神经网络

野生的程序媛

02-提示词与检索增强约 3,800 字 | 预计阅读 14 分钟 | 系列第 2/5 篇产品经理小林花了三天写了一份产品需求文档，决定用 GPT-5 润色。她输入：「帮我把这个文档写得更好一点。」

念啊啊啊啊丶

【工业异常异常检测】2026-ICML-CoGeoAD：基于多视图注意力机制的分层颜色几何融合零样本3D异常检测作者：Ke Xu, Xinle Wang, Yanning Hou, Xueliang Ma, Juan Xie, Jianfeng Qiu 单位：State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology, Anhui University, Hefei, China; School of Artificial Intelligence, Anhui University, Hefei

python神经网络编程入门（十七）——RNN BPTT算法（上）：梯度沿时间轴传播的链式法则先花 30 秒回顾一下上一篇（第十六篇）。我们把 RNN 的前向传播真正"跑"了起来：上一篇结尾我们说了：cache 是第四章 BPTT 的粮仓。今天就是"开仓放粮"的日子——前向传播把每个时间步的中间量都算好、存好了，反向传播的任务，就是沿着时间轴倒着走回去，把损失对每个权重的"贡献"（梯度）一笔一笔算出来。

从零训练一个会下五子棋的AI摘要：本人在两张消费级 GPU（RTX 4090 + RTX 2080 Ti）上，从零训练出了一个 15×15 五子棋 AlphaZero AI。本文记录了完整实战过程：从框架选型、网络架构、分布式训练，到 14 个真实踩坑（每个都有症状+根因+修复）、一套可靠的评估方法论（loss 下降≠棋力上升），以及 v1→v2→v3 的对照实验设计与早期数据。全文 7000+ 字，全部结论均有实测数据支撑，无水分。

Product Hunt 每日热榜 | 2026-08-01标语：统一的视频生成用于动态设计和品牌推广介绍：MiniMax H3 是一种开放的多模态模型，能够生成2K视频并具备原生立体声。它将文本、图像和音频输入整合在一起，擅长精准渲染文本、视觉呈现以及复杂指令的执行，非常适合用于商业内容创作。

小O的算法实验室

AAAI-26，全局相关性学习：通过谱图神经网络增强进化算法进化算法（EA）通常只利用少量个体更新单个解，难以学习种群内部的全局相关性；探索与开发的平衡高度依赖人工设置的参数，过度开发会早熟收敛，过度探索又会使搜索迟缓。论文提出Graph Neural Evolution（GNE）把种群个体表示为图节点，用节点相似性构造邻接矩阵，再通过归一化图拉普拉斯的谱分解得到进化信号的频率成分。GNE以多项式谱滤波器显式调节各频率权重，并用采样函数生成下一代个体，从而在不依赖传统手工参数的情况下解释和控制探索–开发平衡。

AI街潜水的八角

菌落微生物检测和识别2：基于深度学习YOLO26神经网络实现菌落微生物检测和识别(含训练代码和数据集)基于深度学习YOLO26神经网络实现菌落微生物检测和识别，其能识别检测出5种菌落微生物检测：names: ['S.aureus', 'E.coli', 'P.aeruginosa', 'C.albicans', 'B.subtilis']

江畔柳前堤

系统的本质——从LTI系统到神经网络在奥本海姆的框架中，系统是一个变换规则：给定输入信号，产生输出信号。你学过的系统分类：LTI系统（线性时不变系统）是整个课程的核心——它完全由冲激响应 h(t) 决定：

【机器学习】（30）—— 嵌入空间摘要：第 29 篇把 Embedding 说成「用短稠密向量代替超长 One-Hot」。向量落在哪里、彼此远近代表什么，需要放到嵌入空间里看。本文用低维示意图说明距离与相似性的关系、维数增加时信息如何变丰富，以及真实任务里轴往往不可直接命名；并介绍静态词嵌入（如 word2vec）在说明「上下文相近 → 向量靠近」时的作用与局限。贯穿示例仍是汽车品牌。

Product Hunt 每日热榜 | 2026-07-30标语：防止AI生成代码中的产品偏差介绍：AI以10倍的速度为你编写代码，而Prelint则确保这些代码是正确的。它会在每个合并请求（PR）之前，针对你的架构决策（ADR）、文档和过去的决定进行审核，帮助你在代码发布前发现潜在的问题。使用多个AI审核员的团队中，大约40%的合并前问题都是通过Prelint被发现并解决的。

