神经网络

表格神经网络架构发展史：从 MLP 到表格基础模型的二十年导语：表格数据（tabular data）——行样本、列特征的结构化表格——是现实世界最常见的数据形态，据估计占据企业数据 70% 以上。然而与图像、文本不同，表格长期是深度学习的"滑铁卢"：决策树集成（GBDT / XGBoost）在大多数基准上稳压神经网络。过去近二十年，学术界围绕"如何让神经网络真正吃好表格数据"演化出了一条清晰的架构演进脉络。本文按五个阶段系统梳理，每个代表架构均附论文原图、示例代码、设计说明、实例与得失分析。

在所不辞兄

【神经网络干货】物理信息神经网络：当神经网络开始“遵守”物理定律传统神经网络最擅长的一件事，是从大量数据中寻找规律。给它足够多的输入和输出，它可以学习图像、语言，也可以预测温度、压力、浓度甚至材料性能。

第 8 篇：与 AI 协作的工作流 + 完整案例把前面七篇串成一条可复用的工作流：你提需求 → AI 只返回 Schema → 贴进项目出页面。并给出两个完整案例和常见坑排查。

机器学习之心

基于残差融合WOA-LSTM-EKF的锂电池SOC估计方法基于残差融合WOA-LSTM-EKF的锂电池SOC估计方法 MATLAB实现 | BBDST工况数据 | 完整代码可复现

在所不辞兄

【零基础学智能仿真-11】CatBoost——让材料类型和边界条件参与力学预测本节学习能够直接处理类别特征的CatBoost算法。课程以三种材料和两种支承形式的梁响应预测为案例，讲解类别变量、目标统计、Ordered Boosting及对称树结构，并完成分层划分、模型训练、测试评价和误差诊断。通过实际代码与图表，学习者将认识材料名称、单元类型和边界条件不能随意数字化，掌握混合类型有限元数据的建模方法，同时理解未知类别、数据泄漏和极端工况预测的风险。

Product Hunt 每日热榜 | 2026-09-05标语：OpenAI最强大的模型，适用于端到端的工作。介绍：GPT-6 Astra是OpenAI迄今为止最强大的模型，适用于复杂推理、软件工程、计算机应用、科学研究和专业工作。它支持异步工具调用和中途调整，可以执行多步骤的任务流程。API模型标识为gpt-6-astra，费用为每百万个字符10美元或50美元（针对短文本）。它将在接下来的几天内首先通过“可信访问/黎明计划”推出，然后再向Plus、Pro、Business、Enterprise和API用户开放。这是OpenAI在关键网络安全能力上达到的首个模型

第 6 篇：SchemaForm 渲染器核心实现写出本系列的心脏：一个能消费第 5 篇 Schema、自动渲染出表单的 SchemaForm.vue。约 200 行，复制进项目即可用。

序列数据怎么喂给神经网络？用循环神经网络RNN拆开一个时间步关键词：RNN、循环神经网络、序列建模、PyTorch、隐藏状态、时序分类如果你之前的工作主要是图像分类、表格预测或推荐排序，第一次接触序列建模时，往往会下意识想把序列「拍平」成一个固定向量：把 100 个时间步、每步 8 维的特征，直接展开成 800 维 Dense 输入。但这条路在真实的序列任务里基本走不通，因为序列问题有三条硬约束。拍平思路本质上是在假设「每个特征维度都是独立的」，而序列里恰恰没有哪个维度是独立的——它们按时间彼此咬合。

【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"。