tag 神經網絡

標籤
貢獻52
171
07:19 PM · Oct 26 ,2025
deephub 頭像 yuhaibao324 頭像 huamingshixunkeji 頭像 lab4ai 頭像 u_16099169 頭像 lanyiyun666 頭像 u_13303 頭像 u_16213590 頭像 u_16099165 頭像 u_16099269 頭像 u_12855 頭像 u_15903730 頭像

@神經網絡 / 博客 RSS 訂閱

stevenchendy 頭像

查拉圖斯特拉説 - 搭建本地大模型知識庫

前言這章節主要是講如何用本地的，一個很小的大模型，搭建一個自己的知識庫，體驗一下大模型的一個知識庫的能力，還有大模型的一個檢索能力。配置Ollama模型的目錄到官網下載歐拉瑪一個大模型管理工具之後就要配置他的一個大模型的一個安裝目錄，當然也可以使用默認的 下載大模型你可以直接在這上面選擇輸入的內容模型的內容，直接下載一邊使用命令的方式 這邊是使用命令的方式，先去官網檢索

機器學習 , 神經網絡 , chatgpt , 人工智能 , llama

收藏 評論

deephub 頭像

deephub - Neural ODE原理與PyTorch實現：深度學習模型的自適應深度調節

對於神經網絡來説，我們已經習慣了層狀網絡的思維：數據進來，經過第一層，然後第二層，第三層，最後輸出結果。這個過程很像流水線，每一步都是離散的。 但是現實世界的變化是連續的，比如燒開水，誰的温度不是從30度直接跳到40度，而是平滑的上生。球從山坡滾下來速度也是漸漸加快的。這些現象背後都有連續的規律在支配。 微分方程就是描述這種連續變化的語言。它不關心某個時刻的具體數值，而是告訴你"變化的速度"。比如

神經網絡 , pytorch , 人工智能 , 深度學習

收藏 評論

u_16213697 頭像

mob64ca14137e4f - 深度學習數據歸一化 負值

歸一化的主要公式 1.將數據歸一到[0,1]： 其中和分別是數據的最大值和最小值。 2.將數據歸一化到[-1,1]： 其中是數據的均值。 3.將數據歸一化到均值為0，標準差為1的標準正態分佈上： 其中和分別是數據的均值和標準差。 4.將數據歸一化到[a,b]： 計算係數：

機器學習 , 深度學習數據歸一化 負值 , 神經網絡 , 數據歸一化 , 人工智能 , 深度學習

收藏 評論

yuhaibao324 頭像

DeepSeaAI - EchoMimic：阿里巴巴開源的AI數字人視頻生成系統

概述 EchoMimic 是阿里巴巴螞蟻集團推出的開源AI數字人視頻生成模型。該項目通過先進的深度學習技術，將靜態圖像轉化為具有動態語音和表情的數字人像，實現"讓照片開口説話"的革命性能力。 核心價值主張 開源開放：完整的源代碼和預訓練模型免費提供 多模態驅動：支持音頻、視覺或二者結合的驅動方式 高保真生成：保持原始人物身份特徵的同時生

神經網絡 , 人工智能 , 特徵提取 , Git , Json

收藏 評論

u_13527 頭像

bigrobin - 機器學習模型 輸入層 隱藏層 輸出層 權重 偏置 公式

深度學習三步驟 普遍性定理 對於任何一個連續的函數，都可以用足夠多的隱藏層來表示 神經網絡 完全連接前饋神經網絡 輸入層（Input Layer）：1層 隱藏層（Hidden Layer）：N層 輸出層（Output Layer）：1層 全鏈接

機器學習 , 數據 , 神經網絡 , 人工智能 , 特徵提取

收藏 評論

u_16060192 頭像

HyperAI超神經 - 【TVM教程】設計與架構

TVM 現已更新到 0.21.0 版本，TVM 中文文檔已經和新版本對齊。 Apache TVM 是一個深度的深度學習編譯框架，適用於 CPU、GPU 和各種機器學習加速芯片。更多 TVM 中文文檔可訪問 →Apache TVM 本文檔適用於想要了解 TVM 架構或積極開發項目的開發者。本文檔組織結構如下： 整體編譯流程示例：概述 TVM 如何將一個高級模型描述轉換為可部

