神经网络

在 FPGA 上实现并行脉冲神经网络（Spiking Neural Net）这个项目展示了如何在 FPGA 上实现一个并行的脉冲神经网络（Spiking Neural Network, SNN），包括神经元模型、突触模型、学习机制等核心部分，在硬件中用 Verilog 语言进行建模与验证。

超分辨率重建 | CVPR 2024 DarkIR：轻量级低光照图像增强与去模糊模型（代码实践）论文名称：DarkIR: Robust Low-Light Image Restoration论文原文 (Paper)：https://arxiv.org/pdf/2412.13443 官方代码 (Code)：https://github.com/cidautai/DarkIR

基于混合神经网络（CNN-LSTM）的电能扰动信号特征识别MATLAB实现基于混合神经网络（CNN-LSTM）的电能扰动信号特征识别MATLAB实现。这个方案包含信号生成、特征提取、神经网络建模和性能评估的全流程。

驾驶认知的本质：人类模式 vs 端到端自动驾驶在讨论自动驾驶系统时，一个常见的误解是把“开车能力”等同于“驾驶智能”。事实上，人类驾驶与端到端自动驾驶之间的核心差异，并不在于动作精度或感知能力，而在于认知结构与任务管理模式。

【机器学习】人工神经网络（ANN）目录一、引言二、核心原理与生物启发三、核心结构与组件1. 层级结构2. 关键组件四、训练机制：前向传播与反向传播

深度学习之神经网络的构建和实现一、卷积神经网络CNN图象在计算机中是一对按照顺序排列的数字，数字在0~255之间1.卷积层卷积是什么：对图像（不同的窗口数据）和卷积核（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。

一只大侠的侠

Python实现TTAO算法：优化神经网络中的时序预测任务时序预测是机器学习领域的核心任务之一，在电力负荷预测、气温变化预估、交通流量分析、金融价格走势判断等工业与科研场景中有着不可替代的应用价值。时序数据的核心特征是强时间依赖性、非线性趋势、局部突变性，这对神经网络的拟合能力和优化效率提出了极高要求。

MindSpore开发之路（二十四）：MindSpore Hub：快速复用预训练模型在上一篇文章中，我们探索了 MindSpore 的 ModelZoo，它像一个庞大的“模型菜谱”集合，为我们提供了各种高质量模型的标准实现代码。这对于学习、复现和进行深度定制非常有帮助。但如果我们的目标是快速将一个成熟的模型应用到某个任务中，有没有比“照着菜谱从零做起”更高效的方式呢？

AI街潜水的八角

基于Pytorch深度学习神经网络MNIST手写数字识别系统源码（带界面和手写画板）第一步：准备数据第二步：搭建模型我们这里搭建了一个LeNet5网络参考代码如下：第三步：训练代码第四步：统计训练过程

云和数据.ChenGuang

人工智能实践之基于CNN的街区餐饮图片识别案例实践街区餐饮场景中，存在大量的菜品图片、门店招牌图片、食材图片等视觉数据。传统人工分类标注效率低、成本高，而卷积神经网络（CNN）作为计算机视觉领域的核心算法，具备强大的图像特征提取与分类能力。

驾驶员行为检测：基于卷积神经网络（CNN）的识别方法数据与完整代码来源目录 💻1. 简要说明该数据集是关于什么的？本主题的重要性2. 关于本项目为什么使用CNN？

辅助学习神经网络系统讲解了神经网络的基础架构、核心组件及其在不同任务中的应用，重点阐述了激活函数、优化器、损失函数与模型训练流程，并结合CNN、RNN、Transformer等模型分析了其设计逻辑与工程实现。

【BruteForce/Pruning】2026年度物理层暴力破解与神经网络剪枝基准索引 (Benchmark Index)为了验证**物理层暴力破解（Physical Brute Force）在高防御节点（Crime City）的穿透效率，以及神经网络（Neural Network）在完全重置（Reboot）后的强化学习（Reinforcement Learning）**曲线，我们整理了 "Benchmark-2026-Force" 核心演进集。

