神经网络

【大语言模型】揭开指令混合用于大语言模型微调的神秘面纱指令微调能显著提升大语言模型（LLMs）在多种任务上的性能。然而，如何优化用于LLM微调的指令数据集的混合策略，目前仍然缺乏深入理解。本研究将指令分为三大主要类型：NLP下游任务、代码生成和通用对话。我们探索了不同数据集组合的指令微调对LLM性能的影响，并发现某些指令类型对特定应用更有优势，但可能会对其他领域产生负面影响。这项工作为指令混合提供了深入见解，为未来的研究奠定了基础。

第三章：神经网络的史前史[!info] 在上一章的结尾我们提到，统计学习走到了它的天花板：特征工程过于依赖人类专家，维度灾难又限制了其发展规模，在跨领域迁移方面能力不足。因此，要想打破这个天花板，就需要发展出一种能让机器自己从原始数据出发学习特征的方法。其实这种想法，早在 1950 年代就已经有人提出来了——但它在接下来三十年里几乎被遗忘，直到一批不肯放弃的人，在最艰难的时刻坚持了下来。

AdaptiveConv动态权重卷积改进YOLOv26自适应特征提取能力传统卷积神经网络使用固定的卷积核权重进行特征提取,这种静态的特征提取方式在面对多样化的输入内容时缺乏灵活性。为了增强模型的自适应能力,本文介绍一种基于动态权重调整的AdaptiveConv(自适应卷积)改进方法。该方法通过全局上下文信息动态生成通道权重,实现内容自适应的特征提取,显著提升YOLOv26在复杂场景下的检测性能。

段一凡-华北理工大学

【大模型+知识图谱+工业智能体技术架构】~系列文章02：工业知识图谱的构建与知识表示学习方法！！！🏭 本篇深入探讨工业知识图谱的构建方法与知识表示学习技术，带你从零构建可计算、可推理的工业知识网络。

机器学习之心

贝叶斯优化+卷积神经网络+多目标优化+多属性决策！BO-CNN+NSGAII+熵权TOPSIS，附实验报告！在实际工程与科学决策中，常面临两类紧密相关的问题：预测问题：需要从多个输入特征精确预测多个连续输出变量（如产品质量、能耗、排放等）。卷积神经网络（CNN）具备强大的特征提取能力，但其性能依赖超参数（学习率、批大小、正则化系数）的合理选择。贝叶斯优化能高效搜索最优超参数组合。

利用多模态神经影像数据进行阿尔茨海默病分类和检测的可解释性尖峰神经网络框架1、利用尖峰神经网络的框架NeuCube进行阿茨海默症的检测和分类。并将结果和多种传统的机器学习代码进行比较。

OAK中国_官方

在OAK 4 系列上以480帧运行神经网络随着DepthAI 3.4.0版本的发布，我们为OAK 4系列设备引入了一项激动人心的新功能：高帧率（HFR）模式。该功能突破了实时感知的极限，可实现每秒高达480帧的处理速度——同时保持神经网络以同样惊人的速度运行。

基于LSTM神经网络的锂电池SOH估算模型（NASA数据集）【MATLAB】在新能源与储能技术飞速发展的今天，锂离子电池的健康状态（State of Health, SOH）监测成为了电池管理系统（BMS）中至关重要的一环。准确估算SOH不仅能够保障系统的安全运行，还能有效延长电池的整体使用寿命。

基于KAN神经网络的锂电池SOH估算模型（NASA数据集）【MATLAB】摘要：健康状态（State of Health，SOH）是锂电池全生命周期管理的核心指标。本文提出一种基于柯尔莫哥洛夫-阿诺德网络（Kolmogorov-Arnold Network，KAN）的锂电池SOH估算方法，以NASA电池老化数据集（B0005）为研究对象，通过多项式样条函数逼近非线性映射关系，结合L1/L2正则化与拟牛顿优化算法，实现对电池SOH的高精度估计。文章将从数据处理、网络架构到训练细节进行完整的代码级讲解。

