神经网络

深度学习理论：从神经网络到Transformer—前馈网络、反向传播、注意力机制与训练深度学习研究的核心问题是：如何设计和训练多层非线性变换，使得机器能够从数据中自动学习有用的表示？这个问题可以分解为三个子问题：

卷积神经网络继神经网络（详见前馈神经网络）后，引入卷积神经网络。请根据《神经网络与深度学习-邱锡鹏》第五章卷积神经网络自行学习基础理论，此处仅作部分内容具体解释。 PDF资源链接：https://github.com/Sinon771/DeepLearning-Resource.git

装不满的克莱因瓶

基于 Python 进行二维空间线性可分数据单/多层感知器实战目录一、前言二、什么是二维空间线性可分数据三、感知器的数学模型四、构造二维分类数据集五、数据可视化六、训练单层感知器

深度学习面试八股——循环神经网络RNN大家好，这里是好评笔记，公主号：Goodnote，专栏文章私信限时Free。本文详细介绍面试过程中可能遇到的循环神经网络RNN知识点。

装不满的克莱因瓶

深度学习优化：使用深层神经网络来解决复杂任务目录一、前言二、深度学习优化的整体框架三、掌握常见的参数初始化方法3.1 为什么需要初始化3.2 常见初始化方法

人工智能研究所

字节开源 OmniShow：文本，图片，音频，人体姿态多输入，一键成片在众多视频生成模型中，大多数方法只能处理单一或有限的控制条件——要么只能“看图说话”，要么只能“对嘴型”，要么只能“照着姿势摆”。当我们真正想要同时控制人物的外貌、声音、动作和场景描述时，现有方法往往显得力不从心。

【LLM】第四章：项目实操案例：文本情感分析本案例是基于LSTM架构，搭建一个文本情感分析模型，对评论内容进行二分类判断(正面或负面)。说明：本篇是根据https://www.bilibili.com/video/BV1k44LzPEhU?spm_id_from=333.788.videopod.episodes&vd_source=b6780e06031ac609460f6fbf017bbb39&p=73 案例重构而成，致谢原作者！

科研小刘带你玩学术

【科研快报】Nature子刊重磅｜HESpotEx：深度学习首次实现从病理图像直接预测基因表达一、引言：病理图像与分子特征的"最后一公里"难题H&E染色全切片病理图像（WSI）示例，展示临床病理诊断中常规获取的组织形态学信息

周志华《Machine Learning》学习笔记--第六章--支持向量机如果把二分类比作在两种水果地中间画分界线：随便画一条能分开两地的线很容易，但要画出一条离两边果树都最远、抗干扰最强的分界线，就是SVM（支持向量机）干的活儿。传统感知机随便划线容易被个别异常果子带偏，而SVM主打「安全分界线」，凭借最大间隔、对偶优化、核映射三大王牌，从线性分类一路打通非线性难题，曾称霸机器学习分类赛场十余年。本文顺着西瓜书第六章完整脉络，从基础硬间隔SVM、对偶问题、核函数、软间隔、SMO算法、多分类SVM六大模块拆解，配公式逐字符释义、原理配图、西瓜数据集实测表格、可运行Python源

周志华《Machine Learning》学习笔记--第五章--神经网络从手机的人脸识别解锁，到AlphaGo击败世界围棋冠军，再到ChatGPT的流畅对话，这些黑科技背后都站着同一个“大佬”——神经网络。它模仿人脑神经元的连接方式，让机器拥有了“学习”和“思考”的能力。本文将带你从零拆解神经网络的核心原理，从最基础的神经元模型，到训练多层网络的BP算法，再到如今大火的深度学习，全程穿插通俗案例和可运行代码，让你彻底搞懂这个AI时代的核心技术。

周志华《Machine Learning》学习笔记--第七章--贝叶斯分类器如果把机器学习分类比作医生看病：传统分类器（如SVM）是“看症状直接下诊断”，靠历史数据拟合出症状到疾病的映射；而贝叶斯分类器是“老中医式诊断”——先有多年行医积累的经验（先验概率），再结合病人的具体症状（似然概率），最后算出“得某病的概率（后验概率）”，选概率最高的诊断结果。

计科八股20260604——AI安全、K-means、SVM、nano昨天金工实习，之后上课，所以未更。今天金工实习累成傻子了，板子一边长一边短导致又重新锯了1个，他妈的右手都快报废了。

基于卷积神经网络的智能车牌识别系统随着我国机动车保有量的迅速增长和智能交通系统的广泛应用，车牌识别技术已成为智能交通领域的重要研究方向。本文设计并实现一种基于卷积神经网络的智能车牌识别系统，旨在解决传统人工识别效率低下、准确率不稳定等问题。系统采用Flask框架作为后端服务框架，使用PyTorch深度学习框架构建和训练CNN模型，集成MySQL数据库进行数据持久化存储，并提供Web界面。系统支持多种图像格式上传，能够实时处理用户请求并返回识别结果。数据预处理实现多层次的图像处理技术，包括图像质量检测、灰度转换、直方图均衡化、自适应阈值分

GAN（Generative Adversarial Network）生成对抗网络GAN，全称是 Generative Adversarial Network，生成对抗网络。它最核心的思想不是“我直接告诉模型怎么生成一张图片”，而是设计一个对抗场景，让两个模型互相竞争、互相逼迫，最后把生成能力训练出来。

统计学习方法第八章：BoostingBoosting 就是把简单模型依次串联，每一步都死死盯着上一步的短板（损失函数的负梯度方向），通过加权修正，最终累加出一个极其强大的集成模型。

基于CNN的异常流量监测系统的设计与实现随着网络攻击手段的日益复杂，传统基于签名的入侵检测技术难以有效应对未知威胁。网络流量异常检测通过建立正常行为基线、识别偏离基线的异常流量，在主动防御方面具有重要价值。本文设计并实现了一套基于卷积神经网络（Convolutional Neural Networks，简称CNN）的异常流量监测系统。系统将数据包元数据转化为文本表征，经TF-IDF向量化后输入一维CNN进行二分类，实现了从流量采集、模型训练、模型评估到在线/离线检测的完整流程。系统采用PyQt5构建图形界面，支持PCAP解析、实时回放、合成流量

# 矩阵算法·算子对齐工具 v6.1 — 技术规格与使用手册# 矩阵算法·算子对齐工具 v6.1 — 技术规格与使用手册## 一、系统定位本工具是一款**面向异构计算架构的跨芯片算子对齐探针**。它用于验证目标硬件（NPU/GPU/CPU）上的算子实现，是否同时在**数值精度**与**计算效能**上符合预期标准。

神经网络架构设计解析（Neural Network Architecture Design）

小糖学代码

机器学习：4.人工神经网络人工神经网络（Artificial Neural Network）是深度学习的基础，其发展经历了多个阶段，并从真实的生物神经元中获得了重要的启发。

极光代码工作室

基于深度学习的文本自动摘要系统随着互联网信息爆炸式增长，海量非结构化文本数据（如新闻、论文、社交媒体帖子）持续涌现，人工阅读与提炼核心信息已难以满足时效性与规模性需求。文本自动摘要技术作为自然语言处理（NLP）的核心任务之一，旨在通过算法自动生成简洁、准确、连贯的摘要，有效提升信息获取效率。本文围绕基于深度学习的文本自动摘要系统展开研究与实现，聚焦于中文长文档的抽取式与生成式混合摘要建模。系统采用BERT-BiLSTM-CRF联合编码器提取关键句语义特征，结合Pointer-Generator Network（PGN）与Coverag