深度学习

weixin_45776000

RNN（循环神经网络）原理一、RNN基本思想与核心概念 1.1 为什么需要RNN？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：

Matlab 教程：基于 RFUAV 系统使用 Matlab 处理无人机信号在通信安全与频谱监测中，基于射频 (RF) 数据的无人机识别系统被广泛研究。RFUAV 项目通过频谱图分析、信噪比估计等手段，对无人机的 IQ 信号进行分析处理。本项目在 OpenBayes 平台上使用 MATLAB 实现 RFUAV 的关键流程，完成 .mat → .dat 数据转换、频谱图可视化、SNR 估计及分段裁剪等任务。该教程基于浙江理工大学、杭州电子科技大学等研究团队于 2025 年发布的论文「RFUAV: A Benchmark Dataset for Unmanned Aerial Ve

【神经风格迁移：深度实战】7、高级调参实战指南：从调参盲盒到科学优化方法论本文将揭示神经风格迁移调参的核心机制，通过系统化的实验设计和自动化工具，让你告别“调参盲盒”，实现科学高效的参数优化。

音视频牛哥

从“十五五”到数字化转型：音视频技术在未来产业中的关键作用近日，新华社发布的关于未来经济与社会发展的通稿引发了各界热议。虽然我们目前正处于“十四五”规划的收官阶段，但关于“十五五”规划（2026-2030）的前瞻性解读已成为捕捉未来风口的罗盘。

激活函数应该具有哪些特征激活函数应该具有哪些特征1.非线性2.可微性3.计算效率高4.缓解梯度消失与爆炸5.合理的输出范围6.稀疏激活能力

AI学会理解物理法则：OpenAI Sora 2如何重塑视频生成新范式欢迎来到小灰灰的博客空间！Weclome you！博客主页：IT·小灰灰爱发电：小灰灰的爱发电热爱领域：前端（HTML）、后端（PHP）、人工智能、云服务

铅笔侠_小龙虾

深度学习理论推导--二分类逻辑回归当你迷茫的时候，请回头看看目录大纲，也许有你意想不到的收获前面讲到几篇，都是线性回归问题的求解，目标是找到一条直线来拟合，求解方式有最小二乘法，正规方程，梯度下降法。现在讲讲另一种回归问题，就是逻辑回归，也就是分类问题，分类问题也包括二分类与多分类问题。

入选TPAMI顶刊！多模态图像融合新突破！最近在IEEE TPAMI上刷到了不少关于多模态图像融合的研究，比较亮眼的就有FreeFusion，一种红外与可见光图像融合方法，以及SFINet及改进版SFINet++（见下文）。

工业机器视觉设计和实现

极简单cnn对称之美卷积神经网络cnn的关键函数forward与backward有一种对称之美：蓝对蓝，黄对黄，如下：public void forward() { //1,第一层卷积，卷积核使用顺序 z1[0] = a0[0] * wcnn[0][0] + a0[1] * wcnn[0][1] + a0[3]* wcnn[0][2] + a0[4]* wcnn[0][3];//0,1,3,4

【CNN与卷积神经网络（吴恩达）】卷积神经网络学习笔记谈到计算机视觉要解决的问题有很多，比如图像分类、目标检测和神经网络实现的图片风格迁移等。当面对很大的图片的时候，相应地会产生很多的参数，在参数如此大量的情况下，难以获取足够的数据来防止神经网络发生过拟合，同时需要训练的巨额参数对内存要求也很高。因此卷积运算的出现就是为了解决这个问题。

ThinkStation PGX 与 RTX 4090 深度学习性能对比测试报告本次测试对比了两个不同架构的深度学习工作站的性能表现。一方面是基于Intel i9-10980XE和NVIDIA RTX 4090的传统x86_64平台，另一方面是基于ARM Cortex-X925和NVIDIA GB10显卡的ThinkStation PGX工作站。测试旨在评估两个平台在典型深度学习工作负载下的实际表现。

opencv学习笔记13：U-Net目录一.U-Net架构细节解释1.介绍2.U-Net三部分（1）编码器（Contracting Path）

当AI开口说话：可灵视频2.6如何终结“默片时代“重塑视听共生欢迎来到小灰灰的博客空间！Weclome you！博客主页：IT·小灰灰爱发电：小灰灰的爱发电热爱领域：前端（HTML）、后端（PHP）、人工智能、云服务

AI应用层革命（六）——智能体的伦理边界与法律框架：当机器开始“做决定”本文为《AI应用层革命》系列第六篇，延续前五篇对智能体自主演化、生命特征、社会结构变革的探讨。本篇将聚焦于一个更为紧迫且复杂的议题：当智能体具备自主决策能力时，我们该如何界定其伦理边界？又该如何构建一套适应智能文明的法律框架？

【人工智能】【深度学习】 ⑩ 图神经网络（GNN）从入门到工业落地：消息传递、稀疏计算与推荐/风控实战作者：xiezhiyi007（CSDN）适用读者：AI工程师、算法研究员、准备大厂图算法面试的开发者关键词：GNN、图神经网络、消息传递、GCN、GAT、PyTorch Geometric、稀疏计算、图嵌入

努力毕业的小土博^_^

【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）欢迎铁子们点赞、关注、收藏！祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

xiaoxiaoxiaolll

机器学习材料性能预测与材料基因工程传统的材料研发技术是通过实验合成表征对材料进行试错和验证，而过去的计算手段受限于算法效率，无法有效求解实际工业生产中面临的复杂问题。

java1234_小锋

Transformer 大语言模型（LLM）基石 - Transformer架构详解 - 层归一化（Layer Normalization）详解以及算法实现锋哥原创的Transformer 大语言模型（LLM）基石视频教程：https://www.bilibili.com/video/BV1X92pBqEhV

基于深度学习的文物图像修复系统文物是人类文明的瑰宝，但随着时间的推移，许多文物（如壁画、古画、照片等）不可避免地遭受了自然风化、虫蛀、霉变或人为损坏，导致出现了裂缝、污渍、缺失等问题。传统的人工修复往往需要耗费大量的时间和人力成本，且对修复师的技艺要求极高。

hook来获取模型每层的激活值输出1.利用train_dataset来提取数据集，并且提取第一个数据集图像，没有batch维度2.添加 batch 维度: [C, H, W] -> [1, C, H, W]img = img.unsqueeze(0)