神经网络

【论文笔记】《Deep Learning for Time Series Anomaly Detection: A Survey》用于时序数据异常检测的深度学习综述2024年10月时序数据的异常检测广泛应用与金融市场、经济学、地球科学、制造业和医疗保健等行业。本综述提供了基于异常检测策略和深度学习模型的分类法，讨论了它们的优点和局限性。该综述包括近年来在各种应用领域的时序数据中深度异常检测的例子。

陈天伟教授

人工智能应用-机器视觉：绘画大师 04.基于风格迁移的绘画大师利用深度神经网络的这种内容－风格分离能力可以实现图片的风格迁移，即将一张图片 B 的风格迁移到另一张图片 A 上。换句话说，就是希望得到一张图片，该图片在内容上与 A 一致，但在风格上与 B 一致。实现这一目标的方法如下：首先确定内容图片 A 和风格图片 B，然后随机生成一幅初始图像 X。利用迭代更新法不断调整X，使得X 经过一个卷积网络后得到的激发值与A 的激发值相近，而激发值之间的关系矩阵与B 的激发值关系矩阵相近。经过多次调整后，X 将逐渐接近A 表达的内容，但具有与 B 相似的风格。

翱翔的苍鹰

通俗、生动的方式来讲解“卷积神经网络（CNN）🌟 一、什么是卷积神经网络？（CNN） ✅ 简单说：卷积神经网络（CNN）是专门用来“看图”的深度学习模型。 🔍 举个生活例子：想象你是一个刚出生的婴儿，第一次看到一只猫。一开始你只看到一堆颜色和形状 → 不知道是什么但你的眼睛会慢慢注意到：有两条竖线 → 可能是耳朵有圆点 → 是眼睛有胡须 → 是猫！最后你把所有特征组合起来 → “这是只猫” 🧠 CNN 就像这个过程：它通过一层层“扫描”图像，从简单到复杂地识别图案。 🧱 二、CNN 的三大核心组件（构成）我们来用一张图片一步

Day 51 神经网络调参指南对简单的CNN进行调参：@浙大疏锦行

陈天伟教授

人工智能应用-机器视觉：绘画大师 05.还原毕加索的隐藏画在艺术史上，一些大画家也曾经历过艰难时刻。例如，毕加索在 1901—1904 年间经历了极度的经济困境。

Product Hunt 每日热榜 | 2026-01-20标语：几分钟内让你的业务与人工智能对话相连介绍：让你的客户在他们已经搜索的地方找到你。只需几分钟，打造属于你的品牌AI应用，完全不用写代码。从ChatGPT开始，每周有超过8亿人使用这个平台进行搜索。当其他平台开启应用商店时，也可以扩展到他们那里。抓住潜在客户、预约、销售产品，借助AI生成常见问题解答和客户评价。上传文档，让你的应用更智能。自动同步到HubSpot。你的客户正在向AI寻求推荐，成为他们的答案吧！

CLIP：连接图像与文本的 AI 核心工具传统的计算机视觉系统通常需要在固定的、预设的物体类别上进行训练，这种监督形式限制了模型的通用性和灵活性。CLIP（Contrastive Language–Image Pre-training）的创新之处在于，它利用互联网上大量自然存在的图像-文本对作为监督信号，通过预测图像与文本的对应关系来学习视觉表示。这种方法的核心优势在于，自然语言能够表达极其广泛的视觉概念，从而为模型提供了更丰富的监督信息。

论文精读第五期：V-STAR提高复杂推理能力这篇论文《V-STaR: Training Verifiers for Self-Taught Reasoners》发表于COLM 2024，提出了一种名为V-STaR的新方法，旨在通过更高效地利用模型自身生成的数据来提升大型语言模型在复杂推理任务（如数学解题和代码生成）中的性能。

AI大模型-卷积神经网络-卷积核的由来为避免一学就会、一用就废，这里做下笔记本文内容紧承前文-卷积神经网络，欲渐进，请循序。卷积核的初始值是随机生成的，最终值是通过网络在训练数据上，通过反向传播和梯度下降算法“学”出来的。

神经网络框架代码详细讲解本文分部分详细讲解这个神经网络框架的代码，方便理解每个组件的原理和作用。完整代码如下：这个神经网络框架实现了：

FramePack | Image to Video 项目需求设计实现分析FramePack 是一个基于图像到视频（I2V）生成的AI项目，实现了"下一帧预测模型"的视频生成架构。该项目由 Lvmin Zhang 开发，能够从单张图片生成高质量的长视频，支持长达60秒的视频生成。

1957年罗森布拉特《感知机》报告深度剖析：人工智能的黎明与神经网络的奠基想象一下，那是1957年。当时的计算机被称作“电子大脑”，但实际上它们更像是巨大的、极速的算盘。它们能计算原子弹的爆炸轨迹，能破解复杂的密码，能处理海量的人口普查数据，但如果你给它们看一张猫的照片，或者一张狗的照片，这些当时世界上最聪明的机器就会瞬间变成“傻瓜”。在它们的硅基（当时更多是真空管）世界里，没有“形状”，没有“模式”，只有冰冷的0和1。要让计算机识别一个图形，程序员必须写下成千上万行代码，精确地定义每一个像素规则：“如果第5行第10列是黑色，且第5行第11列也是黑色……”

即插即用系列 | CVPR 2025 CATANet：一种用于轻量级图像超分辨率的高效内容感知 Token 聚合网络论文题目：CATANet: Efficient Content-Aware Token Aggregation for Lightweight Image Super-Resolution

[深度学习网络从入门到入土] 神经网络发展脉络知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

HUDDM：首个基于认知结构的AI系统设计的AI模型本文介绍了一种全新的AI架构——HUDDM，它代表了一种从海量数据驱动（深度学习）和人工规则驱动（符号系统）之外的“第三条道路”：基于人类认知结构来设计AI系统。HUDDM 将哲学与认知科学中的抽象概念转化为可训练的神经网络组件，在数学序列推理任务上，仅用少量数据就实现了快速收敛与高精度泛化，展示了认知结构先验在提升学习效率与可解释性方面的巨大潜力。

第五章神经网络（含反向传播计算）梯度下降

雪碧聊技术

2.认识AI目录一.AI发展史1.AI的含义2.图灵测试3.三个阶段二.AI市场分布1.三层2.什么是“智能应用（智能体）”？

【深度学习小课堂】| torch | 升维打击还是原位拼接？深度解码 PyTorch 中 stack 与 cat 的几何奥义在 PyTorch 的张量操作中，torch.cat (concatenate) 和 torch.stack 是两个最高频出现的“兄弟”函数。初学者往往觉得它们都能合并张量，但在构建复杂的神经网络（如 SKNet、特征融合模块）时，选错函数往往会导致维度冲突或逻辑错误。

基于遗传算法优化BP神经网络实现非线性函数拟合通过遗传算法全局搜索能力优化BP神经网络的初始权值和阈值，解决传统BP网络易陷入局部最优、收敛速度慢的问题。遗传算法在解空间中迭代寻优，最终获得使网络预测误差最小的最优参数组合。

图神经网络分享系列-GraphSage(Inductive Representation Learning on Large Graphs) (四)目录A . 小批量伪代码核心思想采样与聚合阶段邻域采样函数采样方向与层数定义B. 附加数据集详情C. 实验设置与超参数调优细节