數據結構 , 神經網絡 , API , TVM , 人工智能 , 深度學習 , Python

收藏 評論

huaweiclouddeveloper 頭像

華為雲開發者聯盟 - Tensorflow保存神經網絡參數有妙招：Saver和Restore

摘要：這篇文章將講解TensorFlow如何保存變量和神經網絡參數，通過Saver保存神經網絡，再通過Restore調用訓練好的神經網絡。 本文分享自華為雲社區《[[Python人工智能] 十一.Tensorflow如何保存神經網絡參數 丨【百變AI秀】](https://bbs.huaweicloud.com/b...)》，作者： eastmount。 一.保存變量 通過tf.Variab

tensorflow , 神經網絡 , 編程技巧 , 變量 , Python

收藏 評論

yuhaibao324 頭像

DeepSeaAI - AI應用平台架構設計：構建的企業級AI應用開發與部署平台

高性能高可用AI應用平台架構設計 一、項目概述 1.1 定位與目標 基於AI應用平台核心理念構建的企業級AI應用開發與部署平台，為組織提供： 可視化AI應用編排：拖拽式構建複雜AI工作流 多模型統一管理：統一接口管理20+主流大語言模型 智能知識庫系統：RAG增強的智能問答與文檔處理 高性能高可用架構：滿足企業級SLA（99.95%+）要求

redis , 神經網絡 , G1 , 緩存 , 人工智能

收藏 評論

u_13259 頭像

kekenai - 計算機視覺-分類問題(classification)：二分類，多分類，多標籤多分類 （pytorch）

二分類和多分類的區別 都是one-hot編碼格式的話：多分類是[[]] 兩個【】，二分類是[] 一個【】 多分類的簡易模式： 可能會出現非01的例如[1, 0, 2] 也就是多分類，1的位置索引可能在3個不同的位置 這是多分類的one-hot表示（2個樣本，3個類別）,一個樣本有三個位置(1可能會出現3個位置)，就

多分類 , 神經網絡 , pytorch , 深度學習 , Css , 前端開發 , HTML , Python

收藏 評論

u_16213706 頭像

mob64ca1415bcee - 搭建合約量化機器人和現貨量化機器人現在這麼火爆？ - osc

1. 為什麼你的模型“記性”這麼差？（痛點與背景） 想象一下，你訓練了一個神經網絡來識別手寫數字（MNIST），準確率高達 99%。 接着，你希望能複用這個聰明的腦子，讓它繼續學習識別時尚單品（Fashion-MNIST）。 你把模型拿來，在“衣服鞋子”的數據集上跑了幾輪訓練。結果很棒，它現在能完美識別運動鞋和襯衫了。 但是，當你隨手扔給它一張數字 “7”

神經網絡 , 權重 , fish , jquery , 前端開發

收藏 評論

deephub 頭像

deephub - 從零開始構建圖注意力網絡：GAT算法原理與數值實現詳解

圖數據在機器學習中的地位越來越重要。社交網絡的用户關係、論文引用網絡、分子結構，這些都不是傳統的表格或序列數據能很好處理的。現實世界中實體之間的連接往往承載着關鍵信息。 圖神經網絡(GNN)的出現解決了這個問題，它讓每個節點可以從鄰居那裏獲取信息來更新自己的表示。圖卷積網絡(GCN)是其中的經典代表，但GCN有個明顯的限制：所有鄰居節點的貢獻都是相等的（在歸一化之後）。 這個假設在很多情況下並不合

神經網絡 , 人工智能 , 深度學習 , 圖論

收藏 評論

u_15903730 頭像

WangLanguager - 圖神經網絡（GNN）介紹和代碼示例

圖神經網絡（GNN）介紹 圖神經網絡（Graph Neural Networks, GNNs）是一類專門處理圖結構數據的深度學習模型。圖是由節點（頂點）和邊（連接節點的關係）構成的結構，廣泛應用於社交網絡、推薦系統、知識圖譜、分子結構分析等領域。 基本原理 GNN的核心思想是通過節點的鄰居信息來更新節點的表示（embedding）。每個

