MATLAB集成大语言模型实战：工程计算与AI的融合应用

原创 于 2026-06-22 13:00:26 发布 · 235 阅读 · 1 ·
本内容遵循CC 4.0 BY-SA版权协议
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。
GEO检测
标签
#MATLAB #大语言模型 #工程计算

1. 项目概述：当工程计算王者邂逅AI新贵

如果你和我一样，是个常年和矩阵、信号、控制系统打交道的工程师或研究员，那么MATLAB这个工具一定不陌生。它就像我们手中的“瑞士军刀”，从算法仿真、数据分析到可视化，几乎无所不能。但最近几年，一个全新的浪潮席卷而来——大语言模型。从GPT到各类开源模型，它们展现出的理解和生成能力让人惊叹。于是，一个很自然的问题就出现了：我能不能在我最熟悉、最信赖的MATLAB环境里，直接调用这些强大的LLM能力？把工程计算的严谨与AI的创造力结合起来，会碰撞出怎样的火花？

这正是“MATLABで大規模言語モデル”这个主题要探讨的核心。它不是一个简单的API调用教程，而是一种工作流的融合。想象一下，你正在用Simulink搭建一个复杂的控制系统模型，需要自动生成一份详尽的设计文档；或者你处理完一海量的实验数据，希望用自然语言快速总结出关键趋势和异常点；又或者，你想为你开发的算法工具箱创建一个能理解用户意图、用对话方式提供帮助的智能助手。在这些场景下，如果每次都要切换到Python或Web界面，工作流就被打断了。而在MATLAB内部直接集成LLM，意味着你可以无缝地将AI的“思考”能力嵌入到你的工程分析与设计闭环中。

这适合所有已经在使用MATLAB进行科学计算、工程仿真、数据分析的从业者，无论你是学生、研究员还是工业界的工程师。你不需要成为深度学习专家，只要对MATLAB有基本了解，并且渴望提升工作效率和探索新的问题解决方式，这篇内容就能为你提供一条清晰的路径。我们将从最基础的连接方式讲起，深入到实际的应用模式，并分享如何避开那些我亲自踩过的“坑”。

2. 核心理念与方案选型：为什么是MATLAB+LLM？

在深入代码之前，我们有必要先厘清一个根本问题：为什么要把LLM集成到MATLAB里？直接用Python的 openai 库或者Hugging Face的 transformers 不香吗？这里面的考量，远不止于“多学一门语言”那么简单，它关乎工作效率、数据流完整性和技术栈的统一。

2.1 核心优势：无缝的工作流与数据生态

MATLAB最大的优势在于其高度集成化的环境和强大的专业工具箱。你的数据（可能是 .mat 文件里的矩阵、来自仪器的实时流、或是仿真产生的多维数据集）天生就“活”在MATLAB的工作空间里。当你需要调用LLM来处理这些数据时（例如，让LLM描述数据特征、生成报告、或基于数据推理），最理想的流程是：

  1. 数据在MATLAB中完成预处理和特征提取。
  2. 无需导出为中间文件（如CSV、JSON），直接以程序化方式将数据或指令发送给LLM。
  3. 获取LLM的文本结果后，直接在MATLAB中解析，并用于后续的决策、可视化或控制指令生成。

这个过程如果切换到Python，意味着你需要学习 scipy / numpy / pandas 来做类似MATLAB的数据操作，还要处理环境配置、包依赖和脚本间数据传递的麻烦。而在MATLAB内部完成，整个流程是连贯、可脚本化、可调试的，特别适合构建自动化的分析管线或交互式应用。

2.2 方案选型：三种接入路径的权衡

MATLAB本身并不内置LLM，我们需要通过其外部接口能力来“桥接”。主要有三种路径，各有优劣：

  • 路径一：调用云端API（如OpenAI）

    • 原理 ：利用MATLAB的 webwrite 函数（旧版本为 webwrite ）或专门的HTTP接口工具包，向OpenAI等提供的RESTful API端点发送HTTP请求。
    • 优点 ：最简单快捷，无需本地算力，直接使用最先进的商用模型（如GPT-4），性能稳定。
    • 缺点 ：产生持续费用，需要处理网络请求和API密钥安全，且数据需发送至外部服务器，可能涉及隐私合规考量。
    • 适合场景 ：原型验证、需要顶级模型性能、处理非敏感数据、希望快速上手的场景。

