神经网络

一文解析13大神经网络算法模型架构目录一、引言：神经网络的演进脉络二、基础架构：深度学习的基石2.1 人工神经网络（ANN）2.2 深度神经网络（DNN）

正儿八经的数字经

人工智能100问☞第24问：什么是生成对抗网络（GAN）？目录一、通俗解释二、专业解析三、权威参考生成对抗网络（GAN）是一种由生成器与判别器组成的机器学习模型，通过对抗训练生成逼真数据。

生成对抗网络（Generative Adversarial Networks ，GAN）生成对抗网络是深度学习领域最具革命性的生成模型之一。构造生成器（G）与判别器（D）进行动态对抗，实现数据的无监督生成。

【漫话机器学习系列】260.在前向神经网络中初始权重（Initializing Weights In Feedforward Neural Networks）在神经网络模型中，“初始化”常常被认为只是模型训练前的一个小步骤，但它却可能决定了整个网络能否高效收敛，是否会出现梯度爆炸或消失的问题。今天，我们通过一张生动的手绘图，来拆解权重初始化的常见做法与其背后的逻辑。

正儿八经的数字经

人工智能100问☞第22问：什么是卷积神经网络（CNN）？目录一、通俗解释二、专业分析三、权威参考卷积神经网络（CNN）是一种通过卷积核扫描局部区域、参数共享和分层特征提取的深度学习模型，专为高效处理图像、语音等网格化数据设计，可直接从原始输入中自动学习关键特征。

梁下轻语的秋缘

前馈神经网络回归(ANN Regression)从原理到实战在机器学习领域，回归任务旨在建立输入特征与连续型输出变量之间的映射关系。前馈神经网络（Feedforward Neural Network）作为最基础的神经网络架构，通过多层非线性变换，能够有效捕捉复杂的非线性映射关系，尤其适合处理传统线性模型难以建模的高维、非线性回归问题。

提高绳牵引并联连续体机器人运动学建模精度的基于Transformer的分段学习方法合肥工业大学王正雨老师团队针对绳牵引并联连续体机器人的运动学建模提出一种基于Transformer网络的分段学习方法，该方法较传统建模性能卓越、精度更高。相关研究论文“Transformer-based segmented learning for kinematics modelling of a cable-driven parallel continuum robot” 发表于工程技术领域期刊Proc IMechE Part C: J Mechanical Engineering Science。

【现代深度学习技术】注意力机制07：Transformer【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

啥都鼓捣的小yao

课程11. 计算机视觉、自编码器和生成对抗网络 (GAN)课程计划：Autoencoders自动编码器是一种神经网络，它学习重建输入信息。换句话说，它试图产生与输入完全相同的输出：自动编码器通常设计为向中间逐渐变细，即中间层的神经元数量远小于网络前层的神经元数量。这样我们就得到了我们熟悉的编码器-解码器结构。

深入理解卷积神经网络：从基础原理到实战应用在人工智能领域，卷积神经网络（Convolutional Neural Network，简称 CNN）凭借其强大的图像识别、处理能力，成为深度学习中不可或缺的技术。无论是自动驾驶汽车识别道路标志，还是医学影像分析辅助疾病诊断，CNN 都发挥着至关重要的作用。本文将深入剖析卷积神经网络的基础原理、核心组件，并通过实战案例带你掌握其应用方法。

Daily AI 20250513 (集成学习及其与联邦学习的区别)参考资料：神经网络与深度学习通过某种策略将多个模型集成起来，通过群体决策来提高决策准确率，对于 M 个不同的模型 f 1 ( x ) , ⋯ , f M ( x ) f_1(\boldsymbol{x}), \cdots, f_M(\boldsymbol{x}) f1(x),⋯,fM(x)，每个模型的期望错误为： R ( f m ) = E x [ ( f m ( x ) − h ( x ) ) 2 ] = E x [ ϵ m ( x ) 2 ] \mathcal{R}\left(f_m\right)

一年春又来

AI-02a5a6.神经网络-与学习相关的技巧-批量归一化设置合适的权重初始值，则各层的激活值分布会有适当的广度，从而可以顺利的进行学习。那么，更进一步，强制性的调整激活值的分布，是的各层拥有适当的广度呢？批量归一化（Batch Normalization）就是基于这个想法产生的。

蹦蹦跳跳真可爱589

Python----神经网络（《Inverted Residuals and Linear Bottlenecks》论文概括和MobileNetV2网络）MobileNetV2 论文提出了一种新的移动架构，该架构提高了移动模型在多个任务和基准测试中的性能，以及在各种不同模型大小范围内的性能. 该架构基于倒残差结构，其中 shortcut 连接在 thin bottleneck 层之间. 中间的 expansion 层使用轻量级 depthwise 卷积来过滤特征，作为非线性的来源. 此外，作者发现，为了保持表示能力，重要的是要移除 narrow 层中的非线性. 论文展示了这种架构在 ImageNet 分类、COCO 目标检测和 VOC 图像分割任务中的有效

5.2 参数管理从已有模型中访问参数: 检查第二个全连接层的参数结果信息：note:参数名称允许唯一标识每个参数从第二个全连接层（即第三个神经网络层，第三层）提取偏置

PyTorch 中神经网络相关要点（损失函数，学习率）及优化方法总结衡量模型参数质量的函数(评估模型)对比模型预测值和真实值差异指导通过梯度下降法计算梯度, 进行参数更新 loss.backward()

NNLM神经网络语言模型总结一开始还以为很复杂，总结一下就是：NNLM 将某个单词前 n−1 个词各自转为 embedding，拼接成一个 (n−1)⋅d 维的向量，再通过隐藏层 + 输出层 + softmax，预测下一个词的概率分布

C++.神经网络与深度学习（赶工版）（会二次修改）神经元是神经网络的基本单元，其模型可以类比为生物神经元。一个神经元接收多个输入信号，对这些信号进行加权求和，然后通过一个激活函数进行非线性变换，最终输出一个信号。以下是用 C++ 实现一个简单神经元的代码示例：

深度强化学习 | 图文详细推导软性演员-评论家SAC算法原理本专栏以贝尔曼最优方程等数学原理为根基，结合PyTorch框架逐层拆解DRL的核心算法(如DQN、PPO、SAC)逻辑。针对机器人运动规划场景，深入探讨如何将DRL与路径规划、动态避障等任务结合，包含仿真环境搭建、状态空间设计、奖励函数工程化调优等技术细节，旨在帮助读者掌握深度强化学习技术在机器人运动规划中的实战应用

基于强化学习 Q-learning 算法求解城市场景下无人机三维路径规划研究，提供完整MATLAB代码随着无人机在城市环境中的广泛应用，其三维路径规划问题日益受到关注。城市场景具有复杂多变的障碍物布局和严格的飞行安全要求，传统的路径规划算法往往难以满足实时性和最优性需求。本文提出了一种基于强化学习 Q-learning 算法的无人机三维路径规划方法，通过合理定义状态空间、动作空间和奖励函数，使无人机能够在城市场景中自主学习最优路径。实验结果表明，该算法能够有效避开障碍物，规划出较优的飞行路径，具有较高的成功率和适应性，为无人机在城市环境中的安全高效飞行提供了一种有效的解决方案。

基于小波神经网络（WNN）的回归预测模型【MATLAB】在数据驱动的时代，预测已经成为各行各业中不可或缺的一部分。无论是金融市场的波动、天气的变化，还是工业设备的状态监测，准确的预测都显得尤为重要。在众多预测方法中，小波神经网络（Wavelet Neural Network, WNN）作为一种结合了小波分析与人工神经网络的智能建模方法，近年来受到了广泛关注。