张二娃同学

深度学习入门：YOLOv5 与 Fast R-CNN的认识目标检测难的地方，不只是“能不能识别出来”，还在于“速度、精度和部署成本如何平衡”。YOLOv5 代表单阶段检测思路，强调实时性和工程落地；Fast R-CNN 代表两阶段检测思路，强调候选区域建模和区域级判别。本文从原理、结构、参数、指标和应用场景五个层面展开，对两者做一篇适合初学者阅读、也能直接用于选型参考的对比分析。

郝学胜-神的一滴

激活函数：神经网络的「非线性灵魂」，让模型从“直线”走向“万能”在深度学习的世界里，激活函数是一个看似微小、却决定网络能力的核心组件。很多初学者会问：神经网络层层叠加，难道不是越深层能力越强？答案藏在一个关键逻辑里——没有激活函数，再深的网络，也只是一层线性回归。

郝学胜-神的一滴

深度学习激活函数核心精讲：Sigmoid 原理、推导与工程实践在深度学习的神经网络搭建中，加权求和 + 激活函数是神经元的标准工作流程。激活函数负责为网络引入非线性，让模型具备拟合复杂规律的能力。今天我们从最经典的Sigmoid出发，拆解公式、推导导数、分析缺陷，明确它在工程中的正确用法。

【MySQL基础】（4）：MySQL 数据类型在数据库系统中，数据选型绝非小事，它犹如大厦的基石，对系统性能、资源消耗等多方面有着深远影响。从性能角度来看，精准的数据选型能极大提升系统运行效率。合适的数据类型能让数据在磁盘上的存储更加紧凑，减少I/O操作的次数。当数据量庞大时，若选用了不恰当的类型，比如本可用TINYINT存储的状态位却用了INT，就会使磁盘I/O吞吐量下降，读取相同数量的数据需要更多次I/O操作，拖慢系统速度。而且，在内存中，合适的数据类型有助于提高Buffer Pool缓存命中率。当更多数据能以更小的空间存储在缓存中时，CPU就

AI梯度下降与PyTorch张量操作技术指南AI梯度下降与PyTorch张量操作技术指南

Prompt Engineering进阶指南在大模型（LLM）快速发展的今天，“会不会写 Prompt”已经不再是核心问题。真正的分水岭在于：你是否理解——如何让模型“思考”。

【大语言模型】 WizardLM：赋能大型预训练语言模型以遵循复杂指令训练大型语言模型（LLM）使用开放领域的指令遵循数据取得了巨大的成功。然而，手动创建此类指令数据非常耗时且劳动密集。此外，人类可能难以产生高复杂度的指令。本文展示了一种利用LLM而非人类来创建具有不同复杂度级别的大量指令数据的方法。从一个初始指令集开始，我们使用提出的Evol-Instruct方法，逐步将它们重写为更复杂的指令。然后，我们混合所有生成的指令数据来微调LLaMA模型，最终模型被称为WizardLM。自动化和人工评估均一致表明，WizardLM的性能优于Alpaca（基于Self-Instru

测绘第一深情

MapQR:自动驾驶在线矢量化高精地图构建的端到端 SOTA 方法MapQR 是 ECCV 2024 提出的、面向自动驾驶在线矢量化高精地图构建的端到端 SOTA 方法，核心是通过增强点集查询机制，解决传统方法精度低、信息不一致的问题，在 nuScenes/Argoverse2 上实现最优 mAP 且保持高效运行。

具有输出LC滤波器的三相逆变器前馈神经网络模型预测控制（FFNN-MPC）针对具有输出LC滤波器的三相逆变器系统，前馈神经网络模型预测控制（FFNN-MPC）结合了神经网络强大的非线性建模能力和MPC的优化控制特性。以下是完整的理论分析、系统建模、神经网络训练和MPC实现方案。

LLM大模型认识通过上一节AI基础认知的分析，我们知道AI产生智能的三要素分别是：算法、数据、算力。本质来说，AI的智能还是基于各种数学计算产生的。

陈天伟教授

“快速模式”和“专家模式”你提到的“快速模式”和“专家模式”通常出现在各类工具、软件或AI产品中。由于没有指明具体场景，我列举几个最常见的情况供你参考：