tag 神經網絡

標籤
貢獻52
173
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

jinzhangdemianbao_6915dbf24fb23 頭像

緊張的麪包 - 使用SOM進行圖像顏色量化

使用SOM進行圖像顏色量化 前言 自組織映射（Self-Organizing Map, SOM）是一種人工神經網絡，能夠將高維數據映射到低維空間，同時保持數據的拓撲結構。在圖像處理領域，SOM常被用於顏色量化，即減少圖像中的顏色數量，同時儘量保持圖像的視覺效果。 本文將介紹如何使用MiniSom庫實現基於SOM的圖像顏色量化，將一幅圖像的顏色從數百萬種減少到9種代表色，同時保持圖像的主要視覺特徵。

神經網絡

收藏 評論

deephub 頭像

deephub - JAX核心設計解析：函數式編程讓代碼更可控

很多人剛接觸JAX都會有點懵——參數為啥要單獨傳？隨機數還要自己管key？這跟PyTorch的畫風完全不一樣啊。 其實根本原因就一個：JAX是函數式編程而不是面向對象那套，想明白這點很多設計就都説得通了。 先説個核心區別 PyTorch裏，模型是個對象，權重藏在裏面，訓練的時候自己更新自己。這是典型的面向對象思路，狀態封裝在對象內部。 JAX的思路完全反過來。模型定義是模型定義，參數是參數，兩邊分

llm , jax , 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 - 國內口碑較好的海關智能閘口系統品牌推薦，幫你做出明智的決策！

當海關物流效率直接影響企業競爭力，智能閘口系統的選擇便成了關鍵決策。面對市場上眾多的品牌和解決方案，如何找到真正可靠、高效的智能閘口系統？今天我們從行業實踐出發，為您梳理國內口碑較好的幾類選擇，助您做出明智決策。 穩定可靠型：老牌勁旅值得信賴 國內一批深耕海關智能化領域多年的企業，憑藉紮實的技術積累和豐富的項目經驗，在多個重要口岸實施了穩定運行的智能閘口系統。這些系統通常具備完善的硬件

圖像識別 , 神經網絡 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

u_16099343 頭像

編程夢想編織者 - 神經網絡至少要多少數據 神經網絡有

目錄 迷人的神經網絡——機器學習筆記1 第1章 神經元模型及網絡結構 1.1 神經元模型 1.1.1 單輸入神經元 1.1.2 激活函數 1.1.3 多輸入神經元 1.2 網絡結構 1.2.1 單層神經網絡 1.2.2 多層神經網絡

神經網絡 , 激活函數 , 權值矩陣 , 神經網絡至少要多少數據 , 感知機 , 人工智能

收藏 評論

deephub 頭像

deephub - 斯坦福ACE框架：讓AI自己學會寫prompt，性能提升17%成本降87%

斯坦福和SambaNova AI最近聯合發了一篇論文，Agentic Context Engineering (ACE)。核心思路：不碰模型參數，專注優化輸入的上下文。讓模型自己生成prompt，反思效果，再迭代改進。 可以把這個過程想象成模型在維護一本"工作手冊"，失敗的嘗試記錄成避坑指南，成功的案例沉澱為可複用的規則。 數據表現 論文給出的數字： AppWorld任務準確率比GPT-4驅動的a

llm , 神經網絡 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - DeepSeek 開年王炸：mHC 架構用流形約束重構 ResNet 殘差連接

大過節的qwen發佈了image 2512，DeepSeek這邊就偷摸的在arXiv 上掛出了這篇 mHC: Manifold-Constrained Hyper-Connections (arXiv:2512.24880)，哪個正經公司在最後一天還發論文啊。 簡單的看了一下，説説我的看法： 這回DeepSeek又要對 殘差連接（Residual Connection）出手了。 現在我們模型的底層

神經網絡 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - VideoMind：Chain-of-LoRA突破時間盲區讓AI真正看懂長視頻

