神经网络

【机器学习入门】PyTorch 神经网络、卷积神经网络 CNN 实现矿物分类在地质勘探与矿物识别领域，传统的人工鉴定方法依赖专家经验，效率低且主观性强。随着机器学习技术的发展，利用矿物的物理化学特征（如密度、硬度、折射率、化学成分含量等）进行自动分类已成为一种高效可行的方案。

程序猿编码

基于GGML的C++17轻量化语音推理引擎：说话人识别与语音分析技术全解析这是一款完全从零开发、基于C++17标准构建的端侧语音推理引擎，底层依托GGML轻量级张量计算库实现，核心覆盖说话人识别与语音分析两大领域。引擎可以将任意语音片段转换为L2归一化的声纹特征向量，验证两段语音是否来自同一人，在注册声纹库中匹配说话人身份，还能分析语音中的年龄、性别、情绪属性。

神经网络、激活函数：ReLU / SiLU / GELU激活函数是指在多层神经网络中，上层神经元的输出和下层神经元的输入存在一个函数关系，这个函数就是激活函数。如下图所示，上层神经元通过加权求和，得到输出值，然后被作用一个激活函数，得到下一层的输入值。引入激活函数的目的是为了增加神经网络的非线性拟合能力。

在所不辞兄

【神经网络干货】可穿戴电子皮肤正在从“单点传感”走向“多通道、多模态、连续监测”可穿戴电子皮肤正在从“单点传感”走向“多通道、多模态、连续监测”。这带来一个很现实的问题：传感器越来越多，原始数据越来越大，如果所有信号都先传到刚性芯片、手机或云端再处理，系统就会遇到功耗、延迟、连线复杂度和机械可靠性的共同限制。

卷积神经网络在之前的全连接神经网络中，一张28*28的图片被拉直成784个像素，作为独立特征输入。如果像素过多，会导致参数爆炸，无法训练；而且把像素拉平后，原本相邻的像素在向量中可能相隔很远，神经网络很难学到局部相关性。

企业如何把通用大模型训练成行业模型：Continued Pre-Training实战指南作者：吴佳浩Alben撰稿时间：2026.5.3 更新时间：2026.8.18今天咱们的目标读者是：负责大模型落地的工程师、算法团队、AI Infra 团队

从零理解 PyTorch：用神经网络完成 MNIST 手写数字识别最近学习了一些深度学习和 PyTorch 框架的基础知识，并尝试使用 MNIST 手写数字数据集完成一个简单的图像分类任务。虽然手写数字识别是深度学习入门中非常经典的案例，但它包含了神经网络训练的完整流程：数据集加载、模型构建、前向传播、损失计算、反向传播、参数更新以及模型测试。

小道士写程序

自然语言处理NLP - 第8章词向量与神经网络：从手工特征到学习表示词表有10000个词时，One-hot为每个词创建10000维向量，只有对应位置为1，其余为0。它能唯一标识词，却不能自然表达“电梯”和“升降设备”的相近关系。词表越大，表示越稀疏。

在所不辞兄

【零基础学智能仿真-07】随机森林——用多棵树获得更稳定的力学预测完成本节后，你将能够：解释单棵决策树为什么容易波动；理解Bootstrap有放回抽样；掌握Bagging的并行集成思想；

Day 32：DeepLab系列与语义分割进阶今日目标：掌握空洞卷积和ASPP的核心思想，理解DeepLab v1→v3+的进化过程，学会用torchvision做语义分割预计阅读：10分钟 | 动手操作：40分钟

LadiesAndGentlemen

环球GeoAI-遥感VLM｜2026-08-31｜More with Less：通用 VLM 不换架构，也能在遥感基准上打平专用模型本期主线问题：遥感 VLM 是不是必须走"专用架构"这条路？最值得先看的是 More with Less——它用通用视觉语言模型 + 多任务强化学习，不新增任何遥感专用模块，就在高分辨率、多时相、多模态、多视角一堆基准上拿到有竞争力的结果，结论直白：对遥感 VLM 来说，数据规模比架构创新更值钱。

AI+前端提效-12 AI辅助前端性能优化与监控：从开发到线上全流程提效本文是《AI+前端提效》系列的第 12 篇。性能优化是前端"最容易被忽视但最影响体验"的环节。传统做法靠"经验 + 猜"，AI 的做法是"数据驱动 + 自动方案 + 持续监控"。

别动我齐刘海

从0到1独立搭建机器人软件系统我们接下来按这条主线学这条路线的关键是：不要把 ROS2 当作一套命令去背。你真正要理解的是：ROS2只是贯穿其中的一套“机器人软件基础设施”。

【原创】海光Z100 DCU适配vLLM实录（二）：W4A16大M Prefill结构重写、GDN融合与长上下文HIP Attention上一篇结束时，海光Z100上的Qwen3.6-27B-AWQ-INT4已经把最影响使用的Decode问题基本处理到可以稳定运行的程度。AWQ是激活感知权重量化（Activation-aware Weight Quantization），它根据模型真实激活分布选择量化尺度，让权重能够以较低比特保存，同时尽量减少精度损失；INT4表示模型权重以4比特整数存储；W4A16表示4比特权重、16比特激活（Weight 4-bit，Activation 16-bit），也就是权重长期保持INT4压缩格式，模型运行时产

IJCAST最新一期已经发布

Deep Learning for Computer Vision——Attention and Transformers1. 传统 Seq2Seq 模型的瓶颈在传统的编码器-解码器（RNN）架构中，所有输入序列的信息都被压缩成最后一个隐藏状态向量 C，然后传给解码器。

Product Hunt 每日热榜 | 2026-08-27标语：Lovable 的iPhone应用从创意到上架 App Store 这段旅程介绍：X1是一款人工智能应用程序构建工具，可以帮助你将一个想法变成可以在App Store上发布的iPhone应用。与其试图通过一个提示生成整个应用，X1更像是你的助手，逐步引导你完成这个过程。它会提出一些具体的问题，设计每个屏幕供你审核和修改，然后分阶段构建应用。在这个过程中，你可以随时在iPhone上预览和测试。当应用准备好后，X1还会自动为你准备App Store的列表、截图和提交材料。整个过程无需编码技巧，简单易懂！

陈年老古董

深度学习入门笔记：从神经元到深度神经网络摘要：深度学习听起来很高深，其实核心就几件事——神经元怎么算、网络怎么搭、参数怎么调。本文从最基础的生物神经元讲起，一步步推导到感知器、多层感知器、损失函数、梯度下降和BP反向传播，最后聊聊深度神经网络到底"深"在哪。适合零基础入门，也适合学过但没串起来的同学复习。

AI+前端提效-08 AI自动化文档：前端组件、接口、项目文档自动生成本文是《AI+前端提效》系列的第 8 篇。文档是前端团队"最不愿意写但又不能没有"的东西。写代码 1 小时、写文档 2 小时，代码改了文档忘了同步——这一篇彻底解决"文档地狱"。

AI提示系列（2）| Few-shot与ReAct有何不同？大模型工具调用的底层逻辑详解但在工程实践中，Few-shot（少样本提示）与 ReAct（推理-行动）经常被混为一谈：一个解决"怎么教模型输出格式"，一个解决"怎么让模型自主调工具"，二者职责不同却常被当作一回事，导致提示设计混乱、效果不稳。