神经网络标签_北京城市开发者社区

神经网络

深度学习—神经网络

机器学习需要的执行时间远少于深度学习，深度学习的参数往往很庞大，需要通过大量数据的多次优化来训练参数。朴素贝叶斯、决策树等。

北边一颗小星星
2023-04-25 11:36:53

 2427

#深度学习 #神经网络
**标题：生物神经网络：发散创新的探索之旅**摘要：本文将深入探讨生物神经网络的相关知识，包括其基

未来，我们将通过更先进的算法和工具，更深入地研究生物神经网络的特性和机制。本文希望通过介绍生物神经网络的模拟和实现过程，激发更多读者对生物神经网络领域的兴趣和热情。生物神经网络是自然界中一种高度复杂的网络结构，它通过神经元之间的连接和通信实现信息的处理和传递。随着科技的发展，越来越多的研究者开始尝试模拟生物神经网络，以期在人工智能、机器学习等领域取得新的突破。首先，我们需要安装Python和相关库

 2501_92807076
2025-08-20 21:07:21

 55

#神经网络 #人工智能 #深度学习
人工智能入门-深度学习权重初始化-从公式到代码实践了解各种权重初始化，从0实现代码

本文介绍了神经网络中的权重初始化方法，重点分析了Xavier初始化的原理及其在深度学习中的应用。Xavier初始化通过控制权重方差来保持信号在网络中的稳定传播，避免梯度消失或爆炸问题。文章详细推导了Xavier初始化的数学原理，提出应根据输入输出神经元数量确定权重分布范围。在实践部分，介绍了数据预处理（缺失值填充、标准化、独热编码）、模型设计、训练优化等关键步骤，并提供了K折交叉验证的实现方法。特

 Elias_white
2025-08-20 18:00:00

 941

 25

#人工智能 #深度学习 #pytorch +3
深入浅出概率扩散模型（DDPM）：从马尔科夫链到公式推导

今天我们来学习一个在人工智能绘画和生成模型领域非常火热的模型——概率扩散模型（Probabilistic Diffusion Model, DDM）。

AggressiveYu
2025-08-20 13:29:32

 2093

 32

#概率论 #计算机视觉 #人工智能 +2
人工智能入门-深度学习前向传播与反向传播理论公式剖析与实战代码案例详解，从公式到代码实战

前向传播（forward propagation或forward pass）指的是：按顺序（从输入层到输出层）计算和存储神经网络中每层的结果。假设输入样本是 x∈Rd，并且我们的隐藏层不包括偏置项。zW1x其中W(1)∈Rh×d 是隐藏层的权重参数。hϕz隐藏变量h也是一个中间变量。假设输出层的参数只有权重W(2)∈Rq×h，我们可以得到输出层变量，它是一个长度为q的向量oW2h假设损失函数

 Elias_white
2025-08-20 12:00:00

 1043

 7

#人工智能 #深度学习 #pytorch +3
【光学神经网络与人工智能应用专题】

光学神经网络（Optical Neural Networks, ONNs）是一种利用光学元件（如透镜、激光器、空间光调制器等）实现神经网络计算的新型架构。其核心优势在于高速并行计算和低能耗，尤其在矩阵乘法等线性运算中表现突出。

信息快讯
2025-08-19 13:58:39

 996

 6

#人工智能 #神经网络 #深度学习
人工智能入门-深度学习-过拟合和欠拟合以及缓解方法-L1,L2正则化，DROP基本原理以及实现步骤-从公式到代码实践深入浅出

文章摘要本文讨论了机器学习中的过拟合和欠拟合问题，并介绍了两种常见的正则化方法：权重衰减和Dropout。过拟合指模型在训练数据上表现良好但在测试数据上表现差，而欠拟合则是模型无法捕捉数据的基本模式。权重衰减通过L1/L2范数对模型参数进行约束，其中L2正则化（岭回归）能均匀分布权重，L1正则化（套索回归）可实现特征选择。实验表明，适当的L2正则化能有效降低过拟合。Dropout是另一种正则化技

 Elias_white
2025-08-19 12:00:00

 997

 20

#人工智能 #深度学习 #神经网络 +4
**生物神经网络中的发散创新：编程视角的探讨**摘要：本文将探讨生物神经网络与编程语言的交汇点，特别是在创新过程中的发散性思维如何借助编

