神经网络

力学与人工智能

AIAAJ | 西工大常宝辉、李楠等：基于径向基函数神经网络的激波串数据驱动控制方法研究引用格式：Baohui Chang, Nan Li, Luye Jiang, Weiwei Zhang. Data-Driven Control of Shock Train Using Radial Basis Function Neural Network[J]. AIAA Journal, 2025. https://doi.org/10.2514/1. J064762

装不满的克莱因瓶

掌握感知器的学习原理目录一、前言二、什么是感知器三、生物神经元与感知器四、感知器的数学模型五、激活函数六、感知器如何完成分类

装不满的克莱因瓶

掌握典型卷积神经网络的搭建目录一、前言二、卷积神经网络整体结构三、CNN为什么比普通神经网络更强四、LeNet：CNN的起点五、LeNet网络结构解析

【机器人】ROS2 机械臂控制（MoveIt2）从入门到实战目录前言第一章：环境搭建（核心步骤，避坑重点）1.1 前置环境准备1.1.1 ROS2 安装1.1.2 Gazebo 安装

卷积的流程我们现在设计一个卷积神经网络的实验，比如识别一张图片是猫还是狗。现在我们有一张n*n大小的RGB图片的输入，RGB图片是三通道的，这代表这张图片在输入时就包含红、绿、蓝三个维度的信息。所以一张RGB图片输入给模型的输入层实际上是输入了一个n*n*3的tensor（张量）。

装不满的克莱因瓶

掌握神经网络的模型结构目录一、前言二、什么是神经网络三、神经网络的基本组成四、输入层（Input Layer）五、隐藏层（Hidden Layer）

装不满的克莱因瓶

从梯度下降到 Adam 优化器：掌握神经网络参数优化的核心原理目录一、前言二、神经网络训练的本质三、什么是梯度四、梯度下降（Gradient Descent）五、梯度下降的缺陷

Product Hunt 每日热榜 | 2026-06-03标语：AI融资助手，帮助寻找投资者并安排会议。介绍：Fundraisly：终极筹款AI助手。它分析了超过30万个投资者和数百万个交易，识别出那些在你所在领域积极投资的相关人士，并通过你自身的网络为他们勾画出亲切的联系路径，剩下的则通过有针对性的冷邮件 outreach 来完成。最终，你将获得20到40个合格的投资者会议。这个工具由筹集超过10亿美元资金的创始人团队打造。

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。