dnn

不会编程的-程序猿

深度神经网络中不同激活函数、不同归一化的区别与使用归一化总原则归一化的核心目的，是把特征分布控制在更稳定的范围内，让训练更容易、梯度更稳定、不同层之间更好配合。而不同归一化方法，统计均值和方差的维度不同，这决定了它们适合不同类型的网络。

Trompt：迈向更优质的深度神经网络，用于表格数据1、本研究介绍了Trompt，一种用于表格数据分析的新型网络架构。Trompt 利用提示学习来确定单个样本中不同的特征重要性。

计算机视觉——疲劳检测、基于DNN的年龄性别预测疲劳检测是一类通过分析人体行为（如眼睛闭合、头部姿态、打哈欠等）来判断个体是否处于疲劳或注意力不集中的技术。它在驾驶员监控、驾驶安全、课堂学员状态检测、远程办公督导等场景中具有重要应用价值。本文以基于人脸关键点的眼睛纵横比（EAR, Eye Aspect Ratio）方法为基础，详细介绍原理、代码实现、参数调优等。

光电的一只菜鸡

《PyTorch深度学习建模与应用（参考用书）》（三）——深度神经网络深度学习是当下热门的机器学习研究方向，它是使用深层架构的机器学习的方法，已经广泛应用于人工智能所涉及的众多领域，例语音识别、计算机视觉、自然语言、在线广告等，作为深度学习框架的PyTorch可以在该领域中大展宏图。

cuDNN深度神经网络计算库简介及卷积操作示例cuDNN��，全称为NIVIDIA CUDA Deep Neural Network Library，是深度神经网络算子层级GPU加速库集合，提供了深度学习算法中常见算子的高效实现，专门为深度学习框架（如TensorFlow��,PyTorch��ℎ,Caffe��, MXNet��等）实现常见的神经网络层提供极致的优化的实现 ,所以也直接成为了很多上层推理引擎底层调优的算子备选实现，比如TensorRT��，比如TVM��。再换个角度理解，之前在

Cox-PASNet：基于通路的稀疏深度神经网络用于生存分析1、开发了基于通路的稀疏深度神经网络模型Cox-PASNet用于生存分析。2、提供了利用HDLSS数据训练深度神经网络模型的解决方案

玩转OpenCV DNN模块：实现图片与实时视频风格迁移在计算机视觉领域，风格迁移是极具趣味性的应用方向之一——它能将普通图像/视频帧赋予梵高、蒙克等艺术大师的创作风格。本文将基于OpenCV的DNN模块，从零讲解如何实现静态图片的风格迁移，以及进阶的实时摄像头视频四宫格多风格迁移，同时整理了全量适配的风格模型清单，让你轻松玩转艺术与技术的结合。

WTK6900FC鼾声识别芯片：基于DNN-HMM算法的高性能鼾声识别检测处理方案睡眠呼吸问题困扰着数亿人群，而鼾声作为睡眠呼吸障碍的重要指征，其精准检测一直是健康监测领域的技术难点。传统语音芯片针对人类语音优化，对鼾声这类低频非语音信号识别能力有限。WTK6900FC正是为解决这一痛点而生——这款芯片在通用语音识别能力基础上，专门针对鼾声检测场景进行了深度优化，成为智能睡眠健康设备的核心芯片选择。

基于 OpenCV DNN 模块实现图像风格迁移相信很多接触计算机视觉的同学都听过风格迁移—— 这项技术能把一张名画的艺术风格 “移植” 到普通照片上，让你的随手拍秒变世界名画同款画风。

从单图风格迁移到实时视频四宫格滤镜：OpenCV DNN 实战全解析在计算机视觉领域，风格迁移是一种极具趣味性与实用性的技术 —— 它能让普通图像或视频 “穿上” 艺术大师的 “外衣”，实现照片秒变油画、视频实时滤镜的神奇效果。本文将从单张图片的风格迁移入手，逐步延伸到摄像头 / 视频的实时四宫格风格滤镜效果，结合 OpenCV 的 DNN 模块，从零拆解技术原理、代码逻辑与优化技巧，帮助你快速掌握这一热门应用。