視頻作為一種富含信息且密集的媒介，已廣泛應用於娛樂、社交媒體、安全監控和自動駕駛等領域。人類能夠輕鬆理解視頻內容，例如理解因果關係、定位特定時刻以及關聯動作。 但是人工智能，尤其是大型語言模型（LLM）及其多模態（MLLM）變體，在視頻理解方面仍然面臨挑戰，尤其是在處理長視頻時。儘管像 GPT-4V 或 Claude 這樣的模型可以詳細描述圖像或短片，但在需要根據長序列中特定時間間隔推斷事件

llm , 神經網絡 , 人工智能 , 視頻處理

收藏 評論

senar 頭像

Senar - 機器學習和前端

TL;DR 現階段在前端應用機器學習，要針對合適的場景和需求，尋求特定化、輕量化的模型方案，最終往往有比較不錯的效果。展望未來，隨着硬件設備的迭代更新，用户羣體會有越來越高的 NPU 和高性能 GPU 的設備佔比，再加上 WebGPU、WebNN 這類加速 AI 推理計算的 API 和標準推出，未來的前端應用會大放異彩。 人工智能、機器學習、神經網絡、深度學習...... 這些詞到底是什麼意思？彼

機器學習 , 人臉識別 , tensorflow , 神經網絡 , 深度學習

收藏 評論

u_16213606 頭像

mob64ca13fdd43c - 究諸經典，探尋大模型演變之蹤跡_人工智能_Baihai IDP

關聯知識庫：# 大語言模型學術史：從分佈式表示到Transformer的演進路徑（Gregory Gundersen 2025） 大語言模型學術史：從分佈式表示到Transformer的演進路徑 發佈時間：2025年10月1日 核心主題：追溯大語言模型背後的核心思想的學術歷史 哲學視角：技術演進中

spark , 大數據 , 神經網絡 , 語言模型 , 並行化

收藏 評論

deephub 頭像

deephub - 從零構建能自我優化的AI Agent：Reflection和Reflexion機制對比詳解與實現

AI能否像人類一樣從錯誤中學習？反思型Agent系統不僅能生成回答，還會主動審視自己的輸出，找出問題並持續改進。 反思策略本質上就是讓LLM對自己的行為進行自我批評。有時反思器還會調用外部工具或檢索系統來提升批評的準確性。這樣一來系統輸出的就不再是一次性的回答，而是經過多輪生成-審閲循環優化後的結果。 目前主流的反思系統主要分為三類： 基礎Reflection Agent比較輕量，就是簡單的生成器

llm , 神經網絡 , 教程 , 人工智能 , 深度學習

收藏 評論

yuhaibao324 頭像

DeepSeaAI - AI與微服務系統架構解決方案V1

AI與微服務系統架構 一、方案概述 1.1 核心思想 本方案採用雲原生微服務架構作為基礎，將AI能力原子化、服務化，構建一個高內聚、低耦合、可獨立演進的智能分佈式系統。通過解耦業務邏輯與AI能力，實現技術團隊的敏捷協作、系統的彈性伸縮和能力的持續演進。 1.2 設計原則 服務自治：每個微服務（含AI服務）獨立開發、部署、擴展 能力複用：AI服務作為基礎能

Pod , 神經網絡 , API , 人工智能 , 基礎設施

收藏 評論

u_14230 頭像

爛漫樹林 - GBDT的損失函數是什麼

本文主要講解有關 Deep Q Network（DQN）算法的相關內容。 1. DQN 的基本思想 傳統的 Q-Learning 算法當 Q 表過大時不僅難以存儲而且難以搜索，並且當狀態是連續的話，用 Q 表存儲是不現實的，這時可以用一個函數來擬合 Q 表，所以提出了神經網絡和 Q-Learning 相融合的 Dee

