神经网络

Transformer架构详解 - 第一、二部分：基础与核心思想、核心组件详解第一部分：基础与核心思想第二部分：核心组件详解 (见transformer_guide_part2.md) 6. 自注意力机制 7. 多头注意力 8. 前馈神经网络 9. 残差连接与层归一化 10. 位置编码

ops-nn 快速上手 - 神经网络算子使用入门指南ops-nn 是 CANN（Compute Architecture for Neural Networks）开源社区的神经网络类基础算子库，它提供了 matmul、activation 等核心算子。本文作为快速上手指南，旨在帮助你快速掌握 ops-nn 的使用方法，从环境搭建到核心算子的调用，再到性能验证，提供一个完整的入门路径。

深度学习入门（鱼书）第3章笔记——神经网络本笔记整理自《深度学习入门：基于 Python 的理论与实现》（鱼书），包含学习笔记与代码示例。源码仓库

扩散模型 (Diffusion Models) 详解扩散模型是一类基于概率的生成模型，通过学习逐步去噪过程来生成数据。其核心包括：前向过程：照片逐渐褪色变成噪声反向过程：从噪声中恢复出清晰照片

【论文解析】用神经网络给优化器“热身“——面向 UAV-UGV 交接任务的学习加速轨迹规划论文全名： Learning-Accelerated Optimization-based Trajectory Planning for Cooperative Aerial-Ground Handover Missions 发布时间： 2026年5月（arXiv:2605.19562v1）机构：斯图加特大学工程与计算力学研究所 · 芬兰 LUT 大学

从机器学习基础到 MLP（下）：神经网络为什么能起作用？🔥星恒随风：个人主页 ❄️个人专栏: 《指针合集》《c语言基础》《数据结构》《机器学习导论》《前端基础》 ✨数据即知识，压缩即智能

ZHW_AI课题组

基于MLP神经网络的红酒品质回归预测基于MLP神经网络的红酒品质回归预测 1.作者介绍陈金顺，男，西安工程大学电子信息学院，2025级研究生研究方向：情绪识别电子邮件：1732179164@qq.com

人工智能培训

探析数字孪生的核心特性与应用价值随着物联网、大数据、人工智能技术的深度融合，数字孪生技术打破了物理世界与虚拟世界的壁垒，成为智能制造、智慧城市、基建运维等领域的核心赋能技术。数字孪生并非简单的三维建模或虚拟仿真，而是对物理实体全维度、全周期、全要素的数字化镜像映射，能够实现虚实联动、动态迭代与智能决策。区别于传统数字化技术，数字孪生具备独有的核心特性，这些特性决定了其高精度、高价值、高适配的技术优势，也是其广泛落地各行各业的核心支撑。

深度分析字节最新研究cola-DLM第 06 章：分块因果 DiT 先验 —— 在隐空间里做 Flow Matching论文：Continuous Latent Diffusion Language Model 项目地址：ByteDance-Seed/Cola-DLM 源码：modeling_cola_dit.py

通信小呆呆

维度分数傅里叶时频图 + 图神经网络：突破传统时频分析的目标识别与杂波抑制新框架传统的时频分析方法，如短时傅里叶变换（STFT）、Wigner-Ville分布（WVD），将一维时域信号映射到二维时频平面。然而，单一固定角度的时频表示无法同时匹配所有信号分量——尤其是非平稳信号中的线性调频（chirp）分量。不同 chirp 速率的分量在传统时频图上会呈现“模糊”或“跨项干扰”，难以分离。

09aa-偏置是什么？本文档详细解释神经网络中偏置（bias）的概念，涵盖数学定义（y=wx+b 中的 b）、几何意义（y 轴截距）、为什么需要偏置、PyTorch 代码示例对比带偏置与无偏置的区别，以及偏置在深度学习和现代大语言模型中的角色 🛠️

烟雨江南785

嘈杂工业场景下的自适应VAD与双码本声纹识别鉴权系统：基于端侧轻量化神经网络与向量量化（VQ）重构在大型化工车间、能源集控中心以及金融极密隔离库房中，离线声纹识别是物理访问控制和身份安全核验的重要生物特征屏障。然而，在环境本底噪声高达80dB以上的恶劣工业场景下，常规的语音活动检测（VAD）会频繁误触，导致后续声纹提取器充斥大量杂音特征。同时，在低成本端侧硬件上，如何在大规模注册库中实现亚毫秒级声纹检索也是核心工程壁颈。本文将详细分享自适应能量-熵VAD与双码本向量量化（VQ）声纹鉴权系统的底层重构实战。

神经网络的频率原则：先学习低频，再学习高频神经网络模型拟合曲线，先拟合低频信号，再拟合高频信号，以下是验证代码。这个代码实现了以下功能：可视化功能：

《神经网络与深度学习》学习笔记（二）BP = 误差反向传播，是有监督学习，基于梯度下降。P=TPTP+FP P=\frac{TP}{TP+FP} P=TP+FPTP

Zevalin爱灰灰

智能控制第五章——神经网络控制论参考课程：https://www.bilibili.com/video/BV1PE411W7QM/?spm_id_from=333.1387.favlist.content.click&vd_source=8f8a7bd7765d52551c498d7eaed8acd5

AI 术语通俗词典：LSTMLSTM 是深度学习、循环神经网络、自然语言处理、时间序列预测和人工智能模型训练中非常经典的一个术语，全称是 Long Short-Term Memory，通常翻译为“长短期记忆网络”。它用来描述一种能够在序列数据中保留较长时间依赖关系的神经网络结构。换句话说，LSTM 是在回答：模型怎样在处理一串连续数据时，既记住前面重要信息，又忘掉不重要信息。

神经网络原理第九章：自组织映射自组织映射是神经网络无教师学习部分的重要章节。与第8章的主分量分析（PCA）关注数据的方差最大方向不同，SOM关注的是数据的拓扑结构和空间分布。

DL：生成对抗网络的基本原理与 PyTorch 实现生成对抗网络（Generative Adversarial Network，GAN）是深度学习中非常重要的一类生成模型。与分类模型、回归模型不同，GAN 的目标不是根据输入判断类别，也不是预测一个连续数值，而是学习真实数据的分布，并生成看起来像真实数据的新样本。

Zevalin爱灰灰

智能控制第六章——集成智能控制系统参考课程：https://www.bilibili.com/video/BV1PE411W7QM/?spm_id_from=333.1387.favlist.content.click&vd_source=8f8a7bd7765d52551c498d7eaed8acd5

PyTorch：神经网络模块PyTorch 的 torch.nn 模块，是构建神经网络最核心的模块。它提供了模型基类、常用网络层、激活函数、损失函数、容器结构、参数管理和训练状态控制等能力。