神经网络

CNN的四维Pytorch张量格式前序学习进程中，已经了解了CNN相关的基本运算，包括卷积运算原理、卷积值提取和卷积图像扩充。再继续深入的时候，发现一个小知识点比较重要：CNN要求格式标准的四维张量，具体有[样本数，通道数，高（行），宽（列）]。今天我们就来学习一下CNN的四维张量格式相关的小知识。

【神经网络与深度学习（吴恩达）】深度学习概论学习笔记“深度学习”指的是训练神经网络。举个例子，假如现在要让你根据房子的大小预测房子的价格，是不是需要根据上图中已经给的几个点去画一条线去尽量拟合已知的所有样本点，我们简单画一条直线去拟合又会发现直线反向延长以后会进入纵坐标的负半轴，由于price不能为复数，所以我们又使用一个ReLu函数去修正，让price小于零的那部分为0，这样我们就得到了一条大致与样本点拟合的图像，根据这个图像，当我们输入一个size of house值的时候我们就可以大致预测出其对应的price并输出，这样我们就构建了一个最简单的神经网

深度学习_三层神经网络传播案例（L0-＞L1-＞L2）为了简化计算，我们将网络简化为：输入层 (2个神经元) → 隐藏层 1 (2个神经元) → 输出层 (1个神经元)。

opencv学习笔记9：基于CNN的mnist分类任务目录一.CNN介绍最简单的 CNN 基本模型结构（以 MNIST 为例）逐层拆解（附具体尺寸变化）1. 输入层（Input Layer）

尼古拉斯·纯情暖男·天真·阿玮

基于卷积神经网络的手写数字识别本实验围绕基于卷积神经网络（CNN）的手写数字识别展开，通过 PyTorch 框架实现对 MNIST 数据集及自定义手写数字图片的识别，并分析模型性能。实验首先介绍了手写数字识别的应用背景与发展历程，该任务在降低人工成本、提升单据检测效率等场景中具有重要价值，而 CNN 自 1987 年首次提出后，逐渐成为处理图像识别任务的主流模型。

小蜜蜂爱编程

做DNN的建议 -- 过拟合篇前面讲了训练集上效果比较差的场景分别对激活函数和学习率进行了优化，现在考虑在测试集上效果比较差的场景如何去调整

神经网络组植物分类学习规划与本周进展综述15一、关于 “搭建共享空间 / 百度网盘” （百度网盘）介绍：用一个大家都能随时访问的地方，统一存放项目中所有文件，避免两个人各存一份导致版本混乱。比如你们俩分工标注图片、写代码，如果你存自己电脑里，组员 B 看不到；如果用 U 盘传，容易丢文件。用网盘 / 共享空间的好处是：标注好的图片、训练好的模型、写的代码，传上去后两个人随时能下载最新版本；老师要查看进度时，直接发链接就能分享，不用一个个文件发；防止电脑坏了、文件误删导致数据丢失。

轻微的风格艾丝凡

卷积的直观理解目录简单理解程序帮助理解一、信号卷积（平滑噪声信号）二、图像卷积（模糊 / 锐化效果）核心效果说明信号卷积

神经网络基本概念**卷积**：是一种简单的数学运算，它涉及使用一个小矩阵（称为核或滤波器），在输入图像上滑动，在滤波器与图像重叠的每个点处执行点积运算，并对所有像素重复此过程。

智慧地球（AI·Earth）

GPT-5.1发布！你的AI更暖更智能！2025 年 11 月 12 日OpenAI 官方正式推出了 GPT-5.1。OpenAI 明确表示，这次升级的核心目标是：让 AI 不仅要“智能”，还要“聊起来很愉快”（enjoyable to talk to）。我们为你逐字逐句地拆解了这篇官方博客，带你深入了解 GPT-5.1 到底强在哪里。

（ICLR 2019）APPNP传播用 PageRank，不用神经网络！论文阅读：https://arxiv.org/pdf/1810.05997本篇文章核心贡献可以用一句话来总结：把 GNN 的 message passing 解耦，先用 MLP 做预测，再用 Personalized PageRank (PPR) 把预测在图上扩散。

深度学习：从零开始手搓一个深层神经网络本文将带你不依赖任何深度学习框架（如 TensorFlow 或 PyTorch），仅用 NumPy 从头实现一个完整的深层神经网络（Deep Neural Network, DNN）。我们将一步步构建前向传播、反向传播、参数更新等核心模块，并在真实的猫图识别数据集上训练模型——真正“手搓”AI！

具身智能-8家国内外典型具身智能VLA模型深度解析具身智能-8家国内外典型具身智能VLA模型深度解析国外典型具身智能VLA架构 1.谷歌DeepMind —— RT2 1）模型架构 2）联合微调（Co-Fine-Tune） 3）动作Token化机制 2. Physical Intelligence（PI）—— π0模型 1）模型整体架构

钅日勿 XiName

一小时速通Pytorch之神经网络相关知识（三）在pytorch中通过torch.nn可以很方便的去构建一个神经网络。现在我们已经对autograd有了一定的认识。nn模块依赖于autograd机制去定义和区分模型。

【光学神经网络与人工智能应用专题】1.光学神经网络架构创新：从空间光衍射神经网络的并行计算优势，到片上集成网络的微型化突破，实现了从宏观到微观尺度的算力升级。 2.光计算加速机制：基于光学矩阵- 向量乘法器的深度神经网络，为 AI 算法提供了超高速、低能耗的硬件支撑，推动神经网络协处理器走向实用化。 3.超构材料与逆向设计：通过智能算法逆向设计的超构神经网络，突破了传统光学器件的功能局限，实现了光场调控与信息处理的一体化。 4.光学生成模型：光学自动编码器与生成- 对抗网络的发展，为图像识别、光场重建等任务提供了全新的物理实现路径。 5.

月下倩影时

视觉学习——卷积与神经网络：从原理到应用（量大管饱）卷积神经网络（CNN）是深度学习的"视觉引擎"，从人脸识别到自动驾驶，从医学影像分析到工业缺陷检测，几乎所有图像相关任务的突破都离不开它。卷积是数学中一种强大的运算工具，在信号处理、图像分析、深度学习中扮演着核心角色。

大模型量化压缩实战：从FP16到INT4的生产级精度保持之路摘要：本文深度拆解大模型量化的核心工程挑战，提供从理论到部署的完整INT4量化方案。通过GPTQ逐层量化与AWQ激活感知优化，实现7B模型显存占用从14GB降至4.2GB，推理速度提升3.8倍，精度损失<2%。包含自定义CUDA算子开发、量化校准数据集构建、生产级推理服务集成等全链路代码，基于万亿token数据集实测，在A100/4090多硬件平台验证，助力企业在资源受限场景部署百亿级大模型。

三国华容道（横刀立马）移动策略三国华容道横道立马初始布局如下图所示：在该布局下，基于我所编写的程序求得的最优移动步骤为：其中，C表示曹操，B表示横将，A表示竖将，Z表示卒，S表示空格（借鉴该博客）。最优步骤为116步，即116个状态，加上初始状态为117个状态。最优移动步骤的直观演示可参考该视频。

Prefix-Tuning：大语言模型的高效微调新范式本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！