神经网络

机器学习入门＜4＞RBFN算法详解

一、引入：从生物大脑到人工神经网络1.脑科学启示录：智慧的“社交网络”你知道吗？人脑拥有约860亿个神经元，它们相互连接形成一个极其复杂的网络。
·2025-12-15 06:47

Python深度学习：从入门到精通

1.2深度学习的“前世今生”：从赫布理论到神经网络的复兴。1.3为何选择Python？——生态、社区与哲学的统一。1.4本书的结构与学习路径图：如何高效地利用这本书。
·2025-12-15 04:20

汉明距离：度量差异的基石与AI应用

这种度量是许多核心算法的基石，从简单的数据清洗到复杂的神经网络优化。其中，汉明距离作为一种简洁、高效且直观的差异度量方法，自诞生以来便在编码理论、信息检索、生物信息学
·2025-12-15 03:39

PyTorch 从小白到高级全阶段学习大纲（一）

阶段一：零基础入门（1-2周）核心目标掌握PyTorch基础语法，理解张量与自动求导核心逻辑，能实现简单数值计算与基础神经网络。
·2025-12-15 03:37

【生成式AI】Cross-Attention：多模态融合的神经网络桥梁（上篇）

【生成式AI】Cross-Attention：多模态融合的神经网络桥梁（上篇）【生成式AI】Cross-Attention：多模态融合的神经网络桥梁（上篇）文章目录【生成式AI】Cross-Attention
·2025-12-14 21:48

AI算法视角下：贵金属多头共振模型启动，美元指数弱势运行助力金价攀升，白银价格创历史峰值

该价格跃迁符合深度神经网络预测的"宽松货
·2025-12-14 20:14

卷积神经网络实战：用TensorFlow实现图像分类与可视化

卷积神经网络实战：用TensorFlow实现图像分类与可视化引言第一部分：卷积神经网络基础理论1.1CNN的核心思想1.2CNN的基本组件1.3CNN的数学原理第二部分：环境搭建与数据准备2.1环境配置
prince_zxill·2025-12-14 20:54

大模型在语音识别中的突破

随着深度学习技术的兴起，基于深度神经网络的语音识别系统逐渐成为主流。这些系统能够自动学习语
AI大模型应用之禅·2025-12-14 13:50

PyTorch核心容器：nn.Sequential与nn.ModuleList深度解析

在PyTorch中构建神经网络时，我们通常需要将多个层（layers）组合起来。nn.Sequential和nn.ModuleList是两种最常用、也最容易混淆的模块容器。
·2025-12-14 12:38

如何成为机器学习工程师：学习路径

从简单的线性回归（linearregressoin）到最新的神经网络（neuralnetwork），我们将引导你学习机器学习（ML：machinelearning）的各个方面，不仅学习如何使用它们，而且学习如何从头开始构建它们
·2025-12-14 12:03

Dropout正则化：从理论到实践的深度剖析与前沿实现

随着神经网络层数的增加和参数规模的膨胀，过拟合问题变得愈发严重。传统的L1/L2正则化方法通过惩罚权重的大小来限制模型复杂度，但这种方法在某些场景下显得力不从心。
·2025-12-14 09:48

神经网络量化--per-channel量化

(本文首发于公众号，没事来逛逛)之前写的关于网络量化的文章都是基于per-layer实现的，最近有小伙伴询问关于per-channel量化的问题，我发现有些同学对这个东西存在一些误解，包括我以前也被per-channel的字面意义误导过，所以今天简单聊一下per-channel量化是怎么回事。回顾一下Per-layer量化在介绍per-channel量化之前，我们先回顾一下per-layer量化是
·2025-12-14 09:46

AcWing 477：神经网络 ← 拓扑排序+链式前向星

【题目来源】https://www.acwing.com/problem/content/479/【题目描述】人工神经网络（Artificial Neural Network）是一种新兴的具有自我学习能力的计算系统
·2025-12-14 08:08