神經網絡 , 人工智能 , 卷積網絡 , 深度學習 , Css , 前端開發 , HTML

收藏 評論

u_12855 頭像

西門吹雪 - 開源javascript流程包

機器學習開源框架 機器學習領域的巨大增長是由開放源代碼工具推動的，這些工具使開發人員可以輕鬆地構建應用程序。 （例如，來自德國的AndreyBu在機器學習方面擁有超過5年的經驗，他一直在利用各種開源框架來構建引人入勝的機器學習項目。） 儘管Python編程語言支持大多數機器學習框架，但JavaScript並沒有被拋在後面。 JavaScrip

大數據 , 神經網絡 , 網絡 , 前端開發 , 開源javascript流程包 , Javascript , Python

收藏 評論

u_13303 頭像

colddawn - 神經網絡自適應控制仿真matlab 自適應 神經網絡

Adaptively Connected Neural Networks Paper link: Adaptively Connected Neural Networksarxiv.org Code link: wanggrun/Adaptively-Connected-Neural

神經網絡自適應控制仿真matlab , 自適應 , 卷積 , 數據 , 神經網絡 , 人工智能

收藏 評論

deephub 頭像

deephub - 從零構建短視頻推薦系統：雙塔算法架構解析與代碼實現

刷短視頻本來只想看幾分鐘，不知不覺一個多小時就沒了。每條視頻都恰好戳中你的興趣點，這種精準推送背後其實是一套相當複雜的工程架構。 這種"讀心術"般的推薦效果並非偶然。驅動這種短視頻頁面的核心引擎，正是業內廣泛採用的雙塔推薦系統（Two-Tower Recommendation System）。 本文將從技術角度剖析：雙塔架構的工作原理、為何在短視頻場景下表現卓越，以及如何構建一套類似的推薦系統。

推薦系統 , 神經網絡 , 知識 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - AI Agent工作流實用手冊：5種常見模式的實現與應用，助力生產環境穩定性

很多人認為使用AI Agent就是直接扔個提示詞過去，然後等結果。做實驗這樣是沒問題的，但要是想在生產環境穩定輸出高質量結果，這套玩法就不行了。 核心問題是這種隨意的提示方式根本擴展不了。你會發現輸出結果亂七八糟，質量完全不可控，還浪費計算資源。 真正有效的做法是設計結構化的Agent工作流。 那些做得好的團隊從來不指望一個提示詞解決所有問題。他們會把複雜任務拆解成步驟，根據不同輸入選擇合適的模型

llm , 神經網絡 , 人工智能 , 深度學習

收藏 評論

u_16099269 頭像

落筆成詩 - 深度學習中的多尺度融合是什麼

論文地址：https://arxiv.org/abs/1504.06375 現有的多尺度多層次的神經網絡 　　多尺度學習可以在神經網絡中，以越來越大的感受野和下采樣的形式，每個層中學習的特徵表示是多尺度的，另一方面在神經網絡之外，也可以通過例如調整輸入圖像的尺度獲得多尺度信息。 多尺度學習的可能配置 　　 　　multi-stream lea

神經網絡 , 深度學習中的多尺度融合是什麼 , 權重 , 人工智能 , 深度學習 , 網絡流

收藏 評論

deephub 頭像

deephub - LLM-as-a-judge有30%評測偏差？這篇論文給出修復方案

用LLM給LLM打分，這個看起來很聰明的做法正在讓AI評估變得不可靠。KRAFTON AI的這個工作直指當前LLM評估體系的軟肋：作為評判者的語言模型本身就帶有系統性偏差，而這種偏差在Chatbot Arena等主流基準測試中可以達到30%左右。也就是説排行榜上那些令人興奮的性能提升，有相當一部分可能是評估方法的偏差。 評判機制的運作方式 LLM-as-a-judge就是讓一個語言模型去評價另一個

