神经网络

叫我：松哥

基于深度卷积神经网络的水果图片分类算法设计与实现，有ResNet50的迁移学习模型，准确率达95%1前言1.1 研究的背景和意义1.1.1 研究背景农业是国民经济的基础产业，农产品的智能化识别对于提升农业生产效率、保障食品安全、推动农业现代化具有重要意义。水果作为日常消费品，其种类繁多、外观相似，传统的人工分类方式不仅效率低下，而且容易受到主观因素和疲劳的影响，难以满足大规模、高精度的应用需求。随着计算机视觉和深度学习技术的迅猛发展，基于图像的自动分类方法逐渐成为研究热点。

装不满的克莱因瓶

PyTorch 与它的自动微分工具：Autograd目录前言一、什么是 Autograd二、Autograd 的核心思想三、requires_grad 的作用

老饼讲解-BP神经网络

具体说说-RBF神经网络-newrbe函数和newrb函数的区别刚开始接触RBF神经网络时，会发现matlab提供了newrb和newrbe两个函数来构建RBF神经网络，那到底该使用哪一个呢？其实只要知道它们的区别，自然就知道该使用哪一个了。下面我们就来说说newrb和newrbe的区别。

叫我：松哥

基于卷积神经网络的静态手势语识别算法，在测试集上的识别准确率达到97.5%1前言随着人工智能技术的飞速发展，人机交互方式正经历着从传统的键盘、鼠标向更自然、更直观的交互方式转变。语音识别、手势语识别、人脸识别等自然交互技术逐渐成为研究热点，在智能家居、医疗康复、虚拟现实、游戏娱乐等领域展现出巨大的应用潜力。

从零搭建卷积神经网络：基于PyTorch实现MNIST手写数字分类MNIST数据集是深度学习领域的“Hello World”，它包含70,000张28x28的灰度手写数字图像，是入门图像分类任务的绝佳选择。本文将手把手带你使用PyTorch构建一个简洁而高效的卷积神经网络（CNN），完成对MNIST数据集的训练与评估。文章会逐步解读每一段代码的含义，从数据加载、模型构建、训练循环到测试评估，并结合完整的训练日志分析模型的收敛过程。最终我们的模型在测试集上达到了99.03%的准确率，损失值从最初的2.3逐步下降至接近0，直观展示了CNN在图像识别任务上的强大能力。无论你是

第10期| 卷积神经网络CNN通俗详解：AI遥感的底层核心上期第9期，我们梳理了遥感解译三代技术进化逻辑：人工目视特征→机器学习人工构造特征→深度学习CNN自动特征，同时分清了分类、检测、分割三大遥感AI任务。

装不满的克莱因瓶

掌握空间注意力 STN 模型结构——让神经网络学会自动“看准位置”目录一、前言二、为什么需要 STN（一）传统 CNN 的局限性（二）目标位置变化问题（三）数据增强的局限

从神经元到BP反向传播，零基础吃透神经网络底层原理深度学习（DL）隶属于机器学习（ML），机器学习又是人工智能（AI）落地实现的重要分支，三者是包含关系：人工智能>机器学习>深度学习。

南檐巷上学

基于改进型CNN神经网络的车牌定位识别系统（Matlab）目录一、前言二、主要任务三、项目知识简介3.1 卷积神经网络（CNN）3.2 VGG模型3.3 车牌图像选取、分割

闻道且行之

Hair Segmentation：MediaPipe 头发分割模块 CMake 独立编译MediaPipe 的 hair_segmentation 模块提供了一种高质量的实时头发分割方案——通过语义分割模型从画面中精确分离头发区域，并支持自定义发色渲染。与 face_mesh 的人脸关键点检测不同，hair_segmentation 关注的是像素级的头发/背景二分类，配合时序融合机制实现帧间平滑过渡。然而原版同样深度绑定 Bazel + GPU 工具链，Windows 桌面端难以独立部署。

装不满的克莱因瓶

链式法则如何传递参数误差 —— 深入理解神经网络中的梯度传播目录前言一、神经网络训练到底在做什么二、损失函数如何衡量误差三、为什么需要求导四、链式法则登场五、误差如何传递

MLA — 多头潜在注意力深度解析标准多头注意力（MHA）的 KV Cache 是大语言模型推理的核心瓶颈。对于一个具有 n h n_h nh 个注意力头、每头维度 d h d_h dh 的模型，每个 token 需要缓存的 KV 大小为 2 n h d h 2 n_h d_h 2nhdh。当序列长度达到数万 token 时，KV Cache 占用的显存远超模型参数本身。

Product Hunt 每日热榜 | 2026-06-09标语：任何公司的自动化教学与学习基础设施介绍：创建与公司发展同步的员工培训。Honen能够迅速将团队的知识转化为互动式的AI主导课程，课程内容包括适应性学习、模拟练习和学习者洞察。当公司的文档、工具或流程发生变化时，课程会自动更新。

变分推断（Variational Inference, VI）数学角度,以及结合神经网络的形式之前写过变分方法（variational method）不再优化一个数或向量，而是优化一个“函数/场”

程序员小嬛

2026年因果推断与多目标优化结合的前沿思路小伙伴们好，我是小嬛。专注于人工智能、计算机视觉、AI大模型领域相关分享研究。【目标检测、图像分类、图像分割、目标跟踪等项目都可做，相关领域论文辅导也可以找我；需要的可联系（备注来意）】

【神经网络】——卷积层、池化层、线性层目录🚩二维卷积的理解（torch.nn.functional)📝构建输入和卷积核👩🏻‍💻改变形状的原因

卷积神经网络基础图像是由像素点组成的，每个像素点的取值范围为: [0, 255] 。像素值越接近于0，颜色越暗，接近于黑色；像素值越接近于255，颜色越亮，接近于白色。

装不满的克莱因瓶

深入PyTorch模型的训练与可视化 —— 掌握迁移学习等模型训练效果提升的办法目录前言什么是迁移学习为什么迁移学习效果好迁移学习训练流程使用PyTorch加载预训练模型查看模型结构

用 JAX 构建可微分光子神经网络仿真器光子计算正从实验室走向芯片级集成——Intel、Lightmatter、Lightelligence 已量产 100+ 通道硅光矩阵芯片，但开发者生态仍严重滞后：主流框架（PyTorch/TensorFlow）无法原生描述光波导相位调制、干涉、损耗与非线性响应的联合可微分建模。本文提出一种轻量级、全可微分、硬件对齐的光子神经网络（PNN）仿真范式，基于 JAX 的 grad + vmap 实现 Mach-Zehnder 干涉仪（MZI）网格的端到端反向传播，代码仅 127 行，支持任意拓扑结构、波长依赖色

《神经网络与深度学习》学习笔记（四）本文为工大《深度学习与神经网络》课程要求学习总结，仅供参考，版权归原作者所有，侵权请联系删除，谢谢。