神经网络

Zevalin爱灰灰

智能控制第五章——神经网络控制论参考课程：https://www.bilibili.com/video/BV1PE411W7QM/?spm_id_from=333.1387.favlist.content.click&vd_source=8f8a7bd7765d52551c498d7eaed8acd5

AI 术语通俗词典：LSTMLSTM 是深度学习、循环神经网络、自然语言处理、时间序列预测和人工智能模型训练中非常经典的一个术语，全称是 Long Short-Term Memory，通常翻译为“长短期记忆网络”。它用来描述一种能够在序列数据中保留较长时间依赖关系的神经网络结构。换句话说，LSTM 是在回答：模型怎样在处理一串连续数据时，既记住前面重要信息，又忘掉不重要信息。

神经网络原理第九章：自组织映射自组织映射是神经网络无教师学习部分的重要章节。与第8章的主分量分析（PCA）关注数据的方差最大方向不同，SOM关注的是数据的拓扑结构和空间分布。

DL：生成对抗网络的基本原理与 PyTorch 实现生成对抗网络（Generative Adversarial Network，GAN）是深度学习中非常重要的一类生成模型。与分类模型、回归模型不同，GAN 的目标不是根据输入判断类别，也不是预测一个连续数值，而是学习真实数据的分布，并生成看起来像真实数据的新样本。

Zevalin爱灰灰

智能控制第六章——集成智能控制系统参考课程：https://www.bilibili.com/video/BV1PE411W7QM/?spm_id_from=333.1387.favlist.content.click&vd_source=8f8a7bd7765d52551c498d7eaed8acd5

PyTorch：神经网络模块PyTorch 的 torch.nn 模块，是构建神经网络最核心的模块。它提供了模型基类、常用网络层、激活函数、损失函数、容器结构、参数管理和训练状态控制等能力。

即插即用系列 | SliMamba——空谱维度魔术转换，打造高光谱分类的超轻量级 Mamba 架构论文题目：Spectral Selection Convolution and Overlapped-Centering Mamba Network for Hyperspectral Image Classification

09a-斯坦福 CS336 作业一：BPE 分词器本文档基于斯坦福大学 CS336（从零实现大语言模型）课程作业一，从零实现字节级 BPE（Byte Pair Encoding）分词器，涵盖算法原理、训练流程、编码解码实现及完整可运行的代码示例 🛠️

机器学习之心

大跨度拱桥施工智能优化：基于改进RBF神经网络与多目标算法的工程实践最近在做一项大跨度RC拱桥施工期扣塔关键参数优化的研究，涉及神经网络改进、多目标优化算法、有限元仿真等多个技术领域。这篇文章分享一下技术思路！

EXCEL实现MLP实例本文档详细分析计算示例.xlsx 中展示的多层感知器(MLP)前向传播与反向传播计算过程。输入数据:

段一凡-华北理工大学

2026 高炉炼铁智能化技术全景与演进路径~系列文章04：云-边-端协同架构：高炉智能化底层支撑体系导言：智能化系统的"智商"再高，也需要"强健的体魄"来支撑。本期我们将深入探讨高炉智能化系统的底层架构——如何通过"云-边-端"三层协同，实现海量工业数据的实时处理与智能推理，并确保系统的可靠性、实时性与可扩展性。

DL：循环神经网络的基本原理与 PyTorch 实现循环神经网络（Recurrent Neural Network，RNN）是深度学习中专门用于处理序列数据的一类神经网络。与前馈神经网络不同，RNN 不只是把输入从前向后逐层传递，而是在处理序列时引入“隐藏状态”，让模型能够把前面时间步的信息传递到后面时间步。

Excel实现LSTM示例检查点：现在你的 Excel 前 19 行应该和初始数据完全一致。结果：D22:H22 应该显示 0.1 0.2 0.3 0.5 0.8

神经网络梳理神经元 neuron 的基本结构细胞体cell body 树突dendrite 轴突 axon。感知机perceptron 激活函数 activation function

Zevalin爱灰灰

智能控制第四章——人工神经网络参考课程：https://www.bilibili.com/video/BV1PE411W7QM/?spm_id_from=333.1387.favlist.content.click&vd_source=8f8a7bd7765d52551c498d7eaed8acd5

机器学习知识点：正则化今天我们来聊一个解决过拟合时经常出现的方法：正则化 Regularization.前面我们讲过，过拟合是模型在训练集上表现很好，但在测试集上表现变差。那怎么让模型不要学得太复杂、太死呢？一个常用答案就是：给模型加一点“约束”。这就是正则化的核心思想。

人生时序堆叠推演神经网络（LTSI-Net）——基于个人全维度生活时序数据的未来轨迹预测模型-----------------------作者：杨连江（电子产品自研工作室）摘要针对传统人工智能模型仅能完成图像识别、文本生成、单项时序预测等窄域任务，无法对人类个体长期行为轨迹、人生发展趋势、未来状态演变进行系统性建模的问题，本文提出一种全新的人生时序堆叠推演神经网络（Life-Time Stack Inference Network, LTSI-Net）。本模型以人类每日生活全维度量化数据为输入，构建多层堆叠式神经网络结构，逐层萃取单日微观特征、周期中观规律、长期宏观趋势。通过时序特征叠加、行为

PYTHON+AI LLM DAY FIFITY-FOUR今天细致聊下循环神经网络(RNN):之前也提到过RNN是用来处理序列数据及一些相关的应用场景.现在来聊聊其API和一些其他的东西.torch.nn.RNN(input_size,hidden_size,num_layers)参数分别表示输入的特征维度,输出特征维度,隐藏层数.输入的Xt=(seq_len,batch_size,input_size).参数分别表示样本的token数,批次,指定词向量的维度.实际情况Xt是一个张量,形状根据你自己拿到的数据.需要注意:通常情况拿到的数据是:批次,token数.

池化对比：CNN池化 VS Java线程池

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？