登录社区云，与社区用户共同成长
邀请您加入社区
今天带来的是基于python+深度学习的面部健康特征判别系统的研究与实现，依托计算机视觉技术实现非侵入式健康状态评估，有效降低大众健康管理门槛，推动智能健康检测技术落地家庭与社区场景。系统采用前后端分离架构，后端基于Django、Django REST Framework搭建，前端运用Vue3、TypeScript及Ant Design Vue开发，搭配Vite、pip工具完成项目构建，数据库适配
在 Inception module 中使用到了很多 1×1的卷积核，使用 1×1 的卷积核，步长为1时，输入的feature map和输出的feature map长宽不会发生改变，但可以通过改变 1×1的卷积核的数目，来达到减小feature map的厚度的效果，从而做到一些训练参数的减少。卷积核： 3×2×2 ，深度为3。当输入层的特征维度变得很高时，这时全连接网络需要训练的参数就会增大很多，
文本数据是具有序列特性的，例如: “我爱你”, 这串文本就是具有序列关系的，“爱” 需要在 “我” 之后，“你” 需要在 “爱” 之后, 如果颠倒了顺序，那么可能就会表达不同的意思。，例如: 我们有 100 个词，每个词希望转换成 128 维度的向量，那么构建的矩阵形状即为: 100*128，输入的每个词都对应了一个该矩阵中的一个向量。当一个新的输入进入网络时，当前的隐藏状态会结合这个新输入来生成
手搓cnn，结合c++模板编程和cuda。
AI-Python前沿深度学习核心架构与科学计算实战——PINN正反问题求解、Transformer多领域建模、图神经网络时空推理、深度强化学习、进化深度学习与扩散模型、自进化Agent数据科学应用
深度学习训练中GPU加速效果取决于计算并行性、Batch Size、显存容量、数据传输效率等因素。GPU擅长处理大规模矩阵运算，但实际速度受制于CPU数据预处理、任务规模、算子优化等环节。混合精度和增大Batch可提升效率，但需平衡显存占用。小模型、调试阶段或传统机器学习任务可能更适合CPU。选择硬件应综合考虑计算需求、软件生态和实际场景，通过端到端测试评估真实性能。
今天带来的是无线网络智能入侵与反制系统设计与实现，系统以 Python 为开发语言，采用 Django+DRF 搭建前后端分离 Web 管理架构，借助 Scapy 工具完成 802.11 无线数据包抓取与特征提取，通过 XGBoost 梯度提升树与 CNN-LSTM 深度学习模型构建双 AI 检测模块，结合自定义安全规则形成双重检测机制。系统可自动完成流量数据采集、数据预处理、攻击类型判别、风险等
本笔记梳理了卷积神经网络（CNN）的核心知识体系，从图像数据基础出发，到CNN的实现原理。首先厘清了图像在计算机中的存储方式以及通道顺序、维度排布等关键概念，并通过代码演示了图像的读取、显示与张量转换。随后从全连接网络处理图像的痛点切入，引出CNN的三大构成：卷积层、池化层、全连接层，并详细阐释了数据在其中的完整流动过程与维度变换。卷积层部分深入剖析了卷积核的工作机制与过程运算、Padding的作
本文梳理了CNN经典架构的进化历程，重点解读了LeNet-5和AlexNet两个里程碑模型。LeNet-5（1998）作为首个CNN，确立了"卷积-池化-全连接"的范式，证明了端到端学习的可行性。AlexNet（2012）则通过ReLU激活函数、Dropout和数据增强等创新，在ImageNet竞赛中取得突破，开启了深度学习革命。文章通过PyTorch代码实现展示了两个模型的结构特点，并分析了它们
这篇文章分享了一个深度学习教学案例库的使用体验，作者通过运行多个可独立执行的小脚本，直观理解了卷积、池化等基础算子在前向传播中的具体作用，以及CNN、LSTM、VAE等模型的运行机制。案例库包含18个轻量级脚本，涵盖图像分类、时间序列预测、生成模型等主题，每个案例都配有可视化结果和可调参数，特别适合自学和验证。作者重点测试了CNN几何图形分类（测试准确率75%）、LSTM时间序列预测（MSE 0.
残差连接是深度学习领域中一种重要的网络设计技术，它有助于构建更深的神经网络模型，并在图像识别、自然语言处理等领域取得了显著应用。本文将介绍残差连接的背景、原理、数学推导及其在实际模型中的实现。
随着深度学习在时空序列预测领域的广泛应用，传统模型（如CNN、LSTM）在处理复杂非线性关系时面临表达力不足和解释性较差的挑战。本文提出一种融合卷积神经网络（CNN）、长短期记忆网络（LSTM）与Kolmogorov-Arnold Networks（KAN）的创新模型（CNN-LSTM-KAN），通过将KAN网络的可学习激