機器學習 , 強化學習 , DQN , 神經網絡 , 人工智能 , deep q network , GBDT的損失函數是什麼

收藏 評論

kerrywu 頭像

KerryWu - 神經網絡（1）

1. 概述 1. 定義 生物神經網絡是由大量神經元（Neuron）通過突觸（Synapse）相互連接而成的複雜信息處理系統。它是生物體神經系統的核心結構，負責接收外界刺激、處理信息、產生反應和控制行為。 2. 分佈 在高等動物中，神經網絡主要分佈在中樞神經系統（腦和脊髓）以及周圍神經系統（連接中樞與身體各部位的神經）。 3. 功能 信息接收：通過感受器接收外界或體內的信號（如光、聲

神經網絡

收藏 評論

u_16213584 頭像

mob64ca13f87273 - 單層感知機是邏輯迴歸嗎

1.感知機模型 如圖為人體神經網絡圖，輸入信號從樹突傳入，在細胞核處彙總，輸出信號從軸突處傳出傳入其他神經元，從而構成了一個人體的神經網絡。而感知機其類似於一個神經元。 一個單層感知機與人體神經元類似，為輸入結點，及神經元的輸入信號，為各輸入結點的權重，可以理解為神經元各個樹突的電阻，到達細

機器學習 , 神經網絡 , 感知機 , 人工智能 , 深度學習 , 單層感知機是邏輯迴歸嗎

收藏 評論

deephub 頭像

deephub - 將VAE用於時間序列：生成時間序列的合成數據

變分自編碼器(VAEs)是一種生成式人工智能,因其能夠創建逼真的圖像而備受關注,它們不僅可以應用在圖像上，也可以創建時間序列數據。標準VAE可以被改編以捕捉時間序列數據的週期性和順序模式,然後用於生成合成數據。本文將使用一維卷積層、策略性的步幅選擇、靈活的時間維度和季節性依賴的先驗來模擬温度數據。 我們使用亞利桑那州菲尼克斯市50年的ERA5小時温度數據訓練了一個模型。為了生成有用的合成數據,它必

tensorflow , 神經網絡 , 人工智能 , 深度學習

收藏 評論

u_12897 頭像

jordana - PyTorch中文教程 | (15) 在深度學習和NLP中使用PyTorch_pytorch 中文nlp

PyTorch 的 torch.nn 模塊是構建和訓練神經網絡的核心模塊，它提供了豐富的類和函數來定義和操作神經網絡。 以下是 torch.nn 模塊的一些關鍵組成部分及其功能： nn.Module 類 nn.Module 是所有自定義神經網絡模型的基類。用户通常會從這個類派生自己的模型類，並在其中定義網絡層結

卷積 , 神經網絡 , pytorch , 後端開發 , 人工智能 , 深度學習 , Python

收藏 評論

u_16213561 頭像

技術極客俠 - LSTM解決了RNN的侷限性

引入LSTM 儘管RNN被設計成可以利用歷史的信息來輔助當前的決策，但是由於在上節提到的梯度消失或者梯度爆炸問題，RNN主要還是學習短期的依賴關係。所以RNN新的技術挑戰就是-長期依賴。 長短時記憶網絡(Long Short Term Memory Network, LSTM)，是一種改進之後的循環神經網絡，可以解決RNN無法處理長距離的依賴

機器學習 , 神經網絡 , 激活函數 , 循環神經網絡 , 人工智能 , 深度學習 , LSTM解決了RNN的侷限性

收藏 評論

lab4ai 頭像

Lab4AI - 【論文復現上新】NeurIPS 2023! 經典論文！ DPO：你的語言模型，其實就是個獎勵模型 | 強化學習 | 微調策略

01 論文概述 論文名稱： Direct Preference Optimization: Your Language Model is Secretly a Reward Model —— DPO：你的語言模型，其實就是個獎勵模型 論文鏈接：https://arxiv.org/pdf/2305.18290 👉Lab4AI 鏈接： https://www.lab4ai.cn/paper/det