  • 路径二：调用本地部署的API服务

    • 原理 ：在本地或内网服务器上部署兼容OpenAI API格式的开源模型服务（如使用 text-generation-webui 、 vLLM 或 ollama 暴露的API）。MATLAB同样通过HTTP请求与这个本地服务交互。
    • 优点 ：数据完全留在本地或内部网络，隐私和安全可控；可以自由选择或微调开源模型；一次部署，多个MATLAB实例可调用。
    • 缺点 ：需要一定的运维知识来部署和维护服务；需要本地有足够的GPU资源；模型性能可能不及顶级商用API。
    • 适合场景 ：处理敏感数据、有定制化模型需求、希望长期稳定使用且控制成本、具备本地GPU资源的团队。

  • 路径三：通过MATLAB的Python接口调用本地库

    • 原理 ：利用MATLAB的 py 模块，直接调用在同一个系统环境中已安装的Python解释器及其深度学习库（如 transformers ），在MATLAB内部加载和运行Hugging Face上的模型。
    • 优点 ：最“原生”的集成方式，能进行更底层的模型交互和控制；无需额外的HTTP服务层。
    • 缺点 ：环境配置最复杂，需确保MATLAB与Python的版本、路径兼容；错误调试跨越两个环境；对MATLAB和Python都有一定要求。
    • 适合场景 ：深度学习研究者、需要精细控制模型推理过程、项目已深度依赖Python ML生态。

实操心得 ：对于绝大多数工程师和科研人员，我强烈推荐从 路径一（云端API） 开始，特别是利用OpenAI的Chat Completion接口。它的学习曲线最平缓，能让你在半小时内就看到效果，快速验证LLM能为你的工作流带来什么价值。在确认价值后，如果存在数据隐私或成本问题，再考虑迁移到 路径二（本地API） 。 路径三 更适合那些本身就是“双修”玩家、有明确定制化需求的用户。

3. 核心细节解析：MATLAB与OpenAI API对接实战

确定了云端API这条路径，我们来拆解最关键的一步：如何让MATLAB和OpenAI的服务器“说上话”。这本质上是一个标准的HTTP POST请求过程，但MATLAB的实现中有几个细节决定了成败。

3.1 API密钥的安全管理与请求头构建

API密钥是你的通行证，绝对不能硬编码在脚本里然后上传到GitHub或其他共享平台。在MATLAB中，我习惯的做法是使用环境变量。 

% 方法1：在系统或用户环境变量中设置 OPENAI_API_KEY
% 然后在MATLAB中读取
api_key = getenv('OPENAI_API_KEY');
if isempty(api_key)
    error('请先在系统环境变量中设置 OPENAI_API_KEY');
end

% 方法2（适用于单机临时使用）：使用inputdlg手动输入，不保存
% prompt = {'请输入你的OpenAI API密钥:'};
% dlgtitle = 'API密钥输入';
% dims = [1 50];
% definput = {''};
% answer = inputdlg(prompt, dlgtitle, dims, definput);
% api_key = answer{1};

拿到密钥后，我们需要构建符合OpenAI API要求的HTTP请求头。核心是 Authorization 字段和 Content-Type 字段。 

headers = matlab.net.http.HeaderField;
headers(1) = matlab.net.http.HeaderField('Authorization', ['Bearer ', api_key]);
headers(2) = matlab.net.http.HeaderField('Content-Type', 'application/json');

这里使用 matlab.net.http 包，它是MATLAB R2016b及以上版本中用于HTTP通信的现代、面向对象的接口，比旧的 webwrite 函数更灵活、更强大。

3.2 请求体（Body）的精心构造

请求体是一个JSON字符串，它告诉API你要做什么。对于Chat Completion接口，最关键的参数是 model , messages , temperature 和 max_tokens 。 

