神经网络

AI微调系列（1）| 全量微调、LoRA、QLoRA 三种方案怎么选最近在做企业 AI 化转型的技术咨询时，几乎每家技术负责人都会问我同一个问题：模型选定以后，到底应该走"全量微调"、"LoRA"还是"QLoRA"？三种方案听起来都叫微调，但显存开销、训练成本、最终效果却天差地别，选错了轻则烧光预算，重则整个项目返工。

打不了嗝 ᥬ᭄

神经网络基础与整体架构深度学习主要应用于计算机视觉、自然语言处理、数据挖掘等任务。它的核心目标可以概括为一句话：把人类眼中的图像、文本、结构化数据等原始数据，转换成计算机能够理解的特征表示，然后基于这些特征进行预测或决策。换句话说，机器"看世界"的方式和人完全不同——人看到的是一张风景照，机器看到的是一串数字矩阵和从中提取出的抽象特征。

Product Hunt 每日热榜 | 2026-09-11标语：自我提升的人工智能客户体验介绍：Nova是一个AI运营工具，可以帮助你建立和优化客户体验团队，无需开发者。用简单的语言描述一下如何处理客户问题，并连接你的工具。Nova会构建智能客服代理，先在历史工单上进行测试，确保没有问题之后再投入使用。运行后，Nova会24/7监控服务质量，并提出改进建议，等待你的审核。智能客服代理可以处理完整的请求，包括订单、退款和计划变更，支持通过电子邮件、聊天或WhatsApp进行沟通。而未解决的请求是免费的。

Deep Learning for Computer Vision——Large Scale Distributed TrainingGPU (Graphics Processing Unit)：最初为图形设计，现已成为通用的并行处理器（General Parallel Processor）。

动手学深度学习 03 | 卷积神经网络实现手写数字识别目录前言一、多层感知机的缺陷二、从全连接层到卷积1、什么是卷积2、卷积核3、感受野和特征映射4、池化层（汇聚层）

倔强的石头106

【深度学习】神经网络前向传播与反向传播推导摘要：训练神经网络时，我们每天都在写 loss.backward()，但这行代码背后发生了什么？前向传播负责把输入一步步变成预测，损失函数衡量预测和目标的差距，反向传播用链式法则把误差信号从 loss 传回每个参数，优化器再根据梯度更新参数。本文用一个两层 MLP 作为例子，从矩阵形状、前向公式、MSE loss、ReLU 梯度、参数梯度一步步推导到 PyTorch autograd 验证。目标不是让你手写大模型反传，而是让你真正看懂训练循环里的每一步。

华清远见成都中心

神经网络中的损失函数是什么一、损失函数的核心定义损失函数（Loss Function）是神经网络训练的核心核心数学工具，用于定量衡量模型预测结果与真实标签的误差大小。通俗来说，就是给模型的“预测错误”打分：分数越高，代表模型预测偏差越大、效果越差；分数越低，代表预测结果越贴合真实值，模型性能越好。

第 1 篇：为什么不该再让 AI 画页面让 AI（Claude Code / Cursor / 豆包等）直接生成整个页面，常见的失败模式：根因一句话：AI 生成一个页面时，要同时决策三件事——样式、布局、逻辑。三个变量叠在一起，输出就不稳定。

微分基本定义笔记Δy=f(x0+Δx)−f(x0)\Delta y=f(x_0+\Delta x)-f(x_0)Δy=f(x0+Δx)−f(x0)

千里码aicood

Flask-基于图神经网络的谣言检测研究摘要针对社交媒体谣言识别准确率不足的问题，本研究设计并实现了一个基于Flask框架和图神经网络的谣言检测系统。系统通过分析微博传播数据的转发关系构建传播网络图，提取节点数量、传播深度、时间跨度等结构特征，采用图注意力网络（GAT）模型进行自动分类。使用中文谣言数据集进行训练和测试，实验结果显示系统准确率达到90.3%，相比随机森林、LSTM等传统方法提升约9%-12%。研究验证了传播网络特征对谣言识别的重要性，其中传播深度、时间跨度和网络密度等指标具有较强区分度。系统通过Flask框架实现前后端交互，提

