神经网络

人工智能导论：模型与算法（核心技术）机器学习是智能体从数据中自动学习知识的一种人工智能方法。其目标是从原始数据中提取特征，学习一个映射函数fff将特征映射到语义空间，寻找数据和任务目标之间的关系。

通信小呆呆

神经网络在通信与雷达领域：从信号处理到智能决策随着深度学习技术的发展，神经网络正在从计算机视觉、自然语言处理等传统领域向无线通信、雷达感知等物理层应用拓展。相比传统算法，神经网络能够自动提取特征、拟合非线性映射，并在复杂电磁环境下表现出更强的鲁棒性。本文系统梳理了各类神经网络在通信和雷达领域的主要应用场景与技术路径，供相关从业者参考。

PointNet 与 PointNet++ 详解PointNet 发表于 CVPR 2017，PointNet++ 发表于 NIPS 2017，两者都来自斯坦福大学。前者提出了用一个对称函数（Max Pooling）来处理天然无序的点集，实现了端到端的点云学习。后者针对 PointNet 无法感知局部结构的缺陷，引入了层级化的特征提取，使网络能够像 CNN 处理图像那样，从局部到全局逐步提炼语义。

【GAN】Generative Adversarial Network2018All kinds of GANThe GAN zooICASSP 会议可以看出，GAN 变化趋势，becomes a very important technology

DL：前馈神经网络的基本原理与 PyTorch 实现前馈神经网络（Feedforward Neural Network，FNN）是深度学习中最基础的一类神经网络结构。它的核心特点是：信息只沿一个方向逐层传播，从输入层进入，经过一个或多个隐藏层，最后到达输出层，网络中没有循环反馈连接。

npu硬件实现cnn标准卷积计算细节示例输出Image为计算中间过程的输入图像，大小为16x10x10(channel\*width\*high)

09-斯坦福CS336作业 [特殊字符]本文档介绍斯坦福大学 CS336《从零开始的语言模型》课程的 5 个作业内容及其作用，帮助学习者了解这门硬核实践课程的核心训练环节。

神经网络创意科技图片素材满足多场景科技设计创作需求神经网络创意科技素材助力跨领域视觉设计经常做神经网络、大脑相关的创意科技视觉作品的话，大概率会愁怎么高效出活吧？我最近挖到个挺好用的AI与认知科学主题素材库，相关的核心视觉元素基本都覆盖了，全是高清资源适配性也强，做科技和生物交叉领域的内容的时候能省不少功夫。这次我特意挑了5个使用率最高的素材，适配的场景都很明确：蓝色科技裂变风格的展板拿去做科技会议的物料正好，卡通手绘的人脑图配科普教学内容很合适， AI大脑智能科技背景做各类科技宣传的底图不违和，蓝色智能大脑主题的科技海报直接就能用来做AI主题

Product Hunt 每日热榜 | 2026-05-16标语：一款以人为本的开源人工智能工具介绍：90% 的人尝试使用AI助手后都会放弃。原因有三个：每次会话都重置的记忆、你的数据存储在别人的云端、还有一个复杂的终端需要操控。这些都是阻碍。OpenHuman 解决了所有这些问题。它以本地为先，注重隐私，能记住你的所有信息，并随着你的使用变得越来越智能。所有功能都集成在一个简单的界面中。它是完全开源的，只需一键就能设置。P.S. 产品还在测试阶段，可能会有一些bug，但我们正在快速改进和更新。

CVPR 2026 | 时空时序论文总结（天气预报，交通模拟，域自适应等）CVPR 2026将在2026年6月5日至7日于美国科罗拉多会议中心（Colorado Convention Center）举行。

大鸣王潮2024

flow_grpo vs Flow-Factory GRPO 实现对比Flow-Factory 是 flow_grpo 的工程化重写和扩展。核心 GRPO 数学公式相同，但架构上从「每个模型一个脚本」重构为「模型/算法/奖励/调度器完全解耦的统一框架」。

神经网络基础目录：神经网络损失函数网络优化方法正则化方法案例-价格分类案例机器学习，深度学习 - -> 都是实现Al一种途径方式；机器学习：只要数学好，公式等都能推导出来；深度学习：解释型稍差例如:分层 - -> 6层就是比5层好，至于为啥，我们可能不知道是实验出来的；

07-位置编码 📍本文档基于 PyTorch 从零实现 Transformer 中的位置编码机制，涵盖为什么需要位置编码、正弦位置编码的数学原理与完整代码实现及逐行解析、可学习位置编码的对比、位置编码的可视化方法，以及 RoPE 和 ALiBi 等现代变体的简介。通过理论与实践相结合的方式，帮助读者深入理解位置编码的设计思想与实现细节 🧠

典型的卷积神经网络架构目录1.LeNet2.AlexNet卷积神经网络：Convolutional Neural Network (CNN)

张二娃同学

第12篇_深度学习学习路线总结深度学习入门专栏 · 第 12 篇适合读者：已经阅读前两篇内容，希望继续系统学习深度学习核心方法与实践流程的初学者

Cell ：D-SPIN 从单细胞转录组构建调控网络，解析细胞扰动响应底层逻辑本文为《 D-SPIN constructs regulatory network models from scRNA-seq that reveal organizing principles of perturbation response 》的阅读笔记，原文链接： https://www.sciencedirect.com/science/article/pii/S0092867426004630?via%3Dihub。

GAN生成对抗网络GAN（生成对抗网络）#深度解析# GAN（生成对抗神经网络） GAN公式简明原理GAN令人头疼之处主要在于训练不稳定、收敛困难、难以精准控制生成内容，因此各种各样的网络结构、损失函数、加入条件监督信息技巧和各种约束手段被提出。在19年对GAN的综述历史最全GAN网络及其各种变体整理（附论文及代码实现）

RAG向量模型维度（向量维度）神经网络训练出来的隐式特征、同一个collection必须固定维度、维度灾难、隐藏层大小hidden size、语义坐标系在 RAG（Retrieval-Augmented Generation，检索增强生成）系统中，很多人第一次接触向量数据库时，都会看到类似这样的信息：

【论文阅读】SWE-CI: Evaluating Agent Capabilities in Maintaining Codebases via Continuous Integrationhttps://arxiv.org/pdf/2603.03823基于大语言模型（LLM）的智能体已在自动化软件工程任务（如静态缺陷修复）中展现出强大能力，SWE‑bench 等基准测试已充分证明这一点。但在实际场景中，成熟软件的开发通常建立在复杂的需求变更与长期功能迭代之上 —— 这一过程是静态、一次性的修复范式所无法刻画的。为弥补这一差距，我们提出 SWE‑CI，这是首个基于持续集成（CI）流程构建的代码库级基准测试，旨在将代码生成的评估范式从静态、短期的功能正确性转向动态、长期的可维护性。该基准包含

那个，我想吃麦麦

【论文阅读 | Advanced Engineering Informatics 2026】融合条件扩散与图学习的 EEG 信号重建与认知负荷识别📖 论文信息该论文提出了一个"重建-分类"统一框架：第一阶段使用条件引导去噪扩散概率模型（CG-DDPM）同时修复 6 种伪迹污染的 EEG 信号，第二阶段使用融合 CNN、GCN、KAN 三分支编码器的 EEGGX-Net 对认知负荷进行分级识别。在 STEW 和自采集 iNCog-EEG 两个数据集上，二分类准确率均超过 98%，三分类超过 95%，且均为被试独立评估。