英双语的tokenizer,升级了BMTrain并行训练方法,在Aquila的训练过程中实现了比Magtron+DeepSpeed zero-2将近8倍的训练效率。Aquila语言大模型是在中英文高质量语料基础上从0开始训练的,通过数据质量的控制、多种训练的优化方法,实现在更小的数据集、更短的训练时间,获得比其它开源模型更优的性能。

AI天才研究院 2万+

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

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")

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

上一篇: BGA封装技术与FPGA转ASIC设计实战解析
下一篇: AI智能体操作系统AgentOS:架构设计与开发实战
weixin_30552811
博客等级 码龄11年 160粉丝 1398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