AI人工智能领域持续学习的必备方法与策略

刚啃完《深度学习》（花书）的卷积神经网络（CNN）章节，发现朋友圈都在聊“大模型的注意力机制”；好不容易学会用TensorFlow2.x搭建模型，同事说“现在PyTorch才是科研和工业的主流”；上周还在研究
·2025-12-14 06:29

恶劣天气条件下的目标检测

文献综述通过调研现有研究成果，发现以下相关论文具有重要参考价值：多天气条件下的传感器数据增强研究ACDC:恶劣天气语义分割基准数据集领域差异缓解策略针对正常天气与恶劣气候的视觉神经网络领域差异，现有研究主要采用以下方法
·2025-12-14 00:56

【学术会议前沿信息|科研必备】2026年EI/Scopus检索顶级会议合集，涵盖智能物联网、人机交互、神经网络、大数据经济、数字化管理、电力电子与电能领域

【学术会议前沿信息|科研必备】2026年EI/Scopus检索顶级会议合集，涵盖智能物联网、人机交互、神经网络、大数据经济、数字化管理、电力电子与电能领域【学术会议前沿信息|科研必备】2026年EI/Scopus
·2025-12-13 23:04

RNN（循环神经网络）原理

传统神经网络（如全连接网络、CNN）无法处理序列数据，因为它们：无记忆性：每个输入独立处理，忽略序列中元素的时间/顺序关系固定输入尺寸：无法处理可变长度的序列无法建模时间依赖：比如语言中"我今天吃了__
·2025-12-13 11:12

MATLAB环境下基于双向长短时记忆网络的时间序列预测探索

MATLAB环境下简单的基于双向长短时记忆网络的时间序列预测1997年Schuster提出了双向循环神经网络BiRNN，其由一个正向和反向的循环神经元组成，前向神经元的输出直接作为后向神经元的输入。
·2025-12-13 07:57

储层计算 (Reservoir Computing) 概述

作为一种基于动力系统的计算范式，储层计算（ReservoirComputing,RC）通过将递归神经网络（RNN）的训练过程解耦为“固定非线性储层”与“可训练线性读出”两部分，极大地降低了时间序列建模的计算复杂度
·2025-12-13 03:35

神经网络 | 从线性结构到可学习非线性

传统神经元模型的局限在过去的十年里，卷积神经网络（CNN）和Transformer统治了计算机视觉与自然语言处理领域。
·2025-12-13 03:13

深入浅出图神经网络：从核心概念到实战落地

文章目录1引言1.1发展脉络与现状1.2面临挑战1.3本文目标2图结构数据基础2.1关键元素2.2数学定义与常用符号2.3图的常见类型2.4为什么这些定义重要？3GNN核心思想：消息传递机制3.1消息函数MESSAGE(k)\mathrm{MESSAGE}^{(k)}MESSAGE(k)3.2聚合算子⊕\oplus⊕3.3更新函数UPDATE(k)\mathrm{UPDATE}^{(k)}UPDA
·2025-12-12 22:48

什么是大型 AI 语言模型，它们是如何工作的？大语言模型技术（LLM）。了解当今领先的大型 AI 模型背后的基本技术概念。

大型语言模型（LLMs），例如OpenAI的ChatGPT或Google的BARD，是在大量数据上训练的大型神经网络，可以以前所未有的质量执行各种自然语言生成任务。
·2025-12-12 22:08

深度揭秘图神经网络在复杂关系建模中的应用与优化策略

为了解决这一难题，图神经网络（GraphNeuralNetworks,GNNs）应运而生。早期的图数据处理方法多依赖于手工特征提
·2025-12-12 22:04

图神经网络（GNN）核心原理：邻接矩阵/消息传递/图卷积，社交网络/分子建模的实战应用

作为一名AI技术专家兼学习规划博主，我经常收到读者的提问：“南木，GNN到底该怎么学？看了很多论文，还是搞不懂邻接矩阵和图卷积的关系”“想用GNN做分子建模，却卡在消息传递的逻辑上”。其实GNN的门槛不在于公式多复杂，而在于“跳出欧几里得数据的思维定式”——我们习惯了CNN处理网格图像、RNN处理序列文本，但现实世界中80%的数据是非结构化图：社交网络里的用户与互动、分子结构中的原子与化学键、交通
·2025-12-12 22:32

