神经网络

00_最小神经网络训练流程目的：得到一个功能为y=2x+0的模型

“Hello 神经网络！”在pytorch中定义深度神经网络其实就是层堆叠的过程，继承自nn.Module，实现两个方法：

剑穗挂着新流苏312

115_PyTorch 实战：从零搭建 CIFAR-10 完整训练与测试流水线在掌握了神经网络的各个组件后，如何将它们组织成一个可运行、可监控、可保存的完整项目？本篇将通过 CIFAR-10 识别任务，拆解 PyTorch 训练的标准“套路”。

深度学习（11）：偏差与方差诊断、学习曲线在完成了线性回归、逻辑回归以及梯度下降的学习之后，我们已经能够训练一个模型。但一个更重要的问题随之而来：

Hello world.Joey

Transformer解读**前馈神经网络主要是增强模型的非线性表达性你之前学的：输入 × 权重 + 偏置全是线性计算（就是加减乘）。

陈天伟教授

人工智能应用- 预测新冠病毒传染性：07. 预测不同类型病毒的传播能力研究者利用 M-H 模型对各个病毒变种的传播能力进行了研究，结果如图所示：图: AI 模型预测的病毒传播力。横轴为变种出现时间，纵轴为预测传播能力，表示为相对基本再生数（R/RA，其中 RA 是武汉变种的基本再生数）。图中每个圆圈代表一个变种，圈的大小代表实际病例规模

云和数据.ChenGuang

chromadb为什么需要模拟数据运行你上面的代码，确实不会自动向量化！因为你手动传了 embeddings=[[1,2,3],...]， Chroma 就直接用你给的向量，不会再调用 embedding 模型。

人工智能培训

如何衔接知识图谱与图神经网络#图神经网络#大语言模型#表示学习#微调

放下华子我只抽RuiKe5

文本处理与RNN：硬核实战笔记📖 导读：这份笔记覆盖NLP实战全流程：文本预处理、文本向量化、RNN/LSTM/GRU、注意力机制。

AI / 机器学习 / 深度学习，它们的关系、核心流程、算法、任务、训练逻辑AI / 机器学习 / 深度学习，它们的关系、核心流程、算法、任务、训练逻辑。将回归、神经网络、参数初始化，全都能串起来。一、先把概念讲清楚（最重要） 1. 什么是人工智能（AI） AI = 让机器模拟人的智能行为感知、理解、推理、学习、决策、创造。它是一个超级大领域，机器学习只是其中实现智能的一种方法。 2. 什么是机器学习（ML）机器学习 = 让机器从数据中自动学习规律，而不是人工写死规则传统编程：人写规则 + 数据 → 结果机器学习：数据 + 结果 → 机器自己学出规则（模型）一句话

剑穗挂着新流苏312

116_深度学习提速：PyTorch 利用 GPU 训练的全攻略在 PyTorch 中，利用 GPU 训练并不复杂，核心逻辑就是：将模型和数据“搬”到显卡内存中。你的笔记中详细记录了两种实现方式，下面我们结合代码逐一拆解。

Product Hunt 每日热榜 | 2026-03-23标语：轻松在本地和云端安排定期任务介绍：使用Claude Code，您可以在本地桌面或云端运行定期编码任务。只需设置一次代码库、时间安排和提示，系统就会自动在您指定的地点执行任务，无论是在本地还是云端。这非常适合需要持续工作流、自动化以及代理式开发的场景。

Research in Brain-inspired Computing [1]-弹球游戏属于典型的类脑计算（Brain-inspired Computing）范畴，是脉冲神经网络（SNN）中的一种高级神经元模型。

【无标题】AI深层神经网络（多层全连接）+ ReLU 激活的完整处理流程AI深层神经网络（多层全连接）+ ReLU 激活的完整处理流程，从输入 → 前向 → 反向 → 更新 → 推理。

LLM的神经网络之谜: 神经网络是简单的线性计算加非线形激活的堆叠在当下这个“AI 无处不在”的时代，大语言模型（LLM）展现出了惊人的理解和生成能力。但如果剥去这些庞大模型的高深外衣，它们最核心的计算基石到底是什么？

AI深度学习，神经网络处理流程AI深度学习，神经网络处理流程: 输入 → 前向 → 损失 → 反向 → 更新 → 预测。一、整体流程神经网络完整处理分为两大阶段： 1. 训练阶段（学参数 W, b）初始化 → 前向传播 → 算损失 → 反向传播 → 更新参数 → 循环2. 推理阶段（用模型）只前向传播，输出结果二、详细流程全连接网络 + 回归任务 0. 准备：数据、网络、初始化 1）构造数据（回归任务：y = wx + b）import torchimport torch.nn as nnimport torch.optim as

weixin_44040169

GNN（图神经网络）+GCN技术博客 A Gentle Introduction to Graph Neural Networks 该博客提供了一个playground（试炼场，就是一个给你自己去试试这个东西的环境）

【论文阅读103】pinn-review-科学机器学习中的物理信息神经网络：现状与展望科学机器学习中的物理信息神经网络：现状与展望作者：Salvatore Cuomo¹ · Vincenzo Schiano Di Cola² · Fabio Giampaolo¹ · Gianluigi Rozza³ · Maziar Raissi⁴ · Francesco Piccialli¹ 在线发表：2022年7月26日

深度强化学习 | 基于Double DQN算法的移动机器人路径规划(附Pytorch实现)本专栏以贝尔曼最优方程等数学原理为根基，结合PyTorch框架逐层拆解DRL的核心算法(如DQN、PPO、SAC)逻辑。针对机器人运动规划场景，深入探讨如何将DRL与路径规划、动态避障等任务结合，包含仿真环境搭建、状态空间设计、奖励函数工程化调优等技术细节，旨在帮助读者掌握深度强化学习技术在机器人运动规划中的实战应用

湘美书院--湘美谈教育

湘美谈教育湘美书院网文研究：人工智能与微型小说选集湘美书院的AI助教"小湘"能回答所有问题。一个孩子问："为什么月亮跟着我走？" 小湘0.1秒调出天文学解释：相对运动、参照物、视觉错觉。