% 定义请求内容
prompt_text = '请用MATLAB代码实现一个快速傅里叶变换(FFT)，并对结果进行简要说明。';
request_body = struct();
request_body.model = 'gpt-4o'; % 或 'gpt-3.5-turbo'
request_body.messages = {struct('role', 'user', 'content', prompt_text)};
request_body.temperature = 0.7; % 控制创造性，工程问题建议较低值（0.1-0.8）
request_body.max_tokens = 1500; % 控制回复长度，避免过长

% 将MATLAB结构体转换为JSON字符串
body = matlab.net.http.MessageBody;
body.Data = jsonencode(request_body); % jsonencode函数需要MATLAB R2016b+
  • temperature 参数至关重要：对于代码生成、数据解释等需要确定性和准确性的任务，建议设置在 0.1 到 0.7 之间。值越低，输出越确定、保守；值越高，输出越随机、有创造性。生成创意文本或头脑风暴时可以调到 0.9 以上。
  • max_tokens 需要根据你的提示词和期望的回答长度来估算。一个中文字符大约对应1-2个token。设置过低会导致回答被截断，设置过高则浪费资源。可以先设一个保守值，根据回复是否完整再调整。

3.3 发送请求与处理响应

构造好请求对象后，就可以发送了。这里必须处理网络超时和可能发生的错误。 

% 创建请求对象
request = matlab.net.http.RequestMessage('POST', headers, body);
uri = matlab.net.URI('https://api.openai.com/v1/chat/completions');

% 设置请求选项，例如超时时间（单位：秒）
options = matlab.net.http.HTTPOptions('ConnectTimeout', 30, 'RequestTimeout', 60);

% 发送请求
try
    response = send(request, uri, options);
catch ME
    fprintf('网络请求失败: %s\n', ME.message);
    % 这里可以加入重试逻辑
    return;
end

% 检查HTTP状态码
if response.StatusCode == matlab.net.http.StatusCode.OK
    % 解析响应体（JSON）
    response_data = jsondecode(char(response.Body.Data));
    % 提取助手的回复内容
    if isfield(response_data, 'choices') && ~isempty(response_data.choices)
        assistant_reply = response_data.choices(1).message.content;
        fprintf('AI回复：\n%s\n', assistant_reply);
    else
        fprintf('API响应格式异常。\n');
    end
else
    fprintf('API请求错误，状态码: %d\n', response.StatusCode);
    fprintf('错误信息: %s\n', char(response.Body.Data));
end

注意事项 ：OpenAI的API有调用频率和速率限制。在编写循环或批量处理脚本时，务必在请求间加入 pause(1) 或更长的延时，避免触发限流。更稳健的做法是检查响应头中的 x-ratelimit-remaining 等字段，动态调整请求节奏。

4. 进阶应用模式：将LLM深度融入工程工作流

仅仅能问答还不够。真正的价值在于将LLM变成MATLAB脚本中的一个“函数”，让它自动化地处理复杂任务。下面分享几种我实践中验证过的模式。

4.1 模式一：智能代码生成与解释器

这是最直接的应用。你可以让LLM根据你的自然语言描述生成MATLAB代码片段，甚至直接执行它来验证结果。 

function generated_code = generateMATLABCode(prompt)
    % 封装好的代码生成函数
    api_key = getenv('OPENAI_API_KEY');
    headers = matlab.net.http.HeaderField('Authorization', ['Bearer ', api_key], ...
                                           'Content-Type', 'application/json');
    
    system_prompt = ['你是一个资深的MATLAB编程专家。请根据用户需求，生成正确、高效、带有必要注释的MATLAB代码。只返回代码块，不要额外的解释。'];
    full_prompt = [system_prompt, '\n用户需求：', prompt];
    
    request_body = struct('model', 'gpt-4', ...
                          'messages', { { struct('role', 'system', 'content', system_prompt), ...
                                         struct('role', 'user', 'content', prompt) } }, ...
                          'temperature', 0.2, ... % 低温度，确保代码确定性
                          'max_tokens', 2000);
    body = matlab.net.http.MessageBody(jsonencode(request_body));
    request = matlab.net.http.RequestMessage('POST', headers, body);
    
    response = send(request, matlab.net.URI('https://api.openai.com/v1/chat/completions'));
    
    if response.StatusCode == matlab.net.http.StatusCode.OK
        resp_data = jsondecode(char(response.Body.Data));
        generated_code = resp_data.choices(1).message.content;
        % 清洗回复，提取```matlab ... ```之间的代码
        tokens = regexp(generated_code, '```(?:matlab)?\s*([\s\S]*?)```', 'tokens');
        if ~isempty(tokens)
            generated_code = strtrim(tokens{1}{1});
        end
    else
        error('代码生成失败。');
    end
end

