神经网络

神经网络 - 激活函数、损失函数、优化器一文搞懂神经网络训练中的所有核心组件，从原理到选型，从公式到实战。如果没有激活函数，神经网络会退化成线性模型：

Raspberry_Pi_官方账号

观察、理解与响应：Raspberry Pi 5 上的低功耗 CNN、VLM 和 SLM 工作负载大多数边缘 AI/ML（人工智能/机器学习）工作负载适合在 CPU 上运行，但对于少数 CPU 无法胜任的工作负载而言，加速器就显得尤为重要。Raspberry Pi 用户有多种加速方案可供选择，包括我们自家的 AI HAT+ 和 HAT+ 2，以及来自更广泛的 Raspberry Pi 生态系统的产品。在本文中，我们在 Sixfab 和 DEEPX 的朋友将探讨如何在使用 Sixfab AI HAT+ 的 Raspberry Pi 5 上运行视觉和紧凑型语言 AI，以及 3 瓦功耗的 NPU 能在边缘设

VLA 系统学习第 3 课：从一次机器人示范，到真正送进神经网络的 Batch因为训练数据里已经有“输入”和“正确答案”。对 BC 来说，一个最基本训练样本就是：\[ (o_t,a_t) \]

端侧编译原理：TVM / MLIR 计算图模式匹配、算子融合与显存生命周期复用专栏名称：《QNL-36：从量子张量网络到端侧异构认知大模型全栈实战》分卷归属：卷六·端侧编译器、极限推理加速与可证伪性测评（Volume VI: Edge Compilation, Extreme Inference & Falsifiable QC）文档编号：QNL-36-VOL06-ART21 主笔专家：QNL-009 COMPILER-TVM（端侧编译专家）· QNL-020 MLIR-DIALECT（计算图方言专家）联署质检：QNL-031 VRAM-GUARD（显存守卫架构师）· QNL

田里的水稻

EI_策略训练--机器人策略训练的神经网络种类一EI：Emboded Intelligent，NN：Neural Network前置说明：面向模仿学习（Behavior Cloning）+ 少量强化学习微调，适配动捕 BVH、LeRobot 数据集。机器人策略网络分为两大类：视觉编码器（提取图像 / 深度特征）、动作策略主干网络（输入观测，输出关节 / 末端轨迹）；下面全部是动作预测主干网络（视觉骨干 ResNet、ViT 属于感知，后面附带）。训练范式：行为克隆 BC、动作分块 Action Chunking、条件生成模型、时序序列建模；部署时配合

在所不辞兄

常微分方程详解与应用常微分方程（ODE）是描述一个变量随时间变化的数学工具，广泛应用于物理、工程、生物、经济等领域。其核心思想是通过微分关系来刻画系统状态的变化规律。

机器学习之心

DCNN-PINN锂电池SOC估计，因果空洞卷积+物理信息神经网络，把库仑定律写进损失函数，MATLAB代码第 69 讲 · 电池预测系列 | 内含 9 张实测图表、完整公式推导与参数清单油车看油表，电车看 SOC。

VLA 系统学习第 4 课：一个 Batch 进入神经网络后，模型到底是怎么“学会”的？因为：Episode 是一次完整任务，而训练样本可以来自 Episode 内部的每个时间点。例如：\[ 100\text{ episodes} \]

（2017|ICLR|Google Brain，主网络与超网络联合训练，静态/动态超网络，LSTM，RNN）超网络论文地址：https://arxiv.org/abs/1609.09106学术交流群：922230617

21.神经网络-线性层及其他层介绍神经网络中的正则化（Regularization）主要作用是‌防止模型过拟合（Overfitting），提高模型的泛化能力‌。 ‌抑制过拟合‌：通过惩罚复杂的模型结构或过大的权重值，避免模型对训练数据中的噪声过度敏感。 ‌提高泛化能力‌使模型在面对新数据时也能保持稳定的预测性能，缩小训练误差与测试误差之间的差距。