llm , 神經網絡 , 人工智能 , 深度學習 , llama

收藏 評論

u_16099165 頭像

編程小達人 - 深層神經網絡的優點 神經網絡淺層和深層

深層神經網絡 淺層神經網絡和深層神經網絡的主要區別在於隱藏層的多少。隱藏層的層數越多，神經網絡越深。 深層神經網絡的一些符號定義： L L : 神經網絡的層數 n[l]n[l]: 第l l 層的神經單元個數 a[l]=g[l](z[l])a[l]=g[l](z[l]): 第l l 層的激活

deeplearning.ai , 神經網絡 , 激活函數 , 第1課 , 人工智能 , 深層神經網絡的優點

收藏 評論

deephub 頭像

deephub - mmBERT：307M參數覆蓋1800+語言，3萬億tokens訓練

mmBERT是一個純編碼器架構的語言模型，在1800多種語言、3萬億tokens的文本上完成了預訓練。它的架構設計借鑑了ModernBERT，但又加入了不少創新點，比如逆掩碼比率調度和逆温度採樣。而且研究團隊還把1700多種低資源語言放在了衰減階段加入訓練，這個策略帶來了相當不錯的效果提升，充分利用了那些數據量本身就不大的語言資源。 模型架構 整體架構和ModernBERT保持一致，但換成

bert-language-model , 神經網絡 , 人工智能 , 深度學習

收藏 評論

huamingshixunkeji 頭像

華明視訊科技 - 選擇質量過硬的AI集裝箱號識別系統廠家三大要素

隨着全球貿易與智慧物流的深度融合，集裝箱號碼自動識別已成為衡量港口、碼頭及物流園區智能化水平的關鍵標尺。面對市場上眾多的AI集裝箱號識別系統廠家，如何做出明智選擇？ 01 技術實戰能力：識別率的關鍵在於極端環境 選擇AI集裝箱識別系統的首要考量，是它在真實作業環境中的穩定表現。許多廠家宣傳的99.9%識別率，可能只是在理想實驗室環境下的數據。 在實際運營中，集裝箱常面臨多重挑戰：

機器學習 , 圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

huamingshixunkeji 頭像

華明視訊科技 - 火車集裝箱編號識別系統的全方位解決方案

在現代化物流體系中，鐵路運輸以其運能大、成本低、綠色環保的優勢，扮演着不可或缺的角色。然而，傳統依賴人工記錄和識別集裝箱編號的方式，不僅效率低下，還極易出錯，成為提升整體物流鏈效率的瓶頸。針對這一痛點，先進的火車集裝箱編號識別系統應運而生，通過智能化技術為鐵路物流裝上了“智慧之眼”。 系統核心價值：精準、高效、全自動 本解決方案旨在通過部署先進的計算機視覺和深度學習技術，對進出火車站的

數據挖掘 , 圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - 對抗樣本攻擊詳解：如何讓AI模型產生錯誤判斷

精心構造的輸入樣本能讓機器學習模型產生錯誤判斷，這些樣本與正常數據的差異微小到人眼無法察覺，卻能讓模型以極高置信度輸出錯誤預測。這類特殊構造的輸入在學術界被稱為對抗樣本(adversarial examples)。 模型將右側圖像判定為長臂猿，置信度高達99.3%。 人眼看不出這兩張熊貓圖像有任何區別，而模型對左圖的預測是熊貓，置信度57.7%顯得不太確定。中間那張看起來像噪聲的圖案其實是

神經網絡 , 人工智能 , 深度學習

收藏 評論

u_16555391 頭像

wx65bc375171f34 - 從圖靈之問到大模型時代：人工智能的“三生三世”

1950年，英國數學家艾倫·圖靈在《心智》雜誌發表了一篇題為《計算機器與智能》的論文，提出了一個看似簡單卻震撼世界的問題：“機器能思考嗎？”這個後來被稱為“圖靈之問”的問題，如同一顆投入平靜湖面的石子，激起了持續至今的漣漪。而圖靈設計的“模仿遊戲”——後來廣為人知的“圖靈測試”，為人工智能領域樹立了第一個里程碑。七十餘年來，人工智能經歷了從實驗室概念到日常生活無處不在的演變，其發

神經網絡 , 人工智能 , 深度學習 , Css , 前端開發 , HTML

收藏 評論