% 使用示例：生成一个绘制正弦波的GUI
prompt = ‘创建一个MATLAB GUI，包含一个滑块控制正弦波频率，并实时更新绘图’;
code = generateMATLABCode(prompt);
disp(code);
% 高级用法：甚至可以尝试将生成的代码写入临时.m文件并运行（需谨慎！）
% temp_file = tempname + ‘.m’;
% fid = fopen(temp_file, ‘w’); fprintf(fid, ‘%s’, code); fclose(fid);
% run(temp_file); % 注意安全风险！

4.2 模式二：数据分析与报告自动生成

你完成了一系列复杂的数据处理（比如滤波、拟合、统计检验），现在需要将结果总结成文字报告。LLM可以帮你完成。 

% 假设你有一个结构体‘analysis_results’，包含了各种分析结果
analysis_results.mean_value = 23.4;
analysis_results.std_dev = 5.6;
analysis_results.is_significant = true;
analysis_results.p_value = 0.003;
analysis_results.trend = ‘positive’;

% 将结果转换为LLM能理解的文本描述
results_summary = sprintf(‘数据分析结果如下：平均值是%.2f，标准差是%.2f。’, ...
                          analysis_results.mean_value, analysis_results.std_dev);
if analysis_results.is_significant
    results_summary = [results_summary, sprintf(‘统计检验显著(p=%.3f)。’, analysis_results.p_value)];
else
    results_summary = [results_summary, ‘统计检验不显著。’];
end
results_summary = [results_summary, sprintf(‘整体趋势为%s。’, analysis_results.trend)];

% 请求LLM生成报告段落
report_prompt = [‘你是一名数据分析师。请根据以下分析结果，撰写一段简洁、专业的英文报告段落，用于学术论文的方法部分。结果：’, results_summary];
% ... (发送report_prompt到API，获取报告文本)

4.3 模式三：构建交互式对话助手（Chatbot）

利用MATLAB的App Designer，你可以轻松创建一个带有图形界面的对话助手，用于交互式问题解答。

  1. 设计GUI ：使用App Designer拖放一个多行文本框（用于显示对话历史）、一个编辑字段（用于输入新问题）和一个按钮（发送）。
  2. 维护对话上下文 ：LLM的Chat接口支持多轮对话。你需要维护一个 messages 数组，在每次用户提问时，将新的 user 消息追加进去，并将整个数组发送给API。收到 assistant 回复后，也将其追加到数组中。
  3. 实现回调函数 ：在“发送”按钮的回调函数中，获取用户输入，调用封装好的API函数，将回复更新到历史文本框。 
% 在App Designer回调函数中的简化逻辑
properties (Access = private)
    conversationHistory = {} % 用于存储多轮对话消息
end

function SendButtonPushed(app, event)
    user_input = app.QueryEditField.Value;
    if isempty(user_input)
        return;
    end
    
    % 将用户输入添加到历史
    app.conversationHistory{end+1} = struct('role', 'user', 'content', user_input);
    
    % 准备请求（包含全部历史）
    requestBody.messages = app.conversationHistory;
    % ... (设置其他参数并发送请求)
    
    % 获取助手回复
    assistant_reply = response_data.choices(1).message.content;
    
    % 将助手回复添加到历史
    app.conversationHistory{end+1} = struct('role', 'assistant', 'content', assistant_reply);
    
    % 更新UI显示
    updateChatDisplay(app, user_input, assistant_reply);
    
