神经网络

bubiyoushang888

基于LSTM神经网络的短期风速预测实现方案1. 数据预处理流程归一化处理：使用mapminmax将风速数据缩放至[0,1]区间，消除量纲影响滑动窗口构建：设置窗口大小win_size=24（24小时历史数据），预测步长pred_len=6（未来6小时）

努力毕业的小土博^_^

【AI课程领学】第十二课 · 超参数设定与网络训练（课时1）网络超参数设定：从“要调什么”到“怎么系统地调”（含 PyTorch 可复用模板）【AI课程领学】第十二课 · 超参数设定与网络训练（课时1）网络超参数设定：从“要调什么”到“怎么系统地调”（含 PyTorch 可复用模板）

陈天伟教授

人工智能应用-机器视觉：AI 鉴伪 08.虚假图片鉴别通过检测眼部对称性来判断虚假人脸。图片来源：Hu et al., 2021研究人员抓住了这些细节上的缺陷，开发了多种识别虚假图片的方法。例如，美国Buffalo 大学的研究人员推出了一种基于双眼特性的检测工具，该工具能够以高达 94% 的准确率识别出由 GAN 生成的虚假人脸图片。

AI基础概念之十三：Transformer 算法结构相比传统神经网络的改进Transformer 的编码器 - 解码器架构，本质上是一种特殊的 “输入层→隐藏层→输出层” 结构，但和传统神经网络（如 MLP、CNN、RNN）相比，其结构改动是颠覆性的 —— 核心是用注意力机制 + 并行子层替代了传统网络的 “全连接 / 卷积 / 递归” 隐藏层，同时重构了输入输出的信息传递逻辑。以下是从 “输入 - 隐藏 - 输出” 三层视角，拆解 Transformer 相对传统神经网络的核心结构改动：

陈天伟教授

人工智能应用-机器视觉：AI 鉴伪 07.虚假图片鉴别不论是从无到有的人脸合成，还是利用 Deepfake 进行换脸，这些合成的图片和视频已经逼真到肉眼难以分辨的地步。然而，这并不意味着这些伪造图片毫无破绽。事实上，尽管 AI 生成的图片在整体上看起来非常逼真，但在细节上仍然存在明显的缺陷。

基于卷积神经网络通用手写体识别应用实验目录一、实验目的二、实验内容三、实验方法四、算法特色五、实验结果及分析实验源代码：模型训练结果在handdemo1.py的训练过程中，每个周期结束后会输出该周期的训练损失、测试损失、测试准确率和训练时间。典型的输出格式：

陈天伟教授

人工智能应用-机器视觉：AI 鉴伪 03.换脸伪造技术除了生成完全虚构的人脸，深度生成网络还可以对已有的人脸进行修改，从而实现换脸效果。在本节中，我们将探讨换脸背后的技术原理。

卷积神经网络的开端：LeNet−5LeNet-5神经网络是1998年YANN LECUN等人在论文Gradient-Based Learning Applied to Document Recognition中提出的一种颠覆性的算法。

海绵宝宝de派小星

手写实现一个简单神经网络在前面的文章中，我们学习了神经网络的基本原理、激活函数、损失函数、优化器，以及前向传播和反向传播的数学推导。现在，让我们把所有这些知识整合起来，从零开始手写实现一个完整的神经网络，并把它应用到一个实际的分类任务中。

你的第一个神经网络：用PyTorch/Keras实现手写数字识别你是否曾好奇人工智能是如何“看懂”手写数字的？在本教程中，我们将从零开始，带你构建你的第一个神经网络模型，使用深度学习框架 PyTorch 或 Keras，在经典的 MNIST 手写数字数据集上进行训练与测试。无论你是深度学习的新手，还是希望巩固基础知识，这篇指南都将帮助你理解数据预处理、模型搭建、训练流程和性能评估等核心步骤。只需几十行代码，你就能亲手打造一个准确率超过 95% 的数字识别器——让我们一起迈出 AI 编程的第一步！

即插即用系列 | AAAI 2025 Mesorch：CNN与Transformer的双剑合璧：基于频域增强与自适应剪枝的篡改定位论文题目：Mesoscopic Insights: Orchestrating Multi-scale & Hybrid Architecture for Image Manipulation Localization

