神经网络

神经网络之感知机（Perceptron）机器学习（Machine Learning）系列1957年，弗兰克·罗森布拉特（Frank Rosenblatt）提出了感知机模型，他的工作证明了通过简单单元的互联和简单的学习规则，可以涌现出强大的智能行为，这一核心思想至今未变。

陈天伟教授

人工智能应用-机器视觉：AI 鉴伪 06.人脸控制技术展示了人脸控制的基本流程：首先，从“目标”图片或视频中提取出表情和动作特征，然后将这些特征应用到“源”图片中，从而生成具有相同表情和动作的图片或视频。

小白勇闯网安圈

神经网络的简单实现深度学习基础核心工具库的纯 NumPy 实现，完整封装了神经网络训练 / 预测所需的5 类激活函数和2 类损失函数，所有函数均适配标量、向量、矩阵多维度输入，解决了数值溢出、维度不兼容等工程问题，是手写数字识别等神经网络任务的基础依赖组件。

Product Hunt 每日热榜 | 2026-01-27标语：研究、规划并投资于一个聊天工具介绍：Minara帮助你从市场洞察到自信投资，只需一次聊天。你可以先提出一个问题或依靠直觉。Minara会实时收集信息，帮你筛选出重要内容，让你能轻松做出下一步的决策。当你准备好时，可以直接在聊天中执行区块链交易进行投资。随着你投资能力的提升，可以建立强大的工作流程，自动监控、生成报告和执行基于规则的策略，让你能够迅速而果断地采取行动。

Grad-CAM解释ppo的cnn行为ppo两个动作，cnn加掩码可视化，如果cnn把特定区域标高亮是不是就知道往什么方向走了你的直觉非常敏锐！“CNN把特定区域标高亮”确实能告诉你“往什么方向走”，但这中间需要一个关键的逻辑转换：从“视觉注意”到“动作决策”的映射。

YOLO深度学习—旋转框obb数据集快速打标签做遥感影像最烦的就是数据标签，大部分遥感影像数据基本在公开数据集都找不到（除了DOTA的），就算有也是只有图片没有标签文件，所以意思就是遥感数据集obb旋转框标签必须我们手动自己打，这里讲一下怎么加快效率

生成论实验室

文化认同的生成论重构：从实体归属到矩阵调谐的范式转换作者：周林东，单位：独立研究者摘要：本文旨在提出并系统论证一个关于文化认同的生成论元理论模型。面对传统认同理论中基于血缘的实体论、基于习俗的经验论以及静态的文化本质主义的解释困境，本研究引入周林东系统建构的生成论哲学作为分析框架，提出“文化认同的本质是个体意识与动态的文化互动矩阵（J_culture）之间的生成性调谐过程”这一核心命题。本文首先批判了既有范式，指出其无法解释认同的流动性、复合性与创造性。继而，本文构建了生成论文化认同理论的核心模型：将文化界定为一个具有特定结构的、动态的“意义生成与关系协调

把大模型塞进蓝牙耳机：1.46MB 的 Whisper-Lite 落地全记录最近研学过程中发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击链接跳转到网站人工智能及编程语言学习教程。读者们可以通过里面的文章详细了解一下人工智能及其编程等教程和学习方法。下面开始对正文内容的介绍。

机器学习之心

MATLAB基于GA-BP神经网络与NSGA-Ⅱ多目标优化算法结合，用于优化42CrMo钢表面激光熔覆工艺参数整个优化流程可分为四个主要阶段：否是实验设计与数据采集构建GA-BP预测模型模型精度达标?NSGA-Ⅱ多目标优化

爱喝可乐的老王

神经网络的学习核心结论：神经网络的 “学习” 本质是通过数据自动找到最优权重参数，核心逻辑是用损失函数判断预测误差，用梯度下降法调整参数，最终让模型能精准完成任务。

softmax函数与logitssoftmax 函数有一种独特的优雅：softmax ( z i ) = e z i ∑ j e z j \text{softmax}(z_i) = \frac{e^{z_i}}{\sum_j e^{z_j}} softmax(zi)=∑jezjezi