    % 清空输入框
    app.QueryEditField.Value = '';
end

这样，你就拥有了一个驻留在MATLAB内部的智能助手，可以随时咨询MATLAB语法、算法原理，甚至讨论你的数据分析思路。

5. 性能优化、成本控制与本地化替代方案

当应用规模扩大，性能和成本就成为必须考虑的问题。

5.1 优化策略：减少Token消耗与提升响应速度

Token是计费单位，也是影响速度的关键。优化方法包括：

  • 精简提示词（Prompt） ：避免冗长的背景描述。使用更精确的指令。例如，用“写一个FFT函数”代替“我需要一个能做傅里叶变换的MATLAB函数，它应该...”。
  • 设置合理的 max_tokens ：根据历史回复长度，设定一个足够但不过量的上限。
  • 流式传输（Streaming） ：对于长文本生成，OpenAI API支持流式响应。虽然MATLAB的HTTP接口处理流式数据稍复杂，但可以模拟实现，让用户看到部分输出，提升体验。
  • 缓存常见回答 ：对于固定的、重复性的问题（如“MATLAB如何求矩阵逆？”），可以将回答缓存到本地文件或数据库，下次直接读取，避免重复调用API。

5.2 成本控制：监控与预算

对于个人或小团队，务必关注成本。

  • 使用官方仪表盘 ：定期查看OpenAI平台的使用量和费用。
  • 在代码中记录 ：每次调用API后，记录请求消耗的token数（响应体中的 usage 字段）。MATLAB可以轻松地将这些数据写入日志文件或数据库，用于后续分析。
  • 设置软限制 ：在发送请求的函数中，加入每日或每月调用次数/预估费用的检查逻辑，超过阈值则发出警告或暂停服务。

5.3 本地化替代：拥抱开源模型

如果数据敏感或长期使用成本高，转向本地部署的开源模型是必然选择。核心是找到一个提供 兼容OpenAI API格式 的本地服务。

  • 方案推荐：Ollama + OpenWebUI
    • Ollama ：一个强大的本地大模型运行和管理的命令行工具，支持一键拉取和运行众多开源模型（如Llama 3、Mistral、Qwen等）。它默认的API接口与OpenAI不完全兼容，但社区有插件可以启用兼容模式，或者你可以使用其原生API（格式略有不同，需调整MATLAB代码）。
    • 更佳选择 ：部署 text-generation-webui （Oobabooga）或 FastChat 等开源WebUI项目，它们通常都提供了设置选项，可以启用“OpenAI-compatible API”。部署成功后，你会得到一个本地地址（如 http://localhost:8000/v1 ）。
  • MATLAB端调整 ：只需将之前代码中的API端点URL从 ‘https://api.openai.com/v1/chat/completions’ 改为你的本地服务地址（如 ‘http://localhost:8000/v1/chat/completions’ ），并且通常可以省略API密钥（或使用一个固定的假密钥）。其他请求格式基本不变。 
% 切换到本地Ollama（需配置为兼容模式）或 text-generation-webui
local_api_url = ‘http://localhost:8000/v1/chat/completions’;
% 请求头可能不需要Authorization，或使用固定值
headers = matlab.net.http.HeaderField(‘Content-Type’, ‘application/json’);
% 其余代码与调用OpenAI API完全相同

踩坑实录 ：本地部署时最常见的两个问题。一是 CUDA版本与模型不匹配 导致无法加载，务必根据模型要求的PyTorch版本安装对应的CUDA。二是 内存/显存不足 ，7B参数的模型通常需要至少8GB GPU显存，13B模型则需要16GB以上。对于只有CPU的机器，可以选择量化版本（如GGUF格式）的模型，用 llama.cpp 等库通过CPU运行，虽然慢但可行。在MATLAB中调用CPU运行的模型服务，响应延迟会显著增加，适合对实时性要求不高的批处理任务。

