神经网络

田里的水稻

FA_CNN卷积神经网络十二_CIFAR10全流程PyTorchFA：Formulas and Algorithm，CNN：Convolutional Neural Network

集芯微电科技有限公司

集芯微电科技推出5.5V/10A集成功率MOSFET降压DC/DC转换器随着AI算力下沉、机器视觉普及和存储密度不断提升，不同功率等级的处理器、高速存储等核心负载，对电源提出灵活输出电流选型、高转换效率、快速瞬态响应、小体积高密度布局的严苛需求。

基于BP神经网络手写字母识别（单一）【源码79期】本系统是一个基于BP神经网络的手写字符识别系统，能够对字符图像进行特征提取与自动分类识别。系统分为训练和识别两个阶段，通过MATLAB实现完整的特征提取、网络训练与识别推理流程。

深度学习5:神经网络学习2:数值微分，偏导，梯度损失函数的值越小，代表我们选取的参数越适合；想要求得损失函数的最小值，最基本的想法就是对函数求导，解出导数值为 0 的点，并判断它是否为极小值/最小值。然而，实际的函数直接求导，不容易得到解析解。这时可以用数值微分的方式来求某点处的导数，这在工程上应用非常广泛。

田里的水稻

FA_CNN卷积神经网络四---线性层及其拉平PyTorchFA：Formulas and Algorithm， CNN：Convolutional Neural Network

在所不辞兄

【零基础学智能仿真-58】Foam-Agent协作与知识检索本节围绕Foam-Agent协作与知识检索，学习如何将CFD任务拆分为规划、网格、配置、执行、审核与可视化职责。通过边界名称不一致和Courant数偏高两个案例，掌握版本筛选、证据记录、配置依赖与有限纠错。配套Python练习可离线运行，展示八种场景的决策及时间步建议，帮助学习者区分“提出修正”“执行通过”与“物理可信”，为下一节CFD基准测试奠定基础。

卷积神经网络的反向传播细节看见很多教学对于CNN的反向传播好像都是一笔带过，因为在反向传播首次出现一般在普通神经网络，讲解完普通神经网络之后，对于CNN的反向传播就忽略了，不过CNN的反向传播依旧有非常多的细节，今天我就带大家将这些细节一一梳理。

田里的水稻

FA_CNN卷积神经网络七---优化器PyTorchFA：Formulas and Algorithm，CNN：Convolutional Neural Network

Product Hunt 热榜 2026-10-20：Beam.win、Figma Specs、readywhen标语：在一台Mac上运行AI代理，并在另一台上使用它的窗口。介绍：让你的代理和构建在Mac mini或Studio上运行。Beam可以将它们的终端、浏览器和其他应用窗口都显示在你眼前的Mac上，每个窗口都有自己的图标和⌘Tab快捷键。所有数据在你的Mac之间都是加密的。可以免费试用。

田里的水稻

PyTorch_Dataloader\TensorBoard---数据加载与可视化在 PyTorch 中，数据加载主要依赖两个核心类：Dataset 与 DataLoader。

田里的水稻

FA_CNN卷积神经网络三---非线性激活函数PyTorchFA：Formulas and Algorithm，CNN：Convolutional Neural Network

脉冲神经网络：神经网络发展历史背景很高兴看到大家对SNN脉冲神经网络的兴趣，于是我决定增加一个专题为大家从浅到深的完整学习SNN脉冲神经网络，今天我们要学的就是SNN的背景。

从 3Blue1Brown 到 NumPy：手写一个神经网络训练 MNIST最近通过 3Blue1Brown 的课程理解了神经网络的基本结构。为了不让这些概念停留在动画和公式层面，我用 NumPy 从零实现了一个简单的手写数字分类网络。

在所不辞兄

为什么残差连接能够缓解深层神经网络的退化问题，而不仅仅是改善梯度传播？残差连接（Residual Connection）之所以能缓解深层网络的退化问题（Degradation Problem），核心在于它重构了网络的优化目标与解空间结构，而不仅仅是改善了梯度流动的通道。退化问题的本质并非梯度消失导致的无法训练，而是随着层数增加，寻找最优解的难度呈指数级上升，导致深层模型的表现反而不如浅层模型。残差连接通过引入**恒等映射（Identity Mapping）**的捷径，将“学习完整映射”转化为“学习残差映射”，从而在数学上保证了深层网络的性能下限不低于浅层网络。

在所不辞兄

为什么神经网络对对抗扰动和分布偏移往往比较脆弱，而人类感知相对更鲁棒？神经网络对对抗扰动和分布偏移的脆弱性，根源在于其学习机制与人类感知存在本质差异：神经网络倾向于利用数据中的“虚假相关性”（非鲁棒特征）进行高频拟合，而人类视觉系统则依赖因果结构和语义上下文进行低频、全局的感知。### 1. 核心差异对比：机器统计拟合 vs. 人类因果感知

在所不辞兄

【神经网络干货】把指数级计算拆成四条一维路径：可分离 PI-DeepONet 如何破解高维 PDE把指数级计算拆成四条一维路径：可分离 PI-DeepONet 如何破解高维 PDEPINN 最难的地方，有时不是方程，而是梯度

a puppy slide 葱

ENAS | 基于参数共享的高效神经网络架构搜索让所有子模型共享权重，避免每个子模型都从零开始训练到收敛，以此提升 NAS 的效率 \color{brown}\textbf{让所有子模型共享权重，避免每个子模型都从零开始训练到收敛，以此提升 NAS 的效率} 让所有子模型共享权重，避免每个子模型都从零开始训练到收敛，以此提升 NAS 的效率

【AI】大模型参数训练原理：Softmax/损失函数交叉熵/反向传播/梯度下降优化器/学习率调度器/训练数据划分在之前的文章中我们介绍过，大模型的训练流程是先输入一段文本，转换成token列表，正向计算一遍输出预测下一个token的概率。然后与正确结果比较，通过反向传播更新参数值。那么大模型是如何得到输出概率的？如何判断大模型训练中的能力水平？参数具体是如何反向传播的？又是使用什么方法更新参数值的？这篇文章将会介绍从模型数据输出结果开始的参数训练原理，涉及很多主题。

静息态fMRI预处理没有一刀切：RESTplus参数选择与常见误区作者：长沙茗创科技（脑科学数据分析团队）使用 RESTplus 处理静息态 fMRI 时，界面中的模块往往并不难操作，真正困难的是参数怎么选。初始时间点删多少、头动标准定多严、平滑核用多大、全局信号要不要回归，这些选择都会改变后续结果。与其记住一套固定参数，不如先弄清每一步解决什么问题、可能带来什么影响。下面结合 6 类常见情况，梳理判断依据和更稳妥的处理方式。

在所不辞兄

【零基础学智能仿真-53】多智能体协作——有限元自动化实战从工程需求到可审核的仿真报告本节承接上一节的仿真质量检查，将需求分析、几何建模、网格划分、求解、后处理和报告组织成职责明确的协作流程。通过一个真实求解的一维杆有限元案例，学习结构化任务交接、状态管理和独立质量检查，并通过缺失参数、求解失败与结果篡改测试，理解系统何时应继续、暂停或拒绝发布结果。本节采用Python函数模拟协作角色，不调用大模型或Abaqus，为后续接入真实智能体与CAE求解器建立可验证的基础。