一文讲清：从像素到认知：CNN让机器“看见”世界

深度学习入门这一系列课程中，我们第一课就分享了前馈神经网络，介绍了全连接层的概念。全连接网络是“通用逼近器”，作为神经网络家族中最基础的成员，构成深度学习的基石。
·2025-12-12 20:48

2025年大模型学习终极指南：从新手到专家，一步到位的进阶秘籍！

大模型通常指的是参数量巨大、结构复杂的神经网络模型，它
·2025-12-12 15:12

基于DP动态规划的混合动力汽车P2构型探索

4.DP可为后续mpc提供参考，也可将数据提取作为神经网络训练和规则作为参考。最近在研究混合动力汽车这块，今天来跟大家唠唠基于DP动态规划的P2构型相关内容。
·2025-12-12 11:30

基于BP神经网络和支持向量机实现风机故障诊断

基于BP神经网络和支持向量机（SVM）用于风机故障诊断的MATLAB实现，结合了数据预处理、模型训练和测试。
·2025-12-12 11:12

深度学习与知识图谱嵌入的结合：从理论到实践

神经网络方法结合深度学习技术，通过神经网络自动学习知识图谱中实体和关系的向量表示。神经网络方法通过其强大的表达能力，能够捕捉更复杂的语义信息，因此逐渐取代传统的矩阵分解类方法。
·2025-12-12 08:58

深度学习模型全分类图谱

深度学习模型全分类图谱一、基础神经网络架构1.前馈神经网络(FeedforwardNeuralNetworks)2.卷积神经网络(CNN,ConvolutionalNeuralNetworks)3.循环神经网络
·2025-12-12 07:16

AI大模型入门到实战系列（五）上下文嵌入向量（contextualized embedding）

contextualizedembedding）示例：处理句子"IloveAI"步骤1:初始化设置步骤2:输入嵌入和位置编码步骤3:生成Q、K、V矩阵步骤4:注意力计算（详细过程）步骤5:合并多头输出步骤6:残差连接和层归一化步骤7:前馈神经网络步骤
·2025-12-12 05:58

MATLAB基于LOO-PSO-KELM的微电阻点焊质量预测与工艺优化

KELM-核极限学习机：基础：ELM是一种单隐层前馈神经网络，其输入权重和偏置随机生成，仅需计算输出权
·2025-12-11 22:56

Python深度学习：从入门到精通

1.2深度学习的“前世今生”：从赫布理论到神经网络的复兴。1.3为何选择Python？——生态、社区与哲学的统一。1.4本书的结构与学习路径图：如何高效地利用这本书。
·2025-12-11 18:38

Transformer 大语言模型（LLM）基石 - Transformer架构详解 - 位置编码（Positional Encoding）详解与算法实现

www.bilibili.com/video/BV1X92pBqEhV课程介绍本课程主要讲解Transformer简介，Transformer架构介绍，Transformer架构详解，包括输入层，位置编码，多头注意力机制，前馈神经网络
·2025-12-11 09:11

Transformer 大语言模型（LLM）基石 - Transformer简介

www.bilibili.com/video/BV1X92pBqEhV课程介绍本课程主要讲解Transformer简介，Transformer架构介绍，Transformer架构详解，包括输入层，位置编码，多头注意力机制，前馈神经网络
·2025-12-11 09:34

pythonstudy Day29

深入理解shap图@疏锦行目标：理解复杂机器学习模型（尤其是“黑箱”模型，如随机森林、梯度提升树、神经网络等）为什么会对特定输入做出特定预测。SHAP提供了一种统一的方法来解释模型的输出。
·2025-12-11 09:04

神经网络的骨架：深入解析前向传播的数学本质与工程实现

神经网络的骨架：深入解析前向传播的数学本质与工程实现引言：超越黑箱理解在深度学习领域，前向传播常被简化为"从输入到输出的数据流动过程"。然而，这种简化理解掩盖了其丰富的数学内涵和工程实现的复杂性。
·2025-12-11 07:23