6. 常见问题与排查技巧实录

在实际集成过程中，你一定会遇到各种报错和意外情况。下面是我总结的一些典型问题及其解决方法。

6.1 网络连接与超时问题

  • 症状 ： send 函数抛出异常，提示连接超时、连接被拒绝或SSL错误。
  • 排查 ：
    1. 检查代理 ：如果你身处需要代理的网络环境，MATLAB默认可能不会使用系统代理。需要在代码中显式设置代理。 options = matlab.net.http.HTTPOptions(‘Proxy’, ‘http://your.proxy:port’); 。
    2. 检查防火墙 ：确保防火墙没有阻止MATLAB（ matlab.exe ）的出站连接，特别是对 api.openai.com:443 的访问。
    3. 增加超时时间 ：对于复杂的提示词或网络状况不佳时，适当增加 ‘ConnectTimeout’ 和 ‘RequestTimeout’ 的值。
    4. 重试机制 ：实现一个简单的重试循环，在遇到网络错误时暂停几秒后重试，最多3次。

6.2 API响应错误

  • 症状 ：HTTP状态码不是200 OK，响应体包含错误信息JSON。
  • 常见错误及解决 ：
    • 401 Authentication Error ：API密钥错误或过期。检查密钥是否正确，是否有空格。确保在Bearer token中正确拼接。
    • 429 Rate Limit Error ：请求过快。立即停止发送请求，等待一段时间（响应头 Retry-After 会提示等待秒数）。优化代码，在请求间加入 pause(1) 。
    • 400 Bad Request ：请求格式错误。最常见的是 messages 数组格式不对，或者JSON字符串中有MATLAB转换导致的非法字符。使用 jsonencode 函数能避免大部分格式问题。仔细检查请求体的所有字段名和值类型。
    • 503 Service Unavailable ：OpenAI服务器端问题。等待并重试。

6.3 模型回复内容不符合预期

  • 症状 ：回复跑题、格式错误、或没有遵循指令。
  • 优化方法 ：
    1. 优化系统提示词（System Prompt） ：在 messages 数组的开头，加入一个 role 为 system 的消息，明确模型的身份和任务要求。例如： struct(‘role’, ‘system’, ‘content’, ‘你是一个MATLAB代码专家，只返回代码，不解释。’) 。
    2. 调整 temperature ：对于需要精确输出的任务（代码、数据），将 temperature 调低（如0.1-0.3）。对于创意任务，调高（0.7-0.9）。
    3. 使用“Few-shot”示例 ：在用户消息中，不仅给出指令，还给出一个或几个输入输出的例子，让模型模仿格式和风格。
    4. 后处理 ：对于代码生成，编写正则表达式从回复中提取 ```matlab ... ``` 标记之间的内容，确保得到纯净的代码。

6.4 MATLAB与Python接口调用问题（如果选择路径三）

  • 症状 ： py.importlib.import_module(‘transformers’) 失败，提示找不到模块或版本冲突。
  • 排查 ：
    1. 确认Python路径 ：在MATLAB命令行运行 pyenv ，查看MATLAB正在使用的Python解释器路径。确保你需要的包（如transformers, torch）是安装在这个解释器下的。可以使用 pyenv(‘Version’, ‘/path/to/your/python.exe’) 来更改。
    2. 版本兼容性 ：MATLAB对Python版本有支持列表。过新或过旧的Python版本可能导致不稳定。建议使用MATLAB官方文档推荐的兼容版本。
    3. 在MATLAB中安装Python包 ：虽然可以在系统命令行安装，但更稳妥的方式是在MATLAB内调用pip： py.pip.main(‘install’, ‘transformers’) 。

将大语言模型融入MATLAB，本质上是在扩展这个经典工具的能力边界。它不再是冷冰冰的数字处理器，而是一个能理解你意图、辅助你思考的协作者。从我个人的实践来看，最大的收获不是节省了多少编码时间，而是它改变了我解决问题的方式。面对一个复杂的数据集，我会习惯性地先让LLM帮我做一次“快速解读”，获得一些我可能忽略的视角；在编写一个复杂算法时，我会让它帮我生成基础框架和注释，我把更多精力放在核心逻辑和优化上。这个过程里，MATLAB负责它擅长的精确计算和高效仿真，LLM负责它擅长的语义理解和内容生成，两者结合，产生了一加一大于二的效果。当然，这条路才刚刚开始，模型的幻觉问题、对专业领域知识的理解深度、以及本地化部署的便利性，都是未来需要持续关注和优化的方向。但无论如何，现在就动手尝试，绝对是保持技术敏感度和提升个人工作效率的一笔高回报投资。