深度学习【一】神经网络人脑中有很多相互连接的神经元，当大脑处理信息时，这些神经元之间通过电信号和化学物质相互作用，在大脑的不同区域之间传递信息。神经网络使用人工神经元模仿这种生物现象，这些人工神经元由称为节点的软件模块构成，使用数值计算来进行通信和传递信息。

Product Hunt 每日热榜 | 2026-01-23标语：几秒钟内将数据转化为专业的图表，获取深刻见解。介绍：来自Ada.im团队的ChartGen AI是一款智能图表生成器，它可以将原始数据转化为节省成本的洞察。这个工具特别帮助在线营销人员将来自不同平台的数据（从Facebook到TikTok）整合在一起，快速生成可视化图表。告别猜测：清楚地查看你的预算去向，让你不再浪费金钱。无论是优化广告支出还是分析商业趋势，使用ChartGen AI只需几秒钟就能将数据转化为实用的图形。

【论文精读（二十三）】PointMamba：点云界的“凌波微步”，线性复杂度终结 Transformer 霸权（NeurIPS 2024）博主导读：在点云分析的武林中，Transformer 家族（如 Point-MAE, PointGPT）凭借着强大的“全局注意力”心法，坐稳了 SOTA 的盟主宝座。但它们有一个致命的软肋：太重了！自注意力机制 O ( N 2 ) O(N^2) O(N2) 的复杂度，就像是一个体重 300 斤的大力士，虽然力大无穷，但遇到大规模场景（N 变大）时，显存直接爆炸，速度慢如蜗牛。这时候，隔壁 NLP 领域杀出了一匹黑马——Mamba。它号称拥有 Transformer 的全局视野，却只有 RNN

YOLO深度学习(计算机视觉)一很有用！！(进一步加快训练速度的操作)前提：所有操作基于联想电脑的Windows系统，其他电脑或linux等系统可以简单看一下，借鉴一下我的类似操作

深度卷积生成对抗网络（DCGAN）DCGAN（Deep Convolutional Generative Adversarial Networks）是 2015 年由 Alec Radford 等人提出的基于卷积神经网络的生成对抗网络变体，核心创新是用卷积层替代了传统 GAN 中的全连接层，并设计了一套标准化的网络架构和训练准则，大幅提升了 GAN 在图像生成任务中的稳定性和生成质量，成为图像生成领域的基础模型。

翱翔的苍鹰

通俗讲解在中文 NLP中要用 jieba 分词，以及它和循环神经网络（RNN）的关系。我们来通俗讲解为什么在中文 NLP（自然语言处理）中要用 jieba 分词，以及它和循环神经网络（RNN）的关系。 🌟 一、为什么中文需要分词？——“字” vs “词” ❓ 英文 vs 中文英文：天然有空格 "I love AI" → 直接分成 ["I", "love", "AI"] 中文：没有空格！ "我爱人工智能" → 到底是： ["我", "爱", "人工", "智能"]？还是 ["我", "爱", "人工智能"]？还是 ["我爱", "人工", "智能"]？ 💡 分词就是把连续的

PyTorch实战：手机价格区间预测（从64%到91%的模型优化之路）摘要：想知道如何让你的神经网络模型性能从“还行”飙升到“优秀”吗？本文以一个经典的“手机价格区间预测”案例为切入点，采用模块化的代码讲解方式，带你从零构建一个基础的 PyTorch 分类网络，并一步步实施数据标准化、网络加深、优化器更换等关键优化策略，亲眼见证模型准确率从 64% 提升至 91% 的全过程。

3Blue1Brown-深度学习之神经网络本文是在看了 3Blue1Brown-深度学习之神经网络视频后的学习笔记。3B1B的“深度学习”系列视频用可视化动画和深入浅出的讲解让我们看清神经网络的本质。

Quintus五等升

深度学习④|分类任务—VGG13上一篇博客，我简单介绍了AlexNet网络的简单实现，其开启了深度学习的狂潮。https://blog.csdn.net/Wu_Deng_Sheng/article/details/157254935