【PonitNet++】2. 点云输入深度神经网络前的常见表示形式点云（Point Cloud）是由三维空间中大量离散点组成的数据形式，其具有无序性、非结构化的特点，无法直接输入深度神经网络（DNN）进行处理，因此在输入网络前通常需要转换为结构化的表示形式。目前主流的转换形式主要有以下几种，每种形式对应适配不同的神经网络结构，以实现高效的特征学习与任务处理：

赋创小助手

Maia 200 技术拆解：微软云端 AI 推理加速器的设计取舍微软近期正式推出新一代 AI 加速器 Microsoft Azure Maia 200。作为 Maia GPU 系列的第二代产品，这款芯片从一开始就被明确定位为面向 AI 模型推理的专用加速器，而非通用训练 GPU。在官方披露的信息中，微软将 Maia 200 称为“史上部署的最高效推理系统”，并多次强调其在性能、能效以及可持续性方面的综合优势。

HyperAI超神经

加州大学构建基于全连接神经网络的片上光谱仪，在芯片级尺寸上实现8纳米的光谱分辨率如今，智能手机摄像头已进入亿级像素时代，能够捕捉细节丰富的图像，却依然无法像专业光谱仪那样解析物质的化学成分，例如实现水果糖度的无损检测、皮肤健康评估或环境中微量污染物的识别。这一能力差距的关键，在于手机等设备缺少一个能够精确读取物质独特「光谱指纹」的核心部件——光谱仪。

Brduino脑机接口技术答疑

脑机接口数据处理连载（十）经典分类算法（二）：神经网络在脑电数据中的适配——基于运动想象BCI的实战实现上一篇我们讲解了支持向量机（SVM）在脑机接口（BCI）运动想象（MI）脑电（EEG）数据中的建模方法，SVM凭借小样本适配性成为BCI的经典算法，但它存在明显局限性：过度依赖人工特征工程、对高维时空特征的建模能力有限、泛化性能随数据量提升的空间较小。而神经网络凭借端到端特征学习、时空特征联合建模、自适应特征提取的优势，成为脑电数据分类的重要进阶方案。

胖墩会武术

《图像分割简史》【PyTorch项目实战】语义分割：U-Net、UNet++、U2Net这是深度学习在图像分割领域的开山之作，它让计算机视觉从“识别图片里有什么”跨越到了“识别像素点是什么”。

AI街潜水的八角

基于YOLO26苹果水果缺陷检测系统1：苹果水果缺陷检测数据集说明(含下载链接)本篇博客是《基于YOLO26苹果缺陷检测系统》系列文章之《苹果缺陷检测数据集说明(含下载链接)》，网上有很多苹果缺陷检测数据集的数据，百度一下，一搜一大堆，但质量参差不齐，很多不能用，即使一个一个的看也会浪费很多时间才有可能辨别出有用的数据集。为了方便你我他，本博客将分享一个由我自己整理的苹果缺陷检测数据，可直接应用到目标检测算法比如yolo系列中，当然也可以应用到分类模型中，数据集总共有8978张图片，并包含它的高质量标注文件。数据质量非常高，甚至可应用到工业落地的项目中。

基于卷积神经网络的人脸性别识别实验应用目录一、实验目的二、实验内容三、实验方法四、算法特色五、实验结果及分析1.模型架构(ImprovedCNN)

MM 2025 | 时间序列（Time Series）论文总结【预测，分类，异常检测，医疗时序】ACM MM 2025于2025年10月27号-31号在爱尔兰都柏林（Dublin, Ireland）举行

人工智能之核心技术深度学习第二章神经网络训练与优化第二章神经网络训练与优化神经网络的训练是一个迭代优化过程，其核心是通过反向传播计算梯度，并利用优化算法更新参数，以最小化损失函数。同时，为防止过拟合和数值不稳定，需引入正则化与稳定技术。