一行代码给Button添加一个光标焦点动画：得着焦点按钮放大，失去焦点按钮恢复
穿裤子的云
01-12 812
当光标进入Button的时候，也就是Button得着焦点时，Button出现放大效果，失去焦点的时候，恢复原来的尺寸。
MATLAB集成大语言模型：工程实践与本地化部署指南
weixin_42554162的博客
05-15 542
大语言模型（LLM）作为人工智能领域的重要突破，通过Transformer架构实现了对自然语言的深度理解与生成。其核心原理基于注意力机制，能够捕捉文本中的长距离依赖关系。在工程实践中，LLM的价值在于将自然语言交互能力融入专业工作流，提升开发效率与智能化水平。应用场景涵盖代码生成、文档分析、智能问答等多个领域。本文聚焦于如何在MATLAB环境中实现LLM的本地化集成与微调，通过LoRA等参数高效微调技术，结合MATLAB的矩阵计算优势，为工程与科学计算领域提供定制化AI解决方案。
Android控件入门-动画效果(缩放动画)
MR_HJY的博客
02-24 2600
  缩放动画效果(scale) 第一种： xml: <Button android:id="@+id/btn_scale" android:layout_width="match_parent" android:layout_height="wrap_content" android:text="@string/btn_scale" /> j...
css按钮循环放大缩小动画动效
fhrlhh的博客
07-26 1581
首先给需要加动效的盒子，加上类名fireworks，然后针对这个类名，写一个样式循环，使用transform来缩放对应的盒子，里面的内容会跟着一起适配。
按钮放大缩小跳动效果 纯css
dreamy_wx的博客
09-27 1655
【代码】按钮放大缩小跳动效果 纯css。
css动画之按钮放大缩小动态效果——animation
是我别出声的博客
10-09 7842
<button class="btn">点我</button> .btn { animation: scaleDrew 2.5s ease-in-out infinite; } @keyframes scaleDrew { /* 定义关键帧、scaleDrew是需要绑定到选择器的关键帧名称 */ 0% { transform: scale(1); ...
探索未来：MATLAB与AI大模型的深度融合
SnowflakeJaguar14的博客
03-24 1200
开发AI智能应用，就下载InsCode AI IDE，一键接入DeepSeek-R1满血版大模型！ 探索未来：MATLAB与AI大模型的深度融合 随着人工智能技术的飞速发展，传统的编程工具已经无法满足现代开发者的多样化需求。在这样的背景下，MATLAB作为一款功能强大的科学计算软件，正逐渐与智能化工具和AI大模型相结合，为开发者提供前所未有的便利与效率。本文将探讨MATLAB如何与新一代AI工具协...
DeepSeek在MATLAB上的部署与应用 
qq_57128262的博客
02-24 5416
，并将模型的回答存储在变量“txt”中。从科研领域的数据处理和论文写作，到工程设计与仿真中的优化设计，再到教育教学中的辅助教学和学习帮助，DeepSeek在MATLAB上的应用场景广泛，为各个领域带来了新的发展机遇和创新思路。由于DeepSeek模型本身存在不同的版本，如7B、8B等，不同版本的模型大小差异较大，像7B版本约为4.7GB，而更大的版本可能高达几十GB甚至上百GB，这就需要计算机有充足的硬盘空间来存储模型文件，同时，内存和处理器性能也不能过于薄弱，否则可能会导致安装缓慢甚至无法正常运行。
MATLAB Agentic Toolkit：AI智能体如何重塑工程计算与自动化
最新发布
weixin_33046983的博客
06-19 321
AI智能体（AI Agent）作为当前人工智能领域的重要范式，其核心在于赋予模型自主规划、决策与执行的能力。通过将大语言模型（LLM）的推理能力与专业工具相结合，智能体能够理解复杂目标、分解任务并调用外部函数或API来解决问题。这种技术架构的价值在于实现了从被动响应到主动工作的转变，极大地提升了任务自动化的智能水平。在工程计算与科学仿真领域，传统工作流往往依赖手动操作和固定脚本，而AI智能体通过无缝集成领域专用工具（如数学计算、信号处理库），为自动化数据分析、模型优化和系统控制等场景提供了全新解决方案。MA
几个简单的动画效果：旋转、抖动、偏移、放大缩小、显示按钮、缩放、扫描框、开门关门
Jkssns的博客
10-18 1288
1、旋转
css动画之按钮放大缩小动态效果
缘灭_xy的博客
12-07 1万+
