神经网络

AI大模型-卷积神经网络-对卷积的理解1、为避免一学就会、一用就废，这里做下笔记 2、让高等数学没学好的人（如本学渣），也能彻底搞懂卷积是什么

鲨莎分不晴

FNN vs CNN 完全对比指南FNN（Feedforward Neural Network），也叫全连接神经网络（Fully Connected Neural Network）或多层感知机（MLP, Multi-Layer Perceptron），是最基础、最经典的神经网络结构。

模型选型指南：7B、67B与MoE架构的业务适用性对比本文继上一篇关于昇腾910B硬件架构的讨论之后，将重点转向软件层面的适配策略，具体探讨DeepSeek系列模型在不同业务场景下的选型逻辑。面对DeepSeek-Coder-7B、DeepSeek-LLM-67B以及DeepSeek-V2/V3 MoE等不同规格的模型，技术决策者需要从业务需求、显存资源以及推理延迟三个维度进行综合评估，以构建最优的算力成本结构。

这张生成的图像能检测吗

（论文速读）Set Transformer: 一种基于注意的置换不变神经网络框架论文题目：Set Transformer: A Framework for Attention-based Permutation-Invariant Neural Networks （一种基于注意的置换不变神经网络框架）

机器学习之心HML

GSABO（通常指混合了模拟退火SA和天牛须搜索BAS的改进算法）与BP神经网络结合，用于爆破参数优选在矿山开采、隧道掘进等工程爆破中，需要确定一组最优的爆破参数（如：孔径、孔深、孔距、排距、炸药单耗、装药结构等），以达到理想的爆破效果（如：爆破块度分布、爆炸形态、振动控制、成本最低等）。传统方法依赖经验公式和反复试验，成本高、效率低。

QiZhang | UESTC

深度解析：反向传播在神经网络训练中的应用（豆包写的）反向传播（Backpropagation）是训练神经网络的核心算法，本质是利用链式法则递归计算损失函数对网络中所有参数（权重、偏置）的梯度，从而通过梯度下降法更新参数以最小化损失。它的核心优势是避免了暴力求导的高计算复杂度，让深层网络的训练成为可能。

知乎的哥廷根数学学派

基于自适应多尺度小波核编码与注意力增强的脉冲神经网络机械故障诊断（Pytorch）首先从西储大学标准轴承数据集加载四种工况的振动信号，包括正常状态和滚珠、内圈、外圈三种典型故障类型，对原始信号进行标准化处理和滑动窗口分段，形成标准化样本序列。核心部分采用自适应多尺度小波核编码技术，通过24个可学习的小波核对输入信号进行多尺度时频特征提取，这些小波核的频率、尺度、相位和Q因子参数均在训练过程中自适应优化，能够自动捕捉最适合故障诊断的频带特征，同时计算信号的包络特征以增强特征表示能力。编码后的特征通过改进的积分-发放脉冲神经元转换为脉冲序列，模拟生物神经元的稀疏编码特性，脉冲神经元具有可学

Product Hunt 每日热榜 | 2026-01-12标语：只需一个提示，几分钟内就能制作完整的动漫短片！介绍：Elser AI帮助创作者将想法转化为完整的动漫视频。只需输入一个想法，Elser AI就能根据这个提示创建拥有一致角色、清晰叙事和电影风格的长格式视频。在长格式评估中，Elser的角色一致性比其他AI视频工具高出30%以上，覆盖超过180个场景。它是为那些想要的不仅仅是短视频的故事讲述者、动画师和创作者们量身打造的。

超级简单启动llamafactory！先去官网找到llama_factory项目地址windows用户：打开release目录：Releases · hiyouga/LlamaFactory

拉普拉斯妖108

DAY41 简单CNN@浙大疏锦行由于本人的cuda不可用，因此使用cpu进行计算

知乎的哥廷根数学学派

基于物理约束与多源知识融合的浅基础极限承载力智能预测与工程决策优化（以模拟信号为例，Pytorch）首先通过基于Terzaghi和Meyerhof经典理论的模拟数据生成模块，创建了大量符合工程实际的训练样本，这些样本不仅包含基本的土体参数（粘聚力、内摩擦角、重度）和基础几何参数（宽度、长度、埋深），还添加了荷载条件（倾角、偏心距）以及根据工程经验修正的多种衍生特征（上覆压力、长宽比、刚度指标等）。然后，系统构建了一个物理信息约束的深度神经网络模型，该模型在传统神经网络的基础上，通过自动微分技术计算梯度，强制模型满足承载力随关键土体参数单调递增、预测值为正且在合理范围内的物理规律，同时采用混合损失函数（M