機器學習 , 神經網絡 , 教程 , 人工智能 , 深度學習

收藏 評論

sanzhanggui 頭像

三掌櫃 - 突破AR視覺交互邊界：Unity賦能Rokid AR眼鏡實現高精度圖像識別與實時跟蹤

前言 隨着技術的不斷髮展和進步，尤其是在空間計算技術飛速迭代的今天，AR技術已從概念走向產業落地，成為連接物理世界與數字信息的核心橋樑。而且圖像識別與跟蹤技術，作為AR應用的“視覺神經中樞”，直接決定了虛擬內容與現實場景融合的精準度和沉浸感。國內AR硬件領軍者Rokid推出的AR眼鏡系列，憑藉輕量化設計、強大的空間計算能力及開放的開發生態，為各位開發者提供了探索AR應用落地的優質載體。但是，多數開

圖像識別 , 神經網絡 , 人工智能

收藏 評論

lab4ai 頭像

Lab4AI - AAAI2025論文！川大團隊領銜！用 “稀疏注意力” 幹掉手工特徵，讓圖像造假無所遁形 | 圖像編輯

01 論文概述 這篇頂會級工作由 四川大學計算機學院 + 教育部機器學習與工業智能工程研究中心 核心領銜（通訊作者：周吉喆教授），聯合 穆罕默德・本・扎耶德人工智能大學、澳門大學計算機與信息科學系 共同完成。 論文名稱：Can We Get Rid of Handcrafted Feature Extractors? SparseViT: Nonsemantics-Centered, Param

機器學習 , 神經網絡 , 算法 , 人工智能 , 深度學習

收藏 評論

u_16213711 頭像

mob64ca1416f1ef - 實操教程 | 卷積神經網絡CNN詳解

卷積神經網絡（CNN）的核心操作並非孤立存在，而是通過精細的參數設計和流程配合實現特徵提取與模型學習。以下從原理細節、計算過程、參數設計、變體形式四個維度，對核心操作進行更深入的解析，幫助你掌握實際應用中的關鍵細節。 一、卷積操作（Convolution） 卷積是 CNN “特徵提取” 的核心，其本質是通過滑動窗口的局部加權求和捕捉圖像的局部

卷積 , 神經網絡 , cnn , 深度學習 , 池化 , 前端開發 , Javascript

收藏 評論

lab4ai 頭像

Lab4AI - 10.7萬條軌跡+4大機器人構型！RoboMIND開源數據集破解機器人通用操作難題

01 | 引入 開發魯棒且通用的操作策略是機器人領域的關鍵目標。為實現有效的泛化能力，構建包含大量演示軌跡和在複雜真實環境中完成多樣化任務的綜合數據集至關重要。儘管現有研究已致力於整合各類機器人數據集，但仍缺乏統一的數據收集標準，且在多樣化任務、場景和機器人類型方面的高質量數據不足。因此，構建一個大規模、標準化的多構型機器人操作數據集具有重要意義。然而，現有數據集往往存在以下侷限： l 規模有限

機器學習 , 圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - 深度學習調參新思路：Hyperband早停機制提升搜索效率

Hyperband是機器學習中一個相當實用的超參數調優算法，核心思路是用逐次減半來分配計算資源。説白了就是讓一堆配置先跑幾輪，表現差的直接踢掉，剩下的繼續訓練更多輪次。 這個方法的巧妙之處在於平衡了探索和利用。你既要試足夠多的配置組合（探索），又要給有潛力的配置足夠的訓練時間（利用）。傳統方法要麼試得不夠多，要麼每個都試要很久浪費時間。 本文我們來通過調優一個lstm來展示Hyperband的工作

神經網絡 , 人工智能 , 深度學習 , 參數

收藏 評論

yuhaibao324 頭像

DeepSeaAI - 金融行業大模型微調

針對銀行和金融行業專有詞彙標準化系統 注意：在醫療領域，由於涉及隱私，我們需要確保使用公開數據或合成數據。 一、大模型微調方案選擇 推薦方案：混合策略微調 1. 監督微調(SFT) + 檢索增強(RAG)結合 - SFT微調：增強基礎理解能力 - RAG檢索：確保標準化準確性 2. 多階段微調流程： ├── 第一階段：領域預訓練 ├── 第二階段：任

數據 , 神經網絡 , 相似度 , 人工智能 , Python

收藏 評論