神经网络

动手学深度学习|线性神经网络：线性回归的实现线性回归模型是在目前的机器学习领域入门级的必修课，其基本框架简单易上手，基本逻辑清晰好理解，本文主要来进行介绍线性回归的基本思想与实现过程。

想你依然心痛

TensorFlow Lite Micro：在MCU上运行神经网络推理——量化、算子支持与内存优化沉淀自己最好的方式，就是守得住繁华，耐得住性子，扛得住低谷。外在顺境或诱惑众多时，不迷失、不膨胀，能保持清醒；在时间维度上耐心，不急于求成；在逆境中不崩溃、不放弃。

机器学习之心

硬约束物理信息神经网络如何反演含水层渗透系数场——从数学原理到代码实现地下水流模拟中，渗透系数场是一个绕不开的"黑箱"。打一口钻孔能拿到一个点上的K值，但整个含水层几百米尺度上的空间分布，靠稀疏钻孔插值是靠不住的。传统反演方法——无论是基于梯度的迭代优化还是贝叶斯推断——要么在计算雅可比矩阵时捉襟见肘，要么在高维参数空间中寸步难行。

【LLM】第三章：BERT讲解+情感分析案例本篇开讲当年叱诧风云、风光无二的BERT大模型。说明：本文是假定你已经非常了解Transformer了，也不会重复写和注意力机制、Transformer相关的内容了。想了解详情的自行查阅我的NLP专栏：https://blog.csdn.net/friday1203/category_12833594.html?spm=1001.2014.3001.5482

AI 大模型学习不踩坑

Harness 架构原理与工程实践详解Harness 是一个现代化的持续交付（Continuous Delivery，CD）平台，旨在通过自动化、智能化和可观测性，帮助企业实现从代码提交到生产部署的端到端软件交付流程。它不仅仅是传统的 CI/CD 工具，更是一个集成了持续集成、持续部署、功能发布、云成本管理、安全合规（如 STO）和混沌工程等能力的综合性平台。

【从零开始大模型开发与微调:基于PyTorch与ChatGLM】(基于PyTorch卷积层的MNIST分类实战:从卷积直觉到高效卷积设计)前面使用多层感知机完成了MNIST分类实战的演示.多层感知机是一种对目标数据进行整体分类的计算方法.虽然从演示效果来看,多层感知机可以较好地完成项目目标对数据进行完整分类,但是多层感知机会在模型中使用大规模的参数,同时,由于是对数据进行总体性的处理,从而无可避免地会忽略数据局部特征的处理和掌握,因此我们需要一种新的能够对输入数据的局部特征进行抽取和计算的工具.卷积神经网络是从信号处理衍生过来的一种对数字信号进行处理的方式,发展到图像信号处理上演变成一种专门用来处理具有矩阵特征的网络结构处理方式.卷积神经网

次旅行的库

解决Device API gpu is not enabled. Please install the cuda version of dgl.复现RGCL遇到的错误：Device API gpu is not enabled. Please install the cuda version of dgl. 当前安装的 DGL 是 CPU 版本，不支持 GPU，代码试图把异构图 .to('cuda:0') 迁移到 GPU，DGL 库无 CUDA 后端直接崩溃。

22.AI大模型开发：深度学习中神经网络的神经元、激活函数与参数初始化人的大脑里有大约 860亿个神经元，它们相互连接，构成了一个极其复杂的网络。每个神经元长这样：树突：接收来自其他神经元的信号（输入）

极光代码工作室

基于深度学习的异常行为检测系统随着智能视频监控在安防、交通、金融、医疗等领域的广泛应用，传统基于规则或手工特征的方法已难以应对复杂场景下多尺度、多模态、低频稀疏的异常行为识别需求。本文设计并实现了一套端到端的基于深度学习的异常行为检测系统，融合时空卷积网络（ST-GCN）与自监督对比学习机制，在保证高精度的同时显著提升模型对未见异常类型的泛化能力。系统采用双流架构处理RGB帧与光流场信息，引入改进型Temporal Shift Module（TSM）增强时序建模能力，并结合轻量化MobileViT骨干网络实现边缘部署可行性。在UCF-