表格神经网络架构发展史：从 MLP 到表格基础模型的二十年导语：表格数据（tabular data）——行样本、列特征的结构化表格——是现实世界最常见的数据形态，据估计占据企业数据 70% 以上。然而与图像、文本不同，表格长期是深度学习的"滑铁卢"：决策树集成（GBDT / XGBoost）在大多数基准上稳压神经网络。过去近二十年，学术界围绕"如何让神经网络真正吃好表格数据"演化出了一条清晰的架构演进脉络。本文按五个阶段系统梳理，每个代表架构均附论文原图、示例代码、设计说明、实例与得失分析。

在所不辞兄

【神经网络干货】物理信息神经网络：当神经网络开始“遵守”物理定律传统神经网络最擅长的一件事，是从大量数据中寻找规律。给它足够多的输入和输出，它可以学习图像、语言，也可以预测温度、压力、浓度甚至材料性能。

第 8 篇：与 AI 协作的工作流 + 完整案例把前面七篇串成一条可复用的工作流：你提需求 → AI 只返回 Schema → 贴进项目出页面。并给出两个完整案例和常见坑排查。

机器学习之心

基于残差融合WOA-LSTM-EKF的锂电池SOC估计方法基于残差融合WOA-LSTM-EKF的锂电池SOC估计方法 MATLAB实现 | BBDST工况数据 | 完整代码可复现

在所不辞兄

【零基础学智能仿真-11】CatBoost——让材料类型和边界条件参与力学预测本节学习能够直接处理类别特征的CatBoost算法。课程以三种材料和两种支承形式的梁响应预测为案例，讲解类别变量、目标统计、Ordered Boosting及对称树结构，并完成分层划分、模型训练、测试评价和误差诊断。通过实际代码与图表，学习者将认识材料名称、单元类型和边界条件不能随意数字化，掌握混合类型有限元数据的建模方法，同时理解未知类别、数据泄漏和极端工况预测的风险。

Product Hunt 每日热榜 | 2026-09-05标语：OpenAI最强大的模型，适用于端到端的工作。介绍：GPT-6 Astra是OpenAI迄今为止最强大的模型，适用于复杂推理、软件工程、计算机应用、科学研究和专业工作。它支持异步工具调用和中途调整，可以执行多步骤的任务流程。API模型标识为gpt-6-astra，费用为每百万个字符10美元或50美元（针对短文本）。它将在接下来的几天内首先通过“可信访问/黎明计划”推出，然后再向Plus、Pro、Business、Enterprise和API用户开放。这是OpenAI在关键网络安全能力上达到的首个模型

第 6 篇：SchemaForm 渲染器核心实现写出本系列的心脏：一个能消费第 5 篇 Schema、自动渲染出表单的 SchemaForm.vue。约 200 行，复制进项目即可用。

序列数据怎么喂给神经网络？用循环神经网络RNN拆开一个时间步关键词：RNN、循环神经网络、序列建模、PyTorch、隐藏状态、时序分类如果你之前的工作主要是图像分类、表格预测或推荐排序，第一次接触序列建模时，往往会下意识想把序列「拍平」成一个固定向量：把 100 个时间步、每步 8 维的特征，直接展开成 800 维 Dense 输入。但这条路在真实的序列任务里基本走不通，因为序列问题有三条硬约束。拍平思路本质上是在假设「每个特征维度都是独立的」，而序列里恰恰没有哪个维度是独立的——它们按时间彼此咬合。

【机器学习入门】PyTorch 神经网络、卷积神经网络 CNN 实现矿物分类在地质勘探与矿物识别领域，传统的人工鉴定方法依赖专家经验，效率低且主观性强。随着机器学习技术的发展，利用矿物的物理化学特征（如密度、硬度、折射率、化学成分含量等）进行自动分类已成为一种高效可行的方案。

程序猿编码

基于GGML的C++17轻量化语音推理引擎：说话人识别与语音分析技术全解析这是一款完全从零开发、基于C++17标准构建的端侧语音推理引擎，底层依托GGML轻量级张量计算库实现，核心覆盖说话人识别与语音分析两大领域。引擎可以将任意语音片段转换为L2归一化的声纹特征向量，验证两段语音是否来自同一人，在注册声纹库中匹配说话人身份，还能分析语音中的年龄、性别、情绪属性。