dnn

人工智能培训

DNN案例一步步构建深层神经网络

陈天伟教授

人工智能应用-机器视觉：人脸识别（6）深度神经网络方法近年来，深度神经网络在人脸识别中表现出了卓越的性能。与基于人为特征设计的方法相比，深度神经网络可以从原始图片中逐层提取人脸信息，从而获得与人脸相关的抽象特征。这种层次性特征学习避免了人为特征设计的缺陷，特别是在训练数据足够丰富时表现更为出色。

机器学习与深度学习基础（五）：深度神经网络经典架构简介本文学习要点：1.深度神经网络分层架构：全连接层卷积层池化层 2.深度神经网络代表: CNN：CNN、AlexNet、VGG-Net、GoogLeNet（Inception）、ResNet（残差连接） RNN：RNN、LSTM、GRU 编码器-解码器架构：序列到序列模型（Seq2Seq）

乐园游梦记

使用OpenCvSharp的DNN模块加载YOLOv11的ONNX模型，涉及将模型文件路径传递给DNN模块的相关函数。NuGet 包依赖（替换原 OpenCvSharp 包）：系统 CUDA 环境配置：验证 CUDA 是否生效：

深度神经网络训练参数优化概论公式:z = W T X + b {z = W^T X + b} z=WTX+bz = w 1 ∗ x 1 + w 2 ∗ x 2 + . . . + b ( 神经元 ) {z = w_1*x_1 +w_2*x_2 + ... + b(神经元)} z=w1∗x1+w2∗x2+...+b(神经元)

小蜜蜂爱编程

做DNN的建议 -- 过拟合篇前面讲了训练集上效果比较差的场景分别对激活函数和学习率进行了优化，现在考虑在测试集上效果比较差的场景如何去调整

OpenCV计算机视觉实战（29）——OpenCV DNN模块在本节中，我们将深入探讨 OpenCV 深度神经网络 (deep neural network, DNN) 模块，它是将计算机视觉和深度学习的优点结合起来的强大工具，支持多个深度学习框架、预训练模型和硬件加速，DNN 模块已成为 OpenCV 构建前沿计算机视觉应用不可或缺的一部分。对 OpenCV DNN 模块进行全面概述，包括其历史、支持和不支持的层以及重要类，本节将深入探讨 OpenCV DNN 模块，并介绍构建强大计算机视觉解决方案的基本组成部分。

通过神经网络手搓一个带finetune功能的手写数字识别来学习“深度神经网络”在“企业大模型落地之道”专栏中，我们始终强调：理解底层原理，是驾驭大模型的前提。很多人觉得深度学习高深莫测，其实最好的入门方式，就是动手实现一个经典任务。

文火冰糖的硅基工坊

[人工智能-大模型-78]：模型层技术 - 深度神经网络的网络架构的演进，这不仅是一条技术路线图，更是一部 “机器如何逐步逼近人类认知方式” 的进化史诗。我们来系统梳理深度神经网络架构的演进史—— 这不仅是一条技术路线图，更是一部 “机器如何逐步逼近人类认知方式” 的进化史诗。

【第六章：项目实战之推荐/广告系统】3.精排算法-(2)精排算法模型精讲: DNN、deepFM、ESMM、PLE、MMOE算法精讲与实现- DNN 精排模型在推荐系统中，精排模型的核心目标是：对候选集合中的每一个 item 进行精准打分，预测用户点击/转化概率，例如 CTR 或 CVR。

【第六章：项目实战之推荐/广告系统】3.精排算法-(2)精排算法模型精讲: DNN、deepFM、ESMM、PLE、MMOE算法精讲与实现- PLE 模型MMOE 虽然比 ESMM 好很多，但仍有两个工程上绕不开的问题：在推荐系统的多目标场景（Mutil-Task，例如 CTR / CVR / WatchTime / Like / Follow / Comment）中，这种不稳定会被无限放大。

基于脑电图（EEG）的认知负荷检测实验范式与深度神经网络的系统综述论文笔记对论文Systematic review of experimental paradigms and deep neural networks for electroencephalography-based cognitive workload detection的解读

文火冰糖的硅基工坊

[人工智能-大模型-58]：模型层技术 - 深度神经网络的本质是一个复杂的复合数学函数深度神经网络的本质是一个极其复杂的复合数序函数，本文试图从数学抽象和计算机制的角度抓住了深度学习的核心。以下从更深入的层面展开分析，并补充其复杂性的来源、实际影响及理论意义：

YOLO系列——OpenCV DNN模块在YOLOv11检测物体时输出的边界框坐标问题YOLOv11检测物体时，OpenCV DNN模块输出的边界框坐标采用‌中心点坐标加宽高的格式‌（x_center, y_center, width, height），即每个边界框由‌中心点横纵坐标和宽度高度‌四个参数确定。 ‌

微算法科技MLGO推出隐私感知联合DNN模型部署和分区优化技术，开启协作边缘推理新时代在人工智能与边缘计算深度融合的时代背景下，如何在保障数据隐私的同时实现高效的深度学习推理，正成为智能产业发展的核心挑战之一。尤其是在自动驾驶、智慧医疗、工业制造和智能城市等对响应时间和数据敏感性要求极高的场景中，边缘智能推理的性能瓶颈日益凸显。

(done) 并行计算 CS149 Lecture10 (DNN评估与优化)url: https://www.bilibili.com/video/BV1du17YfE5G?spm_id_from=333.788.videopod.sections&vd_source=7a1a0bc74158c6993c7355c5490fc600&p=10

星期天要睡觉

计算机视觉（opencv）——基于 OpenCV DNN 的实时人脸检测 + 年龄与性别识别在计算机视觉领域中，人脸检测与**人脸属性识别（如年龄、性别）**是最典型的视觉分析任务之一。本文将带你从零构建一个完整的“摄像头实时人脸检测 + 年龄识别 + 性别识别”系统，基于 OpenCV 的 DNN 模块和预训练的 Caffe 模型实现。

C嘎嘎嵌入式开发

(一) 机器学习之深度神经网络深度神经网络（Deep Neural Networks, DNN）是人工智能领域的核心技术之一，通过多层非线性变换学习复杂的特征表示。本文深入解析DNN的基本原理、网络架构、训练算法以及从感知机到现代深度网络的发展历程，帮助读者全面理解这一重要技术。

光通信｜可旋转DNN赋能OAM模式可控路由针对传统OAM模式复用光路由中存在模式演化关联强、路由功能固定、灵活性与可扩展性不足等问题，该研究提出一种基于可旋转衍射神经网络的OAM模式多端口可控路由策略。

光全息｜OAM-旋转双维度复用全息针对传统OAM模式复用全息中光学复用参数维度有限、模式-全息映射固定导致的信道扩展与动态调控困难，该研究提出基于可旋转衍射神经网络的双参数编码机制，引入旋转状态作为外在调制自由度，与固有OAM模式协同构建多维编码空间。