随着计算机科学的飞速发展，尤其是人工智能领域的崛起，越来越多的研究者开始尝试模拟生物神经网络的工作机制，以期在编程和算法领域实现突破性的创新。我们将深入了解生物神经网络的基本原理，并结合编程实践，通过代码示例和流程图来展示如何运用编程技术模拟神经网络的某些特性，以期激发更多的创新思考和实践。通过模拟生物神经网络的工作机制，我们可以实现突破性的创新，为人工智能和其他领域的发展提供新的思路和方法。通过

 2501_92807076
2025-08-17 22:29:52

 51

#神经网络 #人工智能 #深度学习
基于核主成分分析-粒子群算法优化长短期记忆神经网络(KPCA-PSO-LSTM)的数据分类预测附Matlab代码

在大数据与人工智能融合的背景下，高维、非线性数据的分类预测成为诸多领域（如金融风控、医疗诊断、工业故障检测）的核心需求。长短期记忆神经网络（LSTM）凭借对时序依赖关系的捕捉能力，在序列数据处理中表现优异，但面对高维特征时易出现冗余信息干扰和参数优化困难等问题。核主成分分析（KPCA）可实现非线性特征降维，粒子群算法（PSO）能高效优化网络参数，三者结合形成的 KPCA-PSO-LSTM 模型，可

 matlab科研助手
2025-08-17 20:29:27

 627

 22

#算法 #神经网络 #lstm
基于核主成分分析-粒子群算法优化长短期记忆神经网络(KPCA-PSO-LSTM)的数据分类预测附Matlab代码

在大数据与人工智能融合的背景下，高维、非线性数据的分类预测成为诸多领域（如金融风控、医疗诊断、工业故障检测）的核心需求。长短期记忆神经网络（LSTM）凭借对时序依赖关系的捕捉能力，在序列数据处理中表现优异，但面对高维特征时易出现冗余信息干扰和参数优化困难等问题。核主成分分析（KPCA）可实现非线性特征降维，粒子群算法（PSO）能高效优化网络参数，三者结合形成的 KPCA-PSO-LSTM 模型，可

 Matlab科研工作室
2025-08-17 20:29:23

 669

 30

#算法 #神经网络 #lstm
[ACM MM 2024]BrainRAM: Cross-Modality Retrieval-Augmented Image Reconstruction from Human Brain Acti

计算机-人工智能-检索辅助fMRI解码图像重建

 夏莉莉iy
2025-08-16 17:52:18

 890

 29

#人工智能 #机器学习 #深度学习 +4
标题：生物神经网络：探索发散创新的编程之旅================

生物神经网络是由神经元和突触组成的复杂网络结构，负责处理各种信息并驱动生物体的行为。神经元通过电信号和化学信号进行通信，形成复杂的网络结构，从而完成各种高级功能。这种复杂的网络结构和信息处理机制为我们提供了解决人工智能领域问题的新思路。

zzq678912345
2025-08-16 17:18:14

 60

#神经网络 #neo4j #人工智能
标题：生物神经网络：探索发散创新的编程领域新纪元===========

生物神经网络是由神经元和突触构成的复杂网络结构，负责处理生物体内的各种信息。这些网络通过电信号和化学信号进行信息的传递和处理，具有高度的自适应性和学习能力。在人工智能领域，模拟生物神经网络的工作机制，可以实现更加智能、灵活的机器学习和数据处理方式。本文通过介绍生物神经网络的基本原理及其在编程领域的应用，探讨了如何通过编程手段模拟生物神经网络的工作机制，并探索如何利用这些机制实现发散创新。随着人工智

 2501_92807076
2025-08-16 14:32:29

 62

#神经网络 #人工智能 #深度学习
人工智能与机器学习:带你从入门到实践~

人工智能与机器学习：从入门到实践

 蒋星熠
2025-08-15 19:46:54

 1446

 35

#人工智能 #机器学习 #深度学习 +3
人工智能入门-深度学习-深入浅出线性神经网络-从公式理解到代码实践，深入softmax

本文介绍了线性神经网络中的Softmax回归模型。首先阐述了Softmax函数的定义和公式，它能将输入向量转换为概率分布。接着详细推导了Softmax回归的预测过程、交叉熵损失函数及其导数计算，并通过实例演示了计算过程。最后提供了使用PyTorch实现Softmax分类器的代码示例，包括网络结构定义、前向传播过程及应用场景。文章重点突出了Softmax在解决多分类问题中的核心作用及其数学原理。

