神经网络

陈天伟教授

图解人工智能（34）深度学习面临的挑战对抗样本的存在说明人与机器看世界的方式可能是有差异的。讨论一下，为什么说这种差异有可能带来巨大的未知风险？

Welford算法 | 从单一到批次在之前的一篇文章 https://blog.csdn.net/P_LarT/article/details/156197657 中，我介绍了welford算法在处理单一样本的情况。这篇文章里则是从单一数据扩展到批次数据的情形。为了清晰和完整，这里重新进行了相关公式的推导。

CNN 卷积神经网络卷积计算本质上是卷积核和输入数据的局部区域间做点积；计算规则：从左到右，从上到下；通过上面的卷积计算过程，最终的特征图比原始图像小很多，如果想要保持经过卷积后的图像大小不变, 可以在原图周围添加 padding 来实现.； Padding =1：上下左右各填1个像素；

xclabel是一款开源图像标注与模型训练工具，采用Python+Flask开发，跨平台支持Windows/Linux/Macxclabel是一款开源图像标注与模型训练工具，采用Python+Flask开发，跨平台支持Windows/Linux/Mac。

山屿落星辰

ops-nn - 神经网络算子性能秘籍第一次跑 ResNet-50 推理，最让我困惑的是同样的模型，为什么在昇腾NPU上比在 GPU 上慢 30%？

Product Hunt 每日热榜 | 2026-05-22标语：完全通过人工智能代理运营个人公司介绍：Tycoon.us 让你通过人工智能代理来管理整家公司。这里的中心是 Astra，一个AI首席执行官，你还可以选择超过10个现成的AI代理，比如负责市场的CMO和负责编程的CTO。Astra 还可以管理 Claude Code 和 Hermes。当你给 Astra设定一个关键绩效指标或项目，比如“本月流量提升十倍”或者“推出用户引导流程”时，她会制定计划，分配任务，跟踪进展，并在需要时请求审批。每个代理都是即插即用的，无需复杂的设置、编码或API密钥。

搞科研的小刘选手

【人工智能专题研讨会】第五届人工智能与智能信息处理国际学术会议（AIIIP 2026）第五届人工智能与智能信息处理国际学术会议（AIIIP 2026）2026 5th International Conference on Artificial Intelligence and Intelligent Information Processing

DL：卷积神经网络的基本原理与 PyTorch 实现卷积神经网络（Convolutional Neural Network，CNN）是深度学习中最重要的模型结构之一，尤其适合处理图像、视频等具有空间结构的数据。与普通多层感知机（MLP）直接把输入展开为一维向量不同，卷积神经网络会尽量保留图像中的局部邻域关系，通过卷积核在图像上滑动，自动学习边缘、纹理、形状等层级特征。

简简单单做算法

基于模糊神经网络的一维时间序列预测算法matlab仿真目录✨1.前言📡2.算法测试效果图预览🔍3.算法运行软件版本✅4.部分核心程序🚀5.算法理论概述

案例之 ANN案例_手机价格分类反向传播目的是进行参数更新，利用损失函数 Error，从后往前，结合梯度下降算法 (公式：w新 = w旧 -学习率*梯度)，链式求导（依次求得各个参数的偏导），进行参数更新：损失函数 --》学习损失函数；梯度下降算法 —》网络优化方法（梯度下降优化、学习率衰减策略）；

涛声依旧-底层原理研究所

残差连接与层归一化通俗易懂的详解残差连接（Residual Connection）和层归一化（Layer Normalization）是深度神经网络（尤其是Transformer架构）中用于提升模型训练稳定性、加速收敛并防止梯度消失/爆炸的两项关键技术。它们通常协同工作，共同构成了Transformer中每个子层（如自注意力层、前馈神经网络层）的核心结构单元。

物理生物学研究报告【20260012】两个机器人被放置在同一个物理世界中：世界中有：没有得分、没有回合数、没有“胜利条件”。唯一的“压力”是能量——能量归零，机器人就会死亡（然后被重置到起点继续）。

人工智能导论：模型与算法（未来发展与趋势）人工智能作为引领新一轮科技革命和产业变革的战略性技术，正在深刻改变人类社会。本章从类脑计算、自动化机器学习、神经网络压缩、人工智能芯片、量子机器学习、人工智能伦理与治理、人工智能算法开发框架等方面，简要总结人工智能的未来发展方向和趋势。

第十五章：海纳百川——集成学习的高级策略与Stacking硬核实战在上一章“从树到森林”中，我们领略了Bagging通过并行投票降低方差、Boosting通过顺序纠错降低偏差的强大威力。然而，当单一算法家族（比如清一色的决策树）遇到性能瓶颈时，我们需要更宏大的视野——“海纳百川”。本章将彻底撕开模型融合的底层黑盒，带你从零构建工业级的Stacking流水线。

人工智能培训

大模型与传统小模型、传统NLP模型的核心差异解析随着人工智能技术的爆发式发展，大模型已成为推动AI普及的核心力量，与传统小模型、传统NLP模型形成了鲜明的能力分野。很多人误以为三者的区别仅在于“参数多少”，实则不然——从技术架构、训练方式到能力边界、应用场景，大模型实现了对传统模型的全方位突破，三者如同AI领域的“全能学者”“专科医生”与“基础工具”，各自承担着不同的角色。本文将从五大核心维度，系统解析三者的差异，帮助我们更清晰地理解AI技术的发展脉络。

大模型｜大模型之机器学习基本理论对比维度有监督学习无监督学习半监督学习强化学习数据类型全标签数据无标签数据少量标签+大量无标签无直接标签，通过奖励反馈

埃菲尔铁塔_CV算法

YOLO11 与传统纹理特征融合目标检测完整实现教程本教程从零实现 YOLO11 与传统纹理特征的融合检测，覆盖两种核心融合方案：轻量级后处理融合（新手友好，直接落地）、进阶特征层融合（高精度，学术 / 工业场景适用）。教程包含完整可运行代码、原理讲解、环境配置、测试验证，解决纯 YOLO11 检测中细粒度目标误检、纹理相似目标混淆等问题。

CANN神经网络算子库`ops-nn`：昇腾NPU上Matmul与激活函数的底层逻辑之前有朋友问我，PyTorch 里的 F.relu(x) 调到昇腾 NPU 上，底层到底发生了什么？我翻了一下 ops-nn 的源码和近期提交记录，发现这个问题的答案比想象中更有意思，也更复杂。

人工智能（二）— 神经网络机器学习（Machine Learning 简称ML）是实现人工智能（AI）的主要方法；它的核心思想是：让计算机自己从大量的数据中“学习”规律，并利用这些规律对未知的情况做出预测或决策；

day26_人工神经网络_多分类任务案例下面这个案例使用的方法不是最优的，可以自己调着玩。可以大致按照以下思路去开发代码：1个配置文件一般来说，我们会把参数都维护到一个配置文件里，这样后续调参就可以不动代码。在本案例中，图省事我直接写在一块代码里了。