VLA 系统学习第 7 课：loss.backward() 到底做了什么？——从计算图到反向传播先把上一课的问题收掉，然后直接进入第七课。今天的主线会非常明确：\[ \text{Forward} \rightarrow \text{Loss} \rightarrow \text{Chain Rule} \rightarrow \text{Backpropagation} \rightarrow \text{Gradient} \rightarrow \text{Parameter Update} \]

在所不辞兄

分层PINN提升多物理场耦合效率#2026 年 PINN 在多物理场耦合中的最新进展截至 2026 年，物理信息神经网络（PINN）在多物理场耦合领域取得了显著进展，主要集中在提高模型的跨物理场一致性、计算效率和复杂场景适应性。以下是关键进展的总结：

VLA 系统学习第 5 课：神经网络的参数到底是什么？——从 nn.Linear 真正理解 W、 b 和 Gradient先把上一课最后六个问题收掉，然后直接沿着“参数 \(\theta\) 到底是什么”进入第五课。最关键的区别是：

Product Hunt 每日热榜 | 2026-10-07标语：和你一起工作的Claude Code和Codex的浏览器介绍：Rill 是一款基于人工智能的浏览器，它围绕你已经使用的 Claude Code 和 Codex 进行构建。你可以像平常一样浏览网页，当你在任意页面上按下 ⌘E 键时，Rill 会将你看到的内容转化为你助手的任务。Rill 会找到合适的项目，传递相关背景信息，而你的助手在你继续浏览的同时进行工作。此外，Rill 还能将你的标签页按主题进行分类，把历史记录整理成可以搜索的日期，并将你助手正在处理的所有项目集中在一个地方。现在可以免费使用，适

VLA 系统学习第 12 课：为什么机器人不能只看一帧？——时间序列、Observation History 与 Action Chunk上一课真正要建立的是一个判断习惯：看到 Robot Learning / VLA 的测试结果，先不要急着看 Success Rate，先看它到底怎么切数据、测试了什么“没见过的东西”。

VLA 系统学习第 8 课：Optimizer 到底在干什么？——从 Learning Rate 到 SGD、Momentum 和 Adam先把上一课的 9 个问题完整收掉，然后直接进入第 8 课。今天的主线会继续沿着同一条训练链往后走：\[ \text{Gradient} \rightarrow \text{Learning Rate} \rightarrow \text{Optimizer} \rightarrow \text{Parameter Update} \]

在所不辞兄

分层PINN提升多物理场一致性分层 PINN 架构通过模块化设计和物理方程的分层嵌入，显著提升了多物理场耦合问题中的物理一致性。其核心机制如下：

头发够用的程序员

TensorRT 自定义算子插件实战（三）：手搓 2×2 最大池化 customMaxpool承接《TensorRT 自定义算子插件实战》系列前两篇：第一篇 customScaledTanh（单输入、逐元素、带参）、第二篇 customGatedTanh（双输入、融合、带参）。本篇实现第三个形态、也是真正拉开差距的一个：customMaxpool——一个 2×2 核、stride=1、无参数的窗口算子。它的难点不再是"多输入"，而是两个全新问题：算子没有参数（参数机制整个被砍掉）、输出尺寸发生变化（不再等于输入）。这三个算子加起来，正好覆盖了自定义插件的三大典型形态。

Product Hunt 每日热榜 | 2026-10-06标语：将脚本转化为热门社交媒体视频的视频模型介绍：Spira Maxima 可以将普通文本转化为完成的社交视频：一次性生成包括演讲者、时尚的 B-roll 画面、字幕和音乐，无需重新编辑，即可直接发布。只需提供一张照片和一段声音，或者一些产品图片，系统会自动为你打造视频内容。它经过社交趋势和表现数据的深度训练，因此每个视频都紧跟潮流，以最大化你的社交影响力。

ANN 全连接神经网络进阶：从反向传播到完整实战上一篇文章我们系统学习了 ANN 的网络结构、激活函数、参数初始化和损失函数，走完了前向传播的完整路径。但有一个关键问题还没回答——网络是怎么学习的？