通俗理解经典CNN架构：VGGNet在当今的数字时代，图像识别技术已经渗透到我们生活的方方面面。从智能手机的拍照识别，到自动驾驶汽车的物体检测，再到医疗影像的诊断分析，这些都离不开一种强大的工具——卷积神经网络（Convolutional Neural Network，简称CNN）。CNN是深度学习领域的一个核心架构，它模拟了人类视觉系统的处理方式，能够从海量图像数据中自动提取特征，实现高精度的分类和识别。

生成论实验室

生成论之基：“阴阳”作为元规则的重构与证成——基于《易经》与《道德经》的古典重诠与现代显象作者：周林东，单位：独立研究者摘要：本文旨在对周林东所构建的“生成论”元理论体系进行一项奠基性的哲学勘定与重构。研究指出，生成论的核心范畴“阴阳”在其论述中存在“构成要素”与“演化规律”间的定位模糊，从而削弱了理论的自洽性。为解决此问题，本文提出并论证一个核心命题：“阴阳”应被确立为优先于并逻辑生成“五大生成元定律”的“元规则”。为此，本研究重返中国思想的双重古典源头，通过对《易经》的“结构论”与《道德经》的“过程论”进行生成论式的再诠释，共同证成“一阴一阳之谓道”实为一个同时蕴含“动力因”与“目的因”的

Java后端的Ai之路

【人工智能领域】- 卷积神经网络（CNN）深度解析一、生物学启示：从猫的视觉皮层到CNN的诞生二、CNN结构解剖：卷积层与池化层的完美配合三、卷积运算详解：数学原理与可视化理解四、CNN可视化：看神经网络如何"看见"世界五、CNN训练原理：从随机猜测到精准识别六、ImageNet革命：推动深度学习发展的关键赛事七、总结：CNN的本质与未来展望

DAY 58 经典时序预测模型 1作为零基础的 Python 和机器学习学习者，我将用最通俗易懂的语言、贴近生活的例子，把经典时序预测模型 1 的核心知识点 —— 序列数据处理（n 阶差分处理非平稳性、季节性差分处理季节性）和模型选择（AR (p)、MA (q)、ARMA (p,q)）拆解得明明白白，还会配合详细的代码步骤，确保你彻底理解。

理解MCMC、Metropolis-Hastings和Gibbs采样：从随机游走到贝叶斯推断想象一下，你是一位探险家，手持一张模糊不清的藏宝图。你知道宝藏就在某个区域，但地图太模糊，无法直接确定精确位置。于是你决定采取这样的策略：随机在周围走走，但更倾向于向可能藏宝的区域移动。随着时间的推移，你会在宝藏最可能存在的区域停留更长时间，从而通过这些位置信息推断出宝藏的大致分布。

田里的水稻

E2E_基于端到端(E2E)的ViT神经网络模仿目标机械臂的示教动作一基于已完成时间同步的多视角机械臂视频，用 ViT（Vision Transformer）构建端到端的 Transformer 神经网络，直接从视频帧映射到机械臂关节角度，核心目标是跳过传统视觉的 “关节检测 - 三维重建” 步骤，通过深度学习直接实现从多视角图像到关节角度的回归。以下是方案的全流程步骤，包含模型构建、训练、部署的每一个具体执行细节，兼顾友好性和工业级实践。

通俗理解经典CNN架构：LeNet在人工智能和机器学习的世界里，卷积神经网络（Convolutional Neural Network，简称CNN）就像是一把神奇的钥匙，它打开了计算机视觉的大门，让机器能够“看懂”图片。想象一下，你的手写数字，比如在支票上写的金额，银行的系统如何自动识别？这背后的功臣之一就是LeNet架构。它是CNN的鼻祖，诞生于上世纪90年代，却奠定了现代深度学习的基础。