AI街潜水的八角

口罩检测和识别2：基于深度学习YOLO26神经网络实现口罩检测和识别(含训练代码和数据集)基于深度学习YOLO26神经网络实现口罩检测和识别，其能识别检测出3种口罩检测：names: ['R_mask', 'W_mask', 'N_mask']

Product Hunt 每日热榜 | 2026-07-05标语：克隆你自己。在你发问之前，让人工智能来帮你完成工作。介绍：Vida 是一个智能助手，它会学习你的工作方式，记住重要的事情，并且随着时间的推移变得越来越像你。你使用 Vida 的次数越多，它就越能理解你的习惯、项目以及你处理事情的方法。最终，它就像是你的第二个版本——在你询问之前，悄悄地在后台处理重复的任务。

大模型最新论文速读

RL 的 token 选择之争：高熵词到底重不重要？有的研究认为 RL 时要重点训高熵 token（激发探索），有的则认为要避开它们（干扰优化），关键是双方的实验都能涨点。作者提出 “相对惊喜度” 指标来同时刻画 token 的不确定性与梯度影响，发现这一争论并非矛盾，而是互补：通过 RSI 筛选概率适中的区间，同时获取双方优势，实现更好效果

具备多项先验知识的图神经网络用于多组学数据分析随着生物技术的发展，精准医疗收集了大量多组学数据。存在多项基于图形的生物学知识，涉及组学数据，例如基因-基因相互作用网络。近年来，将图神经网络（GNN）引入多组学学习的兴趣日益增加。然而，现有方法尚未完全利用这些图形先验，因为没有方法能够同时整合来自多个来源的知识。为解决该问题，我们提出了一个多元组学数据分析框架，将多项先验知识整合进图神经网络（MPK-GNN）。据我们所知，这是首次尝试将多张先前的图表引入多组学数据分析。具体来说，该方法包含四个部分：（1）一个特征级学习模块，用于从之前的图表中聚合信息;

aclnn 完整含义解析华为昇腾计算库-神经网络算子API（算子开发） acl / aclnn / aclrt 三者区分算子开发好，测试程序需要用岛的aclnn = Ascend Compute Library Neural Network 中文：昇腾计算库-神经网络算子API

机器学习与模式识别第十三章从线性模型到神经网络考点压缩综合来源：Lecture 13 PDF（43页）、课堂笔记（CSDN）占位图y(x,w)=f(∑jwjϕj(x)+w0)y(\mathbf{x}, \mathbf{w}) = f\left(\sum_j w_j \phi_j(\mathbf{x}) + w_0\right)y(x,w)=f(j∑wjϕj(x)+w0)

深度学习入门：神经网络原理与 PyTorch 实战

OpenAI发布首款自研芯片Jalapeño：9个月流片，AI设计芯片的时代来了6月24日，OpenAI联合Broadcom（博通）和Celestica，正式发布了首款自研AI推理加速器——Jalapeño。

机器学习与模式识别第十四章神经网络中的反向传播模拟卷及答案总分：100分 | 建议用时：60分钟范围：数值/符号/自动微分、计算图、反向传播、伴随变量占位图1. 数值微分的最大缺点是什么？ A. 不适用于神经网络 B. 计算代价极高（O(ND2)\mathcal{O}(ND^2)O(ND2)） C. 结果不准确 D. 需要手动推导

ICML 2026 | 时间序列（Time Series）论文总结【基础模型，生成，分类，异常检测，插补，表示学习和分析等】ICML 2026将在2026年7月6日—11日于韩国首尔（Seoul, South Korea）举行。本文总结了2026 ICML上有关时间序列（time series）相关论文。如有疏漏，欢迎大家补充。

AI 大模型学习不踩坑

OpenClaw 完整教程：从安装到使用（官方脚本版）OpenClaw 是一个强大的开源工具，它能够帮助用户高效地管理和操作云资源。对于许多开发者和运维人员来说，掌握 OpenClaw 可以极大地提升工作效率。本教程将带你从零开始，使用官方提供的脚本，一步步完成 OpenClaw 的安装、配置与基本使用，让你快速上手。