神经网络

深度学习的数学原理（九）—— 神经网络为什么能学习特征？在前面的章节中，我们已经系统掌握了神经网络的核心基础：从单神经元的加权和运算，到多层全连接网络（MLP）的前向传播逻辑；从损失函数的定义（MSE、交叉熵），到反向传播的梯度推导与参数更新（梯度下降、Adam优化器）。

AI驱动的带内自动化巡检：编织IT生态的“智慧神经网络”AI驱动的带内自动化巡检，正是为这片森林部署了一套“智慧神经网络”。它不再仅仅是执行预设脚本的工具，而是具备了全景感知、关联分析、智能推理与协同自愈能力的有机体，让整个IT基础设施从被管理的“客体”，转变为可对话、可自省、可优化的“智能生命体”。

用大白话讲解人工智能(7) 卷积神经网络（CNN）：AI怎么“看懂“图片想象你在玩一幅1000片的猫咪拼图。如果直接把所有碎片倒在桌上，你肯定一脸懵。但聪明的做法是：这就是CNN（Convolutional Neural Network，卷积神经网络）“看图片"的方法——不是一次性看全图，而是分层提取局部特征，再组合成整体理解。和传统神经网络相比，CNN就像给AI戴上了"老花镜”，能聚焦关键细节，忽略无关噪点。

过期的秋刀鱼！

神经网络-代码中的推理介绍，如何使用TensorFlow在代码中的推理，神经网络的一个显著特点就是，相同的算法，可以应用与许多不同的应用，将用烘烤咖啡豆的例子来实现

陈天伟教授

人工智能应用- 搜索引擎：04. 网页重要性评估搜索引擎不仅需要找到包含关键词的网页，还要对这些网页进行排序，以便用户在最短时间内获取到最有价值的信息。

神经网络与深度学习BP神经网络使神经网络能够处理非线性映射任务，具备一层隐层的神经网络结构。没有隐藏层 = 只能做线性任务；有隐藏层 = 能解决复杂真实问题

HyperAI超神经

视觉真实之外：清华WorldArena全新评测体系揭示具身世界模型的能力鸿沟当生成式 AI 能够创造出以假乱真的视频，我们是否就离真正的具身智能不远了？答案可能并不乐观。过去几年，视频生成模型取得了令人惊叹的进展。从光影细节到复杂动态场景，许多模型已经可以生成几乎无法用肉眼区分真假的画面。然而，当这些模型被真正放入机器人系统、让它们参与物理世界中的决策与执行时，一个令人尴尬的现实浮现：视觉上的逼真，并未转化为功能上的可靠。

陈天伟教授

人工智能应用- 搜索引擎：06. PageRank 算法搜索引擎是互联网时代不可或缺的工具，它让我们得以在信息的海洋中迅速找到所需要的内容。通过倒排索引技术，搜索引擎能够高效定位与查询词相关的网页，而像PageRank 这样的排序算法则帮助我们对搜索结果进行排序，从而将最有价值的信息优先呈现给用户。这些技术的结合，不仅提升了搜索的准确性，还极大地改善了用户体验。

脉冲神经网络与神经形态计算异同脉冲神经网络（Spiking Neural Network, SNN）和神经形态计算（Neuromorphic Computing）是紧密关联但本质不同的概念，核心区别在于前者是算法/模型层面的技术，后者是覆盖软硬件的完整计算范式，具体差异可从定义、核心特征、范围等维度展开：

陈天伟教授

人工智能应用- 搜索引擎：02. 搜索引擎发展史搜索引擎是帮助我们从互联网上高效获取信息的工具。最早的搜索引擎可以追溯到 1990 年的 Archie 系统，它可以帮助用户在运行文件传输协议（File Transfer Protocol，FTP）的服务器上查找所需文件。

陈天伟教授

人工智能应用- 搜索引擎：01. 互联网时代搜索引擎是互联网时代获取信息的重要工具，广泛应用于我们的日常生活中。一个优秀的搜索引擎需要解决两个关键问题：（1）如何找到与用户搜索意图相匹配的文档；（2）如何对这些文档进行重要性排序。前者依赖“倒排索引”技术，后者则使用排序算法，其中最著名的是Google 的PageRank 算法。本节将介绍这些关键技术，揭开搜索引擎背后的工作机制。

陈天伟教授

人工智能应用- 搜索引擎：03. 网页定位搜索引擎的首要任务是从海量数据中迅速找到与用户查询相关的文档。互联网上的信息数量庞大，搜索引擎需要在极短时间内搜索到用户想要查找的内容，并且还要同时应对大量用户的请求，因此必须设计一种高效的查询算法。“倒排索引”是当前广泛采用的一种技术。

用大白话讲解人工智能(6) 深度学习：堆“多层神经网络“会发生什么？如果你见过洋葱，就知道它一层包着一层。深度学习（Deep Learning）就像这颗洋葱——把"神经网络"一层叠一层，从表面到核心，层层深入地提取信息。

Product Hunt 每日热榜 | 2026-02-14标语：倾诉一下，心情会好一些介绍：AI治疗，让你可以随时交流。只需自然地说出你的想法，随时获得所需的支持。

民乐团扒谱机

【读论文】深度学习中的卷积算术指南 A guide to convolution arithmetic for deep learning本指南的作者感谢大卫·沃德-法利、纪尧姆·阿兰和贾拉尔·居尔切雷提供的宝贵反馈。同时，也感谢所有通过有益的评论、建设性的批评和代码贡献帮助完善本教程的读者，期待大家继续提出建议！

肾透侧视攻城狮

《掌握Keras模型构建基石：全连接、卷积、LSTM等核心层解析与组合策略》目录本篇技术博文摘要 🌟引言 📘上节回顾1.Keras 常用层类型2.Keras核心层类型2.1Dense 全连接层及示例

陈天伟教授

人工智能应用- 人机对战：06. 小结人工智能在电子游戏领域的出色表现展示了 AI 技术的巨大潜力。从早期的 Atari 游戏到复杂的《星际争霸》，AI 不仅能够在简单、封闭型的游戏中超越人类，在复杂、开放的游戏环境中也表现出与人类旗鼓相当的水平。

PyTorch实现卷积神经网络（CNN）卷积神经网络（CNN）最经典、最基础的组成方式是：输入 → 【卷积层 + 激活函数 + 池化层】 × 多次重复 → 分类 / 回归输出

陈天伟教授

人工智能应用- 扫地机器人：02. 机器人 ≠ 人工智能很多人会将“机器人”和“人工智能”画上等号。但实际上，这两个概念既有关联，又不等同。多数机器人仍是预设程序的“执行器”，并不具备真正的“理解”与“思考”能力。

第二章多层神经网络神经元：一个神经元（线性的Linear）只能画直线，完成不了以下任务：那么多个神经元能不能完成？串联的神经元似乎只有传递作用，那么一根和多根似乎没有区别，神经网络也是如此，在这样的情况下，无论多少层都只有一层。