神经网络

人工智能 & 神经网络完整入门路线（零基础可走，分阶段）#人工智能、神经网络这块如何入门?#整体的路径是, 从基础开始, 接着是数学方面进行打底, 然后是机器学习的基础部分, 随后是神经网络深度学习, 最后到项目实战。

你想知道什么?

神经网络-学习笔记构建神经网络就是在构建神经元基本结构神经元（Neuron）：接收输入、加权求和、通过激活函数输出层（Layer）：输入层 → 隐藏层（可多层） → 输出层权重与偏置：网络的学习参数，通过训练调整关键机制前向传播：数据从输入层流向输出层，计算预测结果反向传播：根据误差梯度，从输出层向输入层更新权重激活函数：引入非线性（ReLU、Sigmoid、Tanh、Softmax 等）

在所不辞兄

【零基础学智能仿真-16】循环神经网络与LSTM/GRU——学习力学响应的历史记忆本节承接一维卷积，学习RNN、LSTM、GRU和双向循环网络处理力学时序数据的方法。课程从“当前载荷相同，结构响应为什么仍然不同”出发，讲解隐藏状态、时间展开、反向传播、梯度消失及门控记忆机制，并用纯NumPy训练一个循环神经网络，预测具有历史效应的位移响应。学习者将掌握时序数据组织、整序列划分、训练评估与因果性判断，为蠕变、动力响应、疲劳及裂纹扩展预测奠定基础。

吴佳浩 Alben

走向 Memory OS：企业私有化 Agent 设计与实现作者：吴佳浩（Alben）微某信公某众号：全栈架构师笔记系列专栏：《打造下一代智能体：企业级 Coding / DevOps Agent》· 第 03 篇

早睡早起身体好123

用 XGrammar 约束大模型工具调用：解决参数为空的问题工具调用成功了，为什么 arguments 仍然可能是空对象？这篇文章记录一个多智能体系统中的真实问题，以及如何使用 tool_choice、严格 JSON Schema 和 XGrammar 提高工具调用的可靠性。

AI微调系列（1）| 全量微调、LoRA、QLoRA 三种方案怎么选最近在做企业 AI 化转型的技术咨询时，几乎每家技术负责人都会问我同一个问题：模型选定以后，到底应该走"全量微调"、"LoRA"还是"QLoRA"？三种方案听起来都叫微调，但显存开销、训练成本、最终效果却天差地别，选错了轻则烧光预算，重则整个项目返工。

打不了嗝 ᥬ᭄

神经网络基础与整体架构深度学习主要应用于计算机视觉、自然语言处理、数据挖掘等任务。它的核心目标可以概括为一句话：把人类眼中的图像、文本、结构化数据等原始数据，转换成计算机能够理解的特征表示，然后基于这些特征进行预测或决策。换句话说，机器"看世界"的方式和人完全不同——人看到的是一张风景照，机器看到的是一串数字矩阵和从中提取出的抽象特征。

Product Hunt 每日热榜 | 2026-09-11标语：自我提升的人工智能客户体验介绍：Nova是一个AI运营工具，可以帮助你建立和优化客户体验团队，无需开发者。用简单的语言描述一下如何处理客户问题，并连接你的工具。Nova会构建智能客服代理，先在历史工单上进行测试，确保没有问题之后再投入使用。运行后，Nova会24/7监控服务质量，并提出改进建议，等待你的审核。智能客服代理可以处理完整的请求，包括订单、退款和计划变更，支持通过电子邮件、聊天或WhatsApp进行沟通。而未解决的请求是免费的。

Deep Learning for Computer Vision——Large Scale Distributed TrainingGPU (Graphics Processing Unit)：最初为图形设计，现已成为通用的并行处理器（General Parallel Processor）。

动手学深度学习 03 | 卷积神经网络实现手写数字识别目录前言一、多层感知机的缺陷二、从全连接层到卷积1、什么是卷积2、卷积核3、感受野和特征映射4、池化层（汇聚层）

