神经网络

TensorFlow Playground 交互式神经网络可视化工具TensorFlow Playground 是 Google 推出的交互式神经网络可视化工具，完全在浏览器里运行，无需安装任何环境。只要用鼠标拖拽，就能实时看到：

计算机科研狗@OUC

(NeurIPS25) Spiking Meets Attention: 基于注意力脉冲神经网络的高效遥感图像超分辨率重建(NeurIPS25) Spiking Meets Attention: Efficient Remote Sensing Image Super-Resolution with Attention Spiking Neural Networks

Product Hunt 每日热榜 | 2026-01-06标语：社交媒体发布的AI内容创作工具介绍：一款强大的工具，让你轻松管理所有社交账号。可以在10多个平台上创建内容、安排发布时间以及回复评论。你还可以从热门内容库中获取灵感，使用AI（如Sora、Veo等）生成媒体素材，连接无限个账户，并在专门的工作区中管理客户。

神经网络控制的多方法融合：PID、模型预测控制（MPC）与自适应策略神经网络控制（NN Control）通过将神经网络的学习能力与自动控制理论结合，实现对复杂非线性系统的智能控制。与传统控制方法（如PID、模型预测控制MPC）的融合主要有三种模式：

浅谈当下深度生成模型：从VAE、GAN、Diffusion、Flow Matching到世界模型视频地址：浅谈当下深度生成模型：从VAE、GAN、Diffusion、Flow Matching到世界模型

DAY47 简单CNN目录1. 数据增强 (Data Augmentation)2. 卷积神经网络定义的写法3. Batch 归一化 (Batch Normalization / BN)

AI街潜水的八角

基于keras框架的MobileNet深度学习神经网络垃圾识别分类系统源码第一步：准备数据三种垃圾数据：厨房垃圾，危害性垃圾，可回收垃圾，总共10162张图片第二步：搭建模型本文选择MobileNe，其网络结构如下：

医疗预测项目：CNN + XGBoost 实战全流程很多教程喜欢这样做：CT 图像 → CNN → 预测是否患病但在真实医疗场景中，问题很快会暴露：数据量不够（几百 ~ 几千）

云蝠呼叫大模型联络中心

BATH不再一家独大？深入测评2026大模型呼叫市场新秩序云蝠智能创始人魏佳星在介绍其VoiceAgent时，看到AI在反诈劝阻中协助避免数亿经济损失，他感慨道，“作为一个两岁孩子的父亲，我觉得我做的事情，值了”。这种由技术温度驱动的创新，正在重新定义智能外呼的本质。

AI街潜水的八角

基于keras框架的Vgg深度学习神经网络衣服多标签分类识别系统第一步：准备数据6种衣服组合数据：'black_jeans', 'blue_dress', 'blue_jeans', 'blue_shirt', 'red_dress', 'red_shirt'，总共有2167张图片，每个文件夹单独放一种动物

消息传递神经网络(MPNN)消息传递神经网络(MPNN) 来自Google Brain在2017年发布的Neural Message Passing for Quantum Chemistry，是一种专门用来处理图结构数据（graph data）的通用计算框架。它将各种 GNN 模型纳入同一框架，便于理解和比较。

【论文精读（二十二）】PointMeta：点云江湖的“兵器谱”，用元架构终结算子内卷（CVPR 2023）博主导读：在点云深度学习的江湖里，各路门派为了争夺 SOTA 盟主之位，练就了各种花哨的武功。从 PointNet++ 的“球查询”，到 DGCNN 的“动态图”，再到 Point Transformer 的“自注意力”，网络结构越来越复杂，公式越来越长。但这就带来了一个大麻烦：大家的招式都太独特了，根本没法公平比武。当一个新的 SOTA 出现时，我们不知道它变强是因为它的“内功心法”（算子设计）真的好，还是因为它偷偷吃了“大力丸”（训练技巧、数据增强）。 PointMeta 站出来做了

一只大侠的侠

DNN深度神经网络：结构、训练与优化全指南深度神经网络（DNN）作为深度学习的核心基础，是图像分类、自然语言处理、时序预测等众多AI任务的核心驱动力。从基础的层结构设计到复杂的训练调参，再到工程化的优化部署，每个环节都直接决定模型的性能与落地效果。本文将结合实战案例，全面拆解DNN的结构设计要点、训练关键技术与优化核心方案，助力开发者快速掌握DNN从搭建到落地的全流程技巧。

纪伊路上盛名在

Chap1：Neural Networks with NumPy（手搓神经网络理解原理）这个系列其实是当初和鱼书一起刷的，但是鱼书我很早就停了更新推文。考虑到这个系列其实是AI4S非常典型的教程系列，而且是正经的为所有研究蛋白质、蛋白质组学、蛋白质模型的新手准备的一个AI4S的教程，所以开这个新坑。

【机器学习】自组织映射神经网络目录一、引言二、核心原理与网络结构三、完整训练流程四、关键特性五、优缺点六、典型应用场景七、与相关算法对比

AI网络技术演进对路由协议的重塑分析（上）随着人工智能计算规模的指数级增长，传统网络架构在支撑大规模分布式训练时面临严峻挑战。本文系统分析了AI网络技术演进对路由协议产生的深刻重塑作用，从底层技术架构变革、核心协议算法演进、行业实践案例、标准化进展及未来趋势等多个维度展开深入研究。研究发现，AI驱动的网络范式革命本质上实现了从“硬件定义转发”到“软件定义智能”的根本转变，具体表现为：ECMP从静态负载分担向动态感知的包粒度调度演进；BGP从分布式路由决策向与SDN协同的快速收敛执行转型；CPO技术从物理层连接向确定性传输能力升维；管理平面则从配置

10分钟了解向量数据库（2）10分钟了解向量数据库（2）3 向量检索算法#人工智能#具身智能#VLA

一招定胜负

卷积神经网络调优今天介绍卷积神经网络调优的方法，包括学习率调度器，残差网络结构等，以我们前面实现的食物分类项目为例。在食物分类任务中：手动搭建的卷积神经网络（CNN）要么训练收敛缓慢、准确率卡在瓶颈，要么随着网络层数加深，准确率不升反降。这两个核心问题，恰恰对应CNN调优中最关键的两个方向——学习率调度和退化问题解决。本文将聚焦这两大板块，结合食物分类的实际场景，拆解调优逻辑、提供实操代码，帮你快速突破准确率瓶颈。

【自然语言处理】应用05：自然语言推断：使用注意力【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈PyTorch深度学习 ⌋ ⌋ ⌋ 深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据分析、科学探索等领域都取得了很多成果。本专栏介绍基于PyTorch的深度学习算法实现

取个名字真难呐

个人思考-信号与系统、数值分析和神经网络很多人觉得信号与系统、数值分析和神经网络是三门不相关的课程，其实它们解决的是同一个问题的不同层面。因此，神经网络是一个可学习的信号系统模型：结构来自信号与系统，计算依赖数值分析，能力来源于数据驱动学习。