[特殊字符] 大模型与传统模型的结合：从技术互补到行业变革

传统模型则是"专精型工具"，通常基于规则引擎或小型神经网络，针对特定任务设计。例如，工业控制中的PLC系统可精准调节生产
·2025-12-11 00:10

《基于 Ascend C 实现高性能图神经网络（GNN）消息传递算子》

引言图神经网络（GraphNeuralNetworks,GNN）在社交网络分析、推荐系统、分子性质预测等领域展现出强大能力。
·2025-12-10 20:41

极限学习机（ELM）预测模型及其Python和MATLAB实现

与传统的神经网络算法相比，ELM具有训练速度快、精度高和泛化能力强等优点，尤其在大规模数据的学习中展现出其
·2025-12-10 17:12

[机器学习-从入门到入土] 神经网络

[机器学习-从入门到入土]神经网络个人导航知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039注：本文仅对所述内容做了框架性引导
·2025-12-10 11:30

神经网络搜索（NAS）详解

神经网络搜索（NeuralArchitectureSearch，简称NAS）是一种自动化设计神经网络架构的技术，它通过算法自动探索最优的网络结构，减少人工设计的成本和局限性。
·2025-12-10 10:23

从 Camera 到 NPU：一张图理解端侧多媒体 + AI 的数据流

AI相机、视频增强、端侧大模型，看起来只是“多加几个神经网络”，本质却是在这条已经很紧张的带宽流水线上又塞进了一堆高频读写。这篇文章用一张完整数
·2025-12-10 06:23

BN（Batch Normalization）层的作用

其核心思想是对神经网络每一层的输入进行标准化处理（均值为0、方差为1），并通过可学习的参数（缩放因子γ和偏移因子β）保留模型的表达能力。BN层作用缓解内部协变量偏移：减少网络层
·2025-12-10 01:12

DnCNN、FFDNet 与 U-Net：主流图像去噪网络架构对比分析

随着深度学习的发展，传统基于滤波、稀疏表示的方法逐渐被神经网络替代，其中DnCNN、FFDNet和U-Net凭借各自的创新设计，成为工业界和学术界最常用的三大架构。
·2025-12-09 23:54

卷积神经网络（CNN）：一文看懂图像识别逻辑

神经网络模仿了大脑的结构和工作方式，但面对一张包含像素、色彩、轮廓的图片，普通神经网络很难高效提取特征——就像让一个不懂绘画的人分析梵高的《星空》，只能看到杂乱的色彩，却抓不住星云的漩涡、笔触的韵律。
·2025-12-09 23:37

Landsat与SAR遥感图像融合系统：基于液态神经网络模型的实现与优化

Landsat与SAR遥感图像融合系统：基于液态神经网络模型的实现与优化摘要本文详细介绍了基于液态神经网络（LiquidNeuralNetwork,LNN）的Landsat与SAR遥感图像融合系统的设计与实现
pk_xz123456·2025-12-09 21:14

基于Python的深度神经网络花卉图像识别系统实战

本文还有配套的精品资源，点击获取简介：本项目利用Python及深度学习框架TensorFlow和Keras，构建卷积神经网络（CNN）实现花卉图像识别。
·2025-12-09 20:00

【医疗影像AI革命】：MONAI融合技术如何重塑智能诊断未来

AI通过深度学习模型，尤其是卷积神经网络（CNN），能够自动识别X光、CT、MRI等影像中的病灶特征，辅助医生做出更精准的决策。医疗影像AI兴起的驱动因素医学影像数据呈指数级增长，为AI训练提供了丰富
·2025-12-09 06:31

Python驱动的多模态大模型在医疗影像智能诊断中的突破性创新与应用

传统卷积神经网络（CNN）虽在特定任务中表现卓越，但受限于单一模型的泛化瓶颈、数据异质性及标注稀缺性等挑战，无法充分挖掘复杂医学影像（CT、MRI、病理切片等）中的多尺度特征。
·2025-12-09 06:44
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他