神经网络

张二娃同学

深度学习入门：YOLOv5 与 Fast R-CNN的认识目标检测难的地方，不只是“能不能识别出来”，还在于“速度、精度和部署成本如何平衡”。YOLOv5 代表单阶段检测思路，强调实时性和工程落地；Fast R-CNN 代表两阶段检测思路，强调候选区域建模和区域级判别。本文从原理、结构、参数、指标和应用场景五个层面展开，对两者做一篇适合初学者阅读、也能直接用于选型参考的对比分析。

郝学胜-神的一滴

激活函数：神经网络的「非线性灵魂」，让模型从“直线”走向“万能”在深度学习的世界里，激活函数是一个看似微小、却决定网络能力的核心组件。很多初学者会问：神经网络层层叠加，难道不是越深层能力越强？答案藏在一个关键逻辑里——没有激活函数，再深的网络，也只是一层线性回归。

郝学胜-神的一滴

深度学习激活函数核心精讲：Sigmoid 原理、推导与工程实践在深度学习的神经网络搭建中，加权求和 + 激活函数是神经元的标准工作流程。激活函数负责为网络引入非线性，让模型具备拟合复杂规律的能力。今天我们从最经典的Sigmoid出发，拆解公式、推导导数、分析缺陷，明确它在工程中的正确用法。

【MySQL基础】（4）：MySQL 数据类型在数据库系统中，数据选型绝非小事，它犹如大厦的基石，对系统性能、资源消耗等多方面有着深远影响。从性能角度来看，精准的数据选型能极大提升系统运行效率。合适的数据类型能让数据在磁盘上的存储更加紧凑，减少I/O操作的次数。当数据量庞大时，若选用了不恰当的类型，比如本可用TINYINT存储的状态位却用了INT，就会使磁盘I/O吞吐量下降，读取相同数量的数据需要更多次I/O操作，拖慢系统速度。而且，在内存中，合适的数据类型有助于提高Buffer Pool缓存命中率。当更多数据能以更小的空间存储在缓存中时，CPU就

AI梯度下降与PyTorch张量操作技术指南AI梯度下降与PyTorch张量操作技术指南

Prompt Engineering进阶指南在大模型（LLM）快速发展的今天，“会不会写 Prompt”已经不再是核心问题。真正的分水岭在于：你是否理解——如何让模型“思考”。

【大语言模型】 WizardLM：赋能大型预训练语言模型以遵循复杂指令训练大型语言模型（LLM）使用开放领域的指令遵循数据取得了巨大的成功。然而，手动创建此类指令数据非常耗时且劳动密集。此外，人类可能难以产生高复杂度的指令。本文展示了一种利用LLM而非人类来创建具有不同复杂度级别的大量指令数据的方法。从一个初始指令集开始，我们使用提出的Evol-Instruct方法，逐步将它们重写为更复杂的指令。然后，我们混合所有生成的指令数据来微调LLaMA模型，最终模型被称为WizardLM。自动化和人工评估均一致表明，WizardLM的性能优于Alpaca（基于Self-Instru

测绘第一深情

MapQR:自动驾驶在线矢量化高精地图构建的端到端 SOTA 方法MapQR 是 ECCV 2024 提出的、面向自动驾驶在线矢量化高精地图构建的端到端 SOTA 方法，核心是通过增强点集查询机制，解决传统方法精度低、信息不一致的问题，在 nuScenes/Argoverse2 上实现最优 mAP 且保持高效运行。

具有输出LC滤波器的三相逆变器前馈神经网络模型预测控制（FFNN-MPC）针对具有输出LC滤波器的三相逆变器系统，前馈神经网络模型预测控制（FFNN-MPC）结合了神经网络强大的非线性建模能力和MPC的优化控制特性。以下是完整的理论分析、系统建模、神经网络训练和MPC实现方案。