可触的未来，发芽的智生

完全原生态思考：从零学习的本质探索→刻石头完全原生态思考：从零学习的本质探索引言：被遮蔽的学习真相我们站在人工智能与认知科学的交汇点，被层层叠叠的理论、模型与范式包围。当我们谈论“学习”时，脑海中浮现的是神经网络、梯度下降、知识图谱——这些精巧的架构遮蔽了一个更为原始、更为本质的问题：学习，在剥离所有人类文明附加的复杂结构后，究竟是什么？

昇腾910B与DeepSeek：国产算力与开源模型的架构适配分析在这个大模型狂飙突进的时代，我们正经历着一场有趣的软硬碰撞。一方是国产算力的扛把子昇腾910B，承载着摆脱外部依赖、构建自主可控AI基础设施的重任；另一方是开源界的当红炸子鸡DeepSeek，以其惊艳的MoE架构和极具性价比的性能，让无数开发者跃跃欲试。

物理信息神经网络（PINN）：AI与物理定律的融合新范式在人工智能与基础科学交叉融合的浪潮中，物理信息神经网络（Physics-Informed Neural Networks, PINN）正成为连接深度学习与物理世界的关键桥梁。传统深度学习模型依赖海量标注数据且缺乏物理解释性，而传统数值方法在高维问题和复杂几何域中面临计算瓶颈。PINN创新性地将物理定律以偏微分方程（PDE）的形式嵌入神经网络训练，实现了数据驱动与物理约束的有机结合，为科学计算领域带来了革命性突破。本文将系统解析PINN的核心原理、优势特点，并通过具体代码实例展示其在求解经典物理方程中的应用

AI街潜水的八角

基于深度学习神经网络YOLOv5目标检测的安全帽识别系统第一步：YOLOv5介绍YOLOv5是一种目标检测算法，它是YOLO（You Only Look Once）系列的最新版本。YOLOv5在YOLOv4的基础上进行了改进和优化，以提高检测的准确性和速度。

从森林到梯度——梯度提升树的原理、调参与实战“成功不是一蹴而就，而是不断修正错误的过程。” 而梯度提升树（GBDT），正是这一思想的极致体现。在第四章和第五章中，我们分别学习了线性模型与基于 Bagging 的随机森林。它们各有优势：

Birch聚类算法Birch（Balanced Iterative Reducing and Clustering using Hierarchies）是一种专为大规模数值数据设计的增量式、多阶段聚类算法。它由 Zhang & Ramakrishnan 于 1996 年在 SIGMOD 提出，目标是在一次数据扫描内、有限内存下，快速生成一棵内存驻留的层次摘要树（CF-Tree），再基于该摘要执行最终聚类。核心思想：“先压缩，再聚类”。

机器学习之心

MATLAB灰狼优化算法(GWO)改进物理信息神经网络(PINN)光伏功率预测核心理念传统PINN训练常面临梯度消失、收敛慢、易陷局部最优等问题。GWO作为一种高效的群体智能优化算法，其强大的全局探索能力可以优化PINN的关键参数（如损失权重、网络初始权重等），从而使PINN更快、更稳定地找到符合物理规律的解。一、整体框架：GWO-PINN混合模型

AI大模型-卷积神经网络-对神经网络的理解1、为避免一学就会、一用就废，这里做下笔记 2、上文已讲明卷积的概念，这里继续说明何为“神经网络”1、了解矩阵的基本知识 2、了解机器学习的基本概念

学好statistics和DS

卷积神经网络中的反向传播卷积神经网络是计算机视觉领域的核心架构，其能力源于通过反向传播算法从数据中自动学习特征的能力。本文将深入探讨卷积层中反向传播的数学原理，揭示网络如何通过梯度下降调整卷积核参数。