倔强的石头106

【深度学习】神经网络前向传播与反向传播推导摘要：训练神经网络时，我们每天都在写 loss.backward()，但这行代码背后发生了什么？前向传播负责把输入一步步变成预测，损失函数衡量预测和目标的差距，反向传播用链式法则把误差信号从 loss 传回每个参数，优化器再根据梯度更新参数。本文用一个两层 MLP 作为例子，从矩阵形状、前向公式、MSE loss、ReLU 梯度、参数梯度一步步推导到 PyTorch autograd 验证。目标不是让你手写大模型反传，而是让你真正看懂训练循环里的每一步。

华清远见成都中心

神经网络中的损失函数是什么一、损失函数的核心定义损失函数（Loss Function）是神经网络训练的核心核心数学工具，用于定量衡量模型预测结果与真实标签的误差大小。通俗来说，就是给模型的“预测错误”打分：分数越高，代表模型预测偏差越大、效果越差；分数越低，代表预测结果越贴合真实值，模型性能越好。

第 1 篇：为什么不该再让 AI 画页面让 AI（Claude Code / Cursor / 豆包等）直接生成整个页面，常见的失败模式：根因一句话：AI 生成一个页面时，要同时决策三件事——样式、布局、逻辑。三个变量叠在一起，输出就不稳定。

微分基本定义笔记Δy=f(x0+Δx)−f(x0)\Delta y=f(x_0+\Delta x)-f(x_0)Δy=f(x0+Δx)−f(x0)

千里码aicood

Flask-基于图神经网络的谣言检测研究摘要针对社交媒体谣言识别准确率不足的问题，本研究设计并实现了一个基于Flask框架和图神经网络的谣言检测系统。系统通过分析微博传播数据的转发关系构建传播网络图，提取节点数量、传播深度、时间跨度等结构特征，采用图注意力网络（GAT）模型进行自动分类。使用中文谣言数据集进行训练和测试，实验结果显示系统准确率达到90.3%，相比随机森林、LSTM等传统方法提升约9%-12%。研究验证了传播网络特征对谣言识别的重要性，其中传播深度、时间跨度和网络密度等指标具有较强区分度。系统通过Flask框架实现前后端交互，提

表格神经网络架构发展史：从 MLP 到表格基础模型的二十年导语：表格数据（tabular data）——行样本、列特征的结构化表格——是现实世界最常见的数据形态，据估计占据企业数据 70% 以上。然而与图像、文本不同，表格长期是深度学习的"滑铁卢"：决策树集成（GBDT / XGBoost）在大多数基准上稳压神经网络。过去近二十年，学术界围绕"如何让神经网络真正吃好表格数据"演化出了一条清晰的架构演进脉络。本文按五个阶段系统梳理，每个代表架构均附论文原图、示例代码、设计说明、实例与得失分析。

在所不辞兄

【神经网络干货】物理信息神经网络：当神经网络开始“遵守”物理定律传统神经网络最擅长的一件事，是从大量数据中寻找规律。给它足够多的输入和输出，它可以学习图像、语言，也可以预测温度、压力、浓度甚至材料性能。

第 8 篇：与 AI 协作的工作流 + 完整案例把前面七篇串成一条可复用的工作流：你提需求 → AI 只返回 Schema → 贴进项目出页面。并给出两个完整案例和常见坑排查。

机器学习之心

基于残差融合WOA-LSTM-EKF的锂电池SOC估计方法基于残差融合WOA-LSTM-EKF的锂电池SOC估计方法 MATLAB实现 | BBDST工况数据 | 完整代码可复现

在所不辞兄

【零基础学智能仿真-11】CatBoost——让材料类型和边界条件参与力学预测本节学习能够直接处理类别特征的CatBoost算法。课程以三种材料和两种支承形式的梁响应预测为案例，讲解类别变量、目标统计、Ordered Boosting及对称树结构，并完成分层划分、模型训练、测试评价和误差诊断。通过实际代码与图表，学习者将认识材料名称、单元类型和边界条件不能随意数字化，掌握混合类型有限元数据的建模方法，同时理解未知类别、数据泄漏和极端工况预测的风险。