/* 按钮动画效果 */ .按钮的class名{ -webkit-animation: free_download 1s linear alternate infinite; animation: free_download 1s linear alternate infinite; } @-webkit-keyframes free_download{ 0%{-webki...
按钮大小变化动效
u011848617的专栏
03-25 3356
我们经常会看到有的网页上按钮由大变小、再由小变大，这样不停变化的情况。今天就来和大家介绍如何实现这种效果。 首先将效果的实现过程分为两个阶段： 第一阶段，按钮由大变小； 第二阶段，按钮由小变大。 说到这里，有没有联想到 CSS3 的自定义动画规则 @keyframes，是的，通过 @keyframes 就可以实现两个动画阶段的控制。而按钮大小变化的效果，可以通过 C...
给自定义tabBar的按钮添加点击放大缩小的动画
Zok93
10-16 4737
// 一句话,写在UITabBarController.m脚本中,tabBar是自动执行的方法 // 点击tabbarItem自动调用 -(void)tabBar:(UITabBar *)tabBar didSelectItem:(UITabBarItem *)item { NSInteger index = [self.tabBar.items indexOfObject:it
点击按钮 按钮缩放动画：
qq_36895346的博客
12-18 1747
1,有时候在项目开发中遇到一些按钮的点击动画，下面就写一个比较简单的按钮缩放效果首先我们的在res目录下amin文件下创建一个Xml文件夹用来设置动画的效果， <set xmlns:android="http://schemas.android.com/apk/res/android"> <scale android:fromXScale="1.0" android:toXSc
html中如何实现放大动画,CSS3实现点击放大的动画实例代码
weixin_28788181的博客
06-07 508
前言最近在工作中遇到一个需求，实现的效果是当点击商品图片右上的收藏按钮触发放大动画，后来通过查找相关的资料，发现利用css3:@keyframes animation即可实现这个效果，下面来看看详细的介绍吧。示例代码@keyframes myfirst {0% {width: 50px;height: 50px;top: 10px;right: 10px;}75% {width: 60px;hei...
点击按钮实现缩放动画
Locationluqc的博客
04-16 2569
前段时间在项目中使用到了 CAKeyframeAnimation ，利用帧动画实现点击按钮缩放动画！以下是自己的简单案例记录自定义一个按钮类 继承自UIButton#import <UIKit/UIKit.h>@interface CustomAnimationBtn : UIButton //执行动画 - (void)playKeyAnimation;@end 动画执行的方法：#import "C
Qt 自定义动画按钮（超酷炫）
热门推荐
shenmingyi.blog.csdn.net
06-28 1万+
整体的界面是 一个主 widget 套着3个 widget（微信,支付宝,银行卡） 点击widget时 出现一个dialog 的二维码 下面上代码 二维码窗口 // 二维码窗口 qrcodedialog.h #ifndef QRCODEDIALOG_H #define QRCODEDIALOG_H #include <QDialog> namespace Ui { c...
【内容】css3点击区域4种全屏放大显示内容动画特效
X-rapido的专栏
07-14 3598
css3点击区域4种全屏放大显示内容动画特效查看原文查看在线演示Demo和更多原文内容教程： http://ibloger.net/article/1183.html
html按钮放大效果图,JS实现会缩小放大的按钮
weixin_32275943的博客
06-03 1266
JS实现会缩小放大的按钮_网页代码站(www.webdm.cn)var outMsg = "";var i = 0;var lineNo = 1;var timerDM=null;var msg = " ";function araVob() {}var ScreenLine = new araVob();ScreenLine[1] = "JS动态控制按钮变大变小"ScreenLine[2] ...
评论
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