PyTorch深度学习实战：从零构建神经网络模型的五个核心步骤在人工智能和深度学习领域，框架的选择往往决定了开发的效率。PyTorch凭借其动态计算图和极具Python风格的接口，已经成为学术界和工业界的首选工具之一。很多初学者觉得深度学习框架门槛很高，但实际上，只要掌握正确的方法，普通人也能快速上手。本文将手把手带你从零开始掌握PyTorch，通过五个实用方法，让你快速构建并运行自己的第一个深度学习模型。一、环境配置与张量底层操作万丈高楼平地起，第一步是配置环境并理解核心数据结构。PyTorch的核心是张量Tensor，你可以把它想象成NumPy中的多维数组，但

【机器学习】（29）—— Embedding摘要：第 17 篇用 One-Hot 处理类别特征，词表不大时很合适。品牌、车型、用户 ID 这类水平动辄上千上万时，稀疏向量会把第一层权重撑得很肥，也几乎表达不了「谁和谁更像」。本文说明稀疏表示的问题，引入 Embedding（嵌入）：用可学习的短稠密向量代替超长 One-Hot，并说明它怎样接到后续网络里。适合读完神经网络单元、准备处理高基数类别的读者。

过期的秋刀鱼！

更大的神经网络（自动微分 auto diff）我们来看一看计算图如何在一个更大的神经网络示例中工作，这个和上一章一样反向传播提供了一种非常可靠且高效的计算方法计算所有的这些倒数，可以将这些倒数输入到梯度下降算法中，或者是adam算法中，以训练神经网络的参数，使用反向传播的原因之一就是非常的高效，如果对这个参数注意的进行加上一点点进行观察则需要参数数量乘以节点数量但时候用了反向传播之后，就不是相乘，而是降价，大大的提高了速度和效率

江畔柳前堤

重新理解“方差“：从统计学到LLM的七个维度如果你问一个机器学习工程师"什么是方差"，他大概率会给你一个教科书式的回答：衡量数据离散程度的统计量。

西柚研究生123456

创建自己的数据集（GoogLeNet）这也是训练自己数据集必须要做到的事。自动创建目录结构在data/下创建train/和test/两个主目录

神经网络 | ⑪ 批量归一化：让训练更稳、更快、更省心上一节我们讨论了一个关键问题：权重初始值设得不好，深层网络寸步难行。为此，人们精心设计了 Xavier\text{Xavier}Xavier 和 He\text{He}He 初始值，只为让各层激活值分布保持适当的广度。但一个自然的追问是：能不能不去猜初始值，而是直接强制调整每一层的激活值分布？

就是一顿骚操作

Dropout：神经网络正则化的经典解读本文是对经典论文与 D2L 相关章节的原创中文解读，不是逐段翻译。参考来源、作者与许可说明见文末。深度神经网络最早给人留下的一个矛盾印象是：它们表达能力很强，也因此很容易把训练集里的偶然噪声当成规律。参数越多，模型越能记住训练样本；数据量不足时，这种“聪明”反而会变成脆弱。

【机器学习】（27）—— 神经网络多分类摘要：专栏前半段的分类多是「高效 / 非高效」二选一。车型档位、故障类型、手写数字这类问题，选项往往有三个以上，而且每个样本只属于其中一类。第 13 篇从通用角度介绍过多分类；本篇把它接到神经网络输出层上，讲清一对多（one-vs-all）和 Softmax 差在哪里、概率要不要加起来等于 1，以及什么时候不该用 Softmax。适合读完浅层网络实践的读者。

模型驱动、知识驱动、数据驱动有什么区别?这三个概念是人工智能、智能系统与决策科学中三种核心技术范式，核心差异在于系统能力的来源、推理的底层逻辑和对数据/知识/模型的依赖重心不同。

Product Hunt 每日热榜 | 2026-07-28标语：将数据转化为高效的广告，规模化运作。介绍：使用Adomate，您可以从数据中大规模创建广告。它能获取您的Meta广告账户数据、广告库以及来自Trustpilot和Amazon的评价。您可以建立创意研究流程，按照自己的想法构建品牌广告概念。所有广告都可以追溯到最初的数据来源，完全透明，没有任何黑箱操作。