LLM大模型认识通过上一节AI基础认知的分析，我们知道AI产生智能的三要素分别是：算法、数据、算力。本质来说，AI的智能还是基于各种数学计算产生的。

陈天伟教授

“快速模式”和“专家模式”你提到的“快速模式”和“专家模式”通常出现在各类工具、软件或AI产品中。由于没有指明具体场景，我列举几个最常见的情况供你参考：

小布的学习手记

拒绝“传话游戏”！DenseNet 如何让神经网络开启“群聊”模式版权声明：本文同步发布于个人博客。欢迎交流与转载，但请务必注明出处。摘要：在深度学习的演进史上，ResNet（残差网络）通过“快捷连接”解决了深层网络难以训练的问题。而它的继任者 DenseNet（稠密连接网络）则走得更远——它不再只是简单的“相加”，而是将所有层的特征“连接”在一起。本文将用通俗的语言和硬核的代码，带你彻底搞懂 DenseNet 的核心思想、架构设计以及它在显存与参数之间的权衡。

【论文阅读】-《CGBA: Curvature-aware Geometric Black-box Attack》基于决策的黑盒攻击通常需要大量查询才能制作一个对抗样本。此外，基于在估计的法向量方向上查询边界点的决策式攻击常常存在效率低下和收敛问题。在本文中，我们提出了一种新颖的查询高效的曲率感知几何决策式黑盒攻击 (CGBA)，该方法在一个受限的二维平面上沿半圆形路径进行边界搜索，从而无论边界曲率如何都能确保成功找到边界点。虽然我们提出的 CGBA 攻击对于任意决策边界都能有效工作，但它在利用低曲率来制作高质量对抗样本方面特别高效，这种低曲率在非目标攻击下的常用分类器中广泛存在并得到了实验验证。相比之下，在目标攻击

OpenClaw 教程：新 Mac 从 0 配到国产 AI、飞书微信和无人值守我自己第一次在新 Mac 上配 OpenClaw，最容易乱的不是命令。而是顺序。很多人一上来就先接微信、先装一堆 skill、先改一堆配置，看起来像是进度很快，实际最容易把 Gateway、模型、渠道、workspace 全搅在一起，最后整套配置像一锅小龙虾乱炖，哪层出问题都看不出来。

AI NLP核心技术指南AI NLP核心技术指南

BERT在小说大模型中的核心定位：理解者、解码者、守护者在AI重塑文学创作与阅读体验的时代浪潮中，Transformer架构的大语言模型无疑是聚光灯下的绝对主角。GPT系列以惊人的生成能力续写故事，DeepSeek-R1在阅文集团的集成让网文创作迎来了智能化时刻。

小说大模型---全连接神经网络-大模型中真正的“守门人”然而，当DeepSeek这样的“顶流”大模型风光无限时，一个容易被忽视的关键问题浮出水面：**那些让小说更“好看”的决策任务——判断一个开篇会不会爆、分析你的文风像不像某位大神、决定剧情走向是否合乎逻辑——究竟是谁在幕后说了算？**

【大语言模型】揭秘OPD：大语言模型的长度膨胀与稳定化策略📌 文章信息 Original Title: Demystifying OPD: Length Inflation and Stabilization Strategies for Large Language Models 中文标题：揭秘OPD：大语言模型的长度膨胀与稳定化策略

LSTM：一个能“记住”故事的神经网络AI续写的长篇小说，为什么总是“人设崩塌”？为什么主角在前十章好不容易建立起来的复杂性格，到了第三十章突然变成了一个完全陌生的工具人？为什么几十万字的网文连载，总会出现前后矛盾的情节硬伤？

含模型不确定性的机械臂神经网络状态反馈自适应控制包含：1.状态量定义：2.期望轨迹：3.反步控制4.动力学模型5.神经网络自适应补偿6.权重自适应率作者简介：长期从事机器人/控制/规划/数学建模领域相关研究，涉及机械臂、轮式机器人、四足机器人、移动机械臂、轮足、机械双臂的建模及控制仿真。接机器人/控制/规划领域毕业论文辅导无论你是想入门避障、轨迹规划、轨迹优化、机械臂协同、人机协作、机器人轨迹跟踪，还是完全看不懂文献、对未来比较迷茫或者找工作不知如何下手，我都能提供专业建议，助你少走弯路。高效完成科研。欢迎交流、讨论，3531225003@qq.