OpenCV——DNN模块实现风格迁移OpenCV DNN模块是一个用于深度神经网络推理的模块，它允许用户在OpenCV中加载和运行预训练的深度学习模型。

使用深度神经网络解决无线网络资源分配问题的MATLAB实现MATLAB实现使用深度神经网络解决无线网络中的资源分配问题参考代码使用深度神经网络解决无线网络中资源分配问题 www.youwenfan.com/contentcss/113096.html

[AI codec]opus-1.6\dnn包含算法汇总和文件功能分类备注：全部内容来自AI，记录下来后续慢慢消化LPCNet / Neural PLC（神经网络丢包补偿） DRED（DNN-based Redundant Encoding 神经网络冗余编码） BbWENet（Bandwidth Extension 带宽扩展） Fargan（高音质神经语音生成） LACE / NOLACE（神经网络语音增强 / 降噪） OSCE（Opus Speech Contrast Enhancement 语音对比度增强）

芯片-嵌入式

具身智能(4)：最重要的感知sensor:相机前言：当四足机器狗在宁波舟山港的集装箱间灵活穿行，凭借高清相机精准识别箱号与铅封；当家政机器人通过视觉感知稳稳拿起桌面水杯，清洁后准确归位 —— 这些具身智能的落地场景背后，相机正扮演着最关键的 “感知中枢” 角色。作为具身智能与物理世界交互的首要数据入口，相机不仅是简单的 “图像采集工具”，更是智能体实现环境理解、决策执行的核心基础设施，堪称具身智能最重要的感知载体。

芯片-嵌入式

具身智能(1)：Docker、nvidia-ctk、OpenExplorer环境搭建现在具身智能领域最近蓬勃发展，从2025年春节宇树机器人上春晚到今年2026年松延动力、宇树科技《武 BOT》、魔法原子、银河通用等4家机器人再上春晚，而且宇树机器人1年内展现了非常高的迭代效率。而机器人大脑芯片方面，除了英伟达，现在就是地瓜机器人的RDK S100（800/128TOPS(int8)）。那么如何搭个环境来开发机器人呢？这里有一个基础的环境搭建。

深度神经网络的结构拆解：通用逼近器是如何工作的在人工智能的璀璨星河中，深度神经网络（DNN）无疑是最耀眼的那颗。从图像识别中的卷积神经网络（CNN）到自然语言处理中的Transformer，DNN几乎无所不能。然而，对于许多人来说，它仍然是一个神秘的“黑盒”：输入数据进去，预测结果出来，中间的过程复杂得难以理解。

使用DNN\LSTM\CNN进行时间序列预测本节我们将在上节构建的数据窗口的基础上，尝试使用基本的深度神经网络算法进行测试，预测未来24h的家庭用电量。整个过程包括： 1.数据准备 1）查看数据，计算缺失值数量 2）估算缺失值 3）数值类型转换 4）构建DataTime对象 5）按小时数据重采样 6）去掉不完整的小时数 2.特征工程 1）识别季节性 2）时间编码 3）缩放数据 3.划分数据按7：2：1划分数据集 4.为深度学习建模做准备 1）实现DataWindow类 2）定义compile_and_fit函数 3）创建列索引和列名字典 5.深度

陈天伟教授

人工智能应用- 搜索引擎：03. 网页定位搜索引擎的首要任务是从海量数据中迅速找到与用户查询相关的文档。互联网上的信息数量庞大，搜索引擎需要在极短时间内搜索到用户想要查找的内容，并且还要同时应对大量用户的请求，因此必须设计一种高效的查询算法。“倒排索引”是当前广泛采用的一种技术。

陈天伟教授

人工智能应用- 人机对战：06. 小结人工智能在电子游戏领域的出色表现展示了 AI 技术的巨大潜力。从早期的 Atari 游戏到复杂的《星际争霸》，AI 不仅能够在简单、封闭型的游戏中超越人类，在复杂、开放的游戏环境中也表现出与人类旗鼓相当的水平。

深度强化学习在滑膜无人船艇轨迹跟踪中的应用（文献+程序）深度强化学习滑膜无人船艇轨迹跟踪 Python DDPG 1.ddpg+mpc 2.ddqn 3.ddqg RBF神经网络无人车无人机编队车辆控制跟踪轨迹规划滑膜控制动态面，跟踪sin正弦轨迹和圆轨迹出图包括舵角变换轨迹图MATLAB simulink仿真