Elias_white
2025-08-15 14:27:50

 1241

 22

#人工智能 #深度学习 #神经网络 +3
Hopfield_神经网络在智能家居设备联动控制中的应用(附DeepSeek行业解决方案100+)

随着物联网技术、人工智能技术的飞速发展，智能家居已经逐渐走进了千家万户。智能家居系统旨在通过网络通信技术将家中的各种设备连接在一起，实现设备的智能化管理和控制，为用户提供更加便捷、舒适、安全的生活环境。然而，目前智能家居设备的联动控制还存在一些问题，例如设备之间的协同效率不高、缺乏智能的决策机制等。

fanxbl957
2025-08-15 09:50:47

 931

 11

#神经网络 #智能家居 #人工智能
**标题：发散创新之力：生成对抗网络（GANs）深度解析****摘要*

生成对抗网络（GANs）作为人工智能领域的重大突破，为数据生成领域带来了革命性的变革。：本文将详细介绍生成对抗网络（GANs）的基本概念、原理、实现及应用。本文将深入探讨GANs如何生成高质量图像、文本、音频等数据，并展望GANs的未来发展趋势。GANs在图像生成、文本生成、音频生成等领域取得了令人瞩目的成果。生成器的任务是生成尽可能真实的数据，而判别器的任务是判断数据是否真实。图像生成：通过GA

2501_91769822
2025-06-30 13:29:50

 354

 3

#生成对抗网络 #人工智能 #神经网络 +1
《人工智能考核试卷》

本文为人工智能考核试卷，包含基础简答题和基础公式推导题两部分。简答题涵盖矩阵运算、损失函数选择、激活函数特性、过拟合与正则化、反向传播优化、模型评估方法及医疗诊断模型评估指标（精度与召回率）的应用分析。公式推导题要求详细描述单层前馈神经网络的前向传播过程（含ReLU和Sigmoid激活函数）、交叉熵损失函数定义、反向传播梯度计算（包括权重更新公式），以及梯度下降法的实现步骤。试题全面考察了矩阵操作

 秋天是倒放的春天963
2025-06-29 19:53:03

 1433

 15

#学习 #神经网络 #人工智能 +2
面向隐私保护的机器学习：联邦学习技术解析与应用

联邦学习技术为解决数据隐私与机器学习需求间的矛盾提供了创新方案。该技术通过分布式训练方式，让参与方保留原始数据而仅共享模型参数，实现了隐私保护下的联合建模。文章系统阐述了联邦学习的基本原理、在个性化推荐、医疗数据分析等领域的应用场景，并分析了面临的通信效率、收敛速度等挑战及其应对策略。展望未来，跨领域应用、与边缘计算融合及标准化建设将成为重要发展方向。联邦学习有望在保护数据隐私的同时促进数据价值挖

 Blossom.116
2025-06-28 12:56:26

 973

 5

#机器学习 #人工智能 #深度学习 +4
Transformer

摘要：Transformer是由Google在2017年提出的革命性深度学习模型，其核心是自注意力机制，替代了传统RNN和CNN。该模型由编码器和解码器组成，具有并行计算能力强、长距离依赖建模等优势。在NLP领域广泛应用，催生了BERT、GPT等经典模型，推动机器翻译、文本生成等任务取得突破性进展。Transformer的高效性和灵活性使其成为人工智能领域的重要技术基础。

m0_58209778
2025-06-28 00:15:00

 2100

 35

#transformer #深度学习 #人工智能 +2
Xception卷积神经网络动物识别

一随着人工智能技术的飞速发展，图像识别在众多领域都有着广泛的应用。动物识别作为图像识别的一个重要分支，对于野生动物保护、宠物管理、生态研究等诸多方面都有着重要的意义。例如，在野生动物保护中，通过自动识别动物种类，可以更高效地进行物种监测和保护工作；在宠物管理方面，能够快速准确地识别宠物种类，有助于宠物走失后的快速找回等。本项目旨在利用深度学习中的卷积神经网络（Xception）来实现动物识别功能，

2401_85346887
2025-06-27 18:28:28

 1587

 49

#cnn #人工智能 #神经网络
卷积神经网络（CNN）：图像识别的利器，原理深度剖析

《揭秘卷积神经网络：图像识别的核心技术》摘要：卷积神经网络(CNN)是图像识别领域的核心算法，其灵感源自生物视觉系统。典型CNN结构包含卷积层（特征提取）、池化层（降维处理）和全连接层（分类输出）三大部分。从1998年LeNet-5到2012年革命性的AlexNet，CNN架构持续进化，在图像分类、目标检测等任务中表现卓越。初学者可通过学习数学基础、编程技能，使用TensorFlow等框架实践入

 六月星辰梓
2025-06-27 11:49:56

 1008

 20

#cnn #人工智能 #神经网络 +4
人工智能编程三大核心流程详解--机器学习、神经网络、NLP自然语言处理

本文详解人工智能编程的三大核心流程：1）机器学习中的误差计算流程，包括损失函数选择（如MSE、交叉熵）、反向传播与参数优化步骤；2）深度学习的神经网络搭建流程，涵盖输入层设计、隐藏层堆叠（CNN/LSTM等）、输出层配置及模型编译训练；3）NLP处理与可视化流程，从文本预处理（分词、清洗）、特征工程（词嵌入、TF-IDF）到可视化展示（词云、情感分析图）。每个流程均配有代码示例（PyTorch、K

_sias
2025-06-26 10:17:41

 1995

 49

#nlp #人工智能 #机器学习 +2
国产远程工具推荐：国产远程工具如何重新定义高效连接？

国产远程工具推荐：国产远程工具如何重新定义高效连接？

CSDN北京话事人:默语
2025-05-11 10:29:13

 2.8w

 70

#网络 #网络协议 #神经网络 +3
【机器学习】神经网络、隐藏层的基本概念、如何选择隐藏层数量以及胶囊网络对神经网络的影响

神经网络由大量相互连接的节点（称为神经元）组成，这些节点分为不同的层次：输入层、隐藏层和输出层。每个神经元接收来自前一层节点的输入，并通过一个激活函数（如Sigmoid、ReLU等）处理这些输入，然后将结果传递给下一层神经网络是一种强大的机器学习工具，但它们也存在一些挑战，如过拟合、参数调整等。在使用神经网络时，需要仔细设计网络结构、选择合适的激活函数和优化算法，并进行充分的训练和验证。

Lossya
2024-09-02 17:30:00

 3870

 14

#机器学习 #神经网络 #网络 +3
2024年诺贝尔物理学奖授予机器学习与神经网络：变革、应用与展望

移动端可微信小程序搜索“”）总架构师，15年工作经验，精通Java编程高并发设计，熟悉LinuxESXI虚拟化以及，热衷于探索科技的边界，并将理论知识转化为实际应用。保持对新技术的好奇心，乐于分享所学，希望通过我的实践经历和见解，启发他人的创新思维。在这里，我希望能与志同道合的朋友交流探讨，共同进步，一起在技术的世界里不断学习成长。

forestsea
2024-10-11 18:04:14

 4161

 57

#机器学习 #神经网络 #人工智能
【深度学习基础】深度学习导论

本文介绍深度学习的相关概述，包括机器学习的关键组件和各种问题，深度学习的起源、发展、成功案例和特点。

Francek Chen
2024-10-10 17:02:21

 3075

 78

#深度学习 #人工智能 #机器学习 +2
CVPR 2023 | 去雨去噪去模糊，图像low-level任务，视觉AIGC系列

Learning A Sparse Transformer Network for Effective Image Deraining基于Transformer的方法在图像去雨任务中取得了显著的性能，因为它们可以对重要的非局部信息进行建模，这对高质量的图像重建至关重要。本文发现大多数现有的Transformer通常使用查询-键对中的所有token的相似性进行特征聚合。然而，如果查询中的token与

 机器学习与AI生成创作
2023-05-29 21:35:46

 4135

 1

#深度学习 #人工智能 #计算机视觉 +1
浅层与深层、局部与全局、低级与高级特征的辨析

浅层网络更注重于细节信息深层网络更注重于语义信息浅层网络：一般感受野较小，能够利用更多的细粒度特征信息，而且此时特征图每个像素点对应的感受野重叠区域还很小，这就保证了网络能够捕获更多细节。深层网络：随着下采样或卷积次数增加，感受野逐渐增加，感受野之间重叠区域也不断增加，此时的像素点代表的信息是一个区域的信息，获得的是这块区域或相邻区域之间的特征信息，相对不够细粒度，但语义信息丰富。低级特征来源于浅

 Billie使劲学
2022-07-05 14:57:12

 7865

 28

#计算机视觉 #人工智能 #神经网络 +1
YOLOv5s网络模型讲解(一看就会)

YOLOv5s模型介绍

 曾桂花酒同少年游
2023-03-08 18:55:42

 5.4w

 102

#深度学习 #神经网络