神经网络

SNN脉冲神经网络：全连接、卷积与循环SNN摘要：本文围绕脉冲神经网络（SNN）的网络结构设计展开，先回顾LIF神经元的脉冲发放与膜电位更新流程，再依次讲解全连接SNN、卷积SNN和循环SNN三种典型结构：全连接结构直观、组合灵活，但不显式利用局部空间结构且参数量随输入维度增长；卷积SNN保留局部连接与权重共享，同时叠加LIF状态更新，输出随时间变化的脉冲特征图；循环SNN通过反馈权重把历史脉冲重新送入当前层，与神经元自身的膜电位记忆形成两条不同的历史依赖路径。文章最后讨论SNN中使用池化、归一化和残差连接时需要明确的关键问题，包括处理对象、统计维

在所不辞兄

【零基础学智能仿真-62】从应变—应力计算弹性常数本节承接应力与数值收敛检查，以无预应力立方晶体为例，讲解如何通过正负小应变与应力响应拟合C₁₁、C₁₂和C₄₄。结合可运行Python程序与图示，辨析工程剪切与张量剪切，分析残余应力、拟合截距和应变区间对结果的影响，并进行立方晶体弹性稳定性检查。全部数据为明确标注的人工构造数据，用于验证计算流程，不代表真实材料的第一性原理计算结果。

第三章深度学习 -- 神经网络基础神经元模型。人工神经元(Artificial Neuron)是深度网络的最小计算单元,灵感来自生物神经元的「加权求和 + 激活」。数学形式为:

在所不辞兄

【零基础学智能仿真-61】DFT数值收敛与计算预算本节衔接体积—能量分析，区分电子自洽、基组与k点采样收敛，学习以能量、应力及最终物性共同判断数值可靠性。通过可运行的教学记录回放，识别首次通过与进一步确认的区别，比较8条和9条预算下的不同状态，并练习处理自洽失败、指标缺失和条件不一致。理解小应变下的误差放大，建立有阈值、有预算、有停止条件的检查计划，为下一节弹性常数计算做好准备。

weixin_46846685

让机器像视网膜一样“看”：事件相机与脉冲神经网络如何重构视觉感知要理解事件相机为什么重要，必须先看清传统帧式相机在原理层面的局限。传统相机以固定帧率工作——每秒30帧、60帧或者更高。无论场景中发生了什么，它都会机械地、均匀地曝光和读出每一个像素。这个模式带来了两个无法通过“优化”解决的矛盾。

从“撰写耗时”到“认知卸载”：企业邮件AI的效率边界与工程化路径摘要：企业电子邮件系统的智能化长期停留在垃圾过滤与规则分类层面，对“撰写”这一高认知负荷环节的介入十分有限。本文以知识工作者邮件撰写时间的结构性损耗为切入点，论证“AI每日节省40分钟”并非营销修辞，而是一个可工程化逼近的效率目标。在此基础上，本文提出亿邮邮件AI解决方案的技术路径：以意图识别为前置层、以上下文感知起草为核心层、以可控生成与审计为约束层，构建从“人写邮件”到“人审邮件”的认知卸载机制，并讨论其安全边界与度量框架。

上海理工大学 Sci. Adv.｜自旋解耦超表面赋能 D-D²NN：大容量方向依赖全光衍射神经网络全光衍射深度神经网络（D²NN）依托自由空间衍射干涉完成计算，将深度学习模型直接映射到光学物理层，具备低功耗、光速推理、天然并行的核心优势，是光计算、片上智能感知领域的主流技术路线。但长期以来，经典 D²NN 存在一个固有约束：一套衍射结构只能支持单一传播方向的固定任务，正向、反向光路无法独立配置功能，浪费了传播方向这一物理维度，限制了系统复用能力、集成度与信息容量。

深度学习8:神经网络学习5:随机梯度下降法(基本概念,基本原理)Epoch 1 个 Epoch 表示模型完整遍历一次整个训练数据集的过程。例如，训练 10 个 Epoch 表示模型将整个数据集反复学习 10 次。模型需要多次遍历数据集（多个 Epoch）才能逐步学习数据中的模式，单次遍历数据集（1 个 Epoch）通常不足以让模型收敛，多次遍历可以逐步优化模型参数。

神经网络基础原理-使用梯度下降训练二次函数模型简单示例因为我们的目标是让损失函数最小化，而不是让模型输出本身最小化。损失函数衡量的是模型预测值与真实值之间的差距（这里是均方误差）我们希望通过调整权重 w1,w2,w3，使得这个差距尽可能小梯度方向是损失函数增长最快的方向，梯度的反方向就是下降最快的方向所以：对损失函数求梯度 → 找到损失下降最快的方向 → 沿反方向更新权重 → 损失逐渐减小

田里的水稻

FA_CNN卷积神经网络十二_CIFAR10全流程PyTorchFA：Formulas and Algorithm，CNN：Convolutional Neural Network

集芯微电科技有限公司

集芯微电科技推出5.5V/10A集成功率MOSFET降压DC/DC转换器随着AI算力下沉、机器视觉普及和存储密度不断提升，不同功率等级的处理器、高速存储等核心负载，对电源提出灵活输出电流选型、高转换效率、快速瞬态响应、小体积高密度布局的严苛需求。

基于BP神经网络手写字母识别（单一）【源码79期】本系统是一个基于BP神经网络的手写字符识别系统，能够对字符图像进行特征提取与自动分类识别。系统分为训练和识别两个阶段，通过MATLAB实现完整的特征提取、网络训练与识别推理流程。

深度学习5:神经网络学习2:数值微分，偏导，梯度损失函数的值越小，代表我们选取的参数越适合；想要求得损失函数的最小值，最基本的想法就是对函数求导，解出导数值为 0 的点，并判断它是否为极小值/最小值。然而，实际的函数直接求导，不容易得到解析解。这时可以用数值微分的方式来求某点处的导数，这在工程上应用非常广泛。

田里的水稻

FA_CNN卷积神经网络四---线性层及其拉平PyTorchFA：Formulas and Algorithm， CNN：Convolutional Neural Network

在所不辞兄

【零基础学智能仿真-58】Foam-Agent协作与知识检索本节围绕Foam-Agent协作与知识检索，学习如何将CFD任务拆分为规划、网格、配置、执行、审核与可视化职责。通过边界名称不一致和Courant数偏高两个案例，掌握版本筛选、证据记录、配置依赖与有限纠错。配套Python练习可离线运行，展示八种场景的决策及时间步建议，帮助学习者区分“提出修正”“执行通过”与“物理可信”，为下一节CFD基准测试奠定基础。

卷积神经网络的反向传播细节看见很多教学对于CNN的反向传播好像都是一笔带过，因为在反向传播首次出现一般在普通神经网络，讲解完普通神经网络之后，对于CNN的反向传播就忽略了，不过CNN的反向传播依旧有非常多的细节，今天我就带大家将这些细节一一梳理。

田里的水稻

FA_CNN卷积神经网络七---优化器PyTorchFA：Formulas and Algorithm，CNN：Convolutional Neural Network

Product Hunt 热榜 2026-10-20：Beam.win、Figma Specs、readywhen标语：在一台Mac上运行AI代理，并在另一台上使用它的窗口。介绍：让你的代理和构建在Mac mini或Studio上运行。Beam可以将它们的终端、浏览器和其他应用窗口都显示在你眼前的Mac上，每个窗口都有自己的图标和⌘Tab快捷键。所有数据在你的Mac之间都是加密的。可以免费试用。

田里的水稻

PyTorch_Dataloader\TensorBoard---数据加载与可视化在 PyTorch 中，数据加载主要依赖两个核心类：Dataset 与 DataLoader。

田里的水稻

FA_CNN卷积神经网络三---非线性激活函数PyTorchFA：Formulas and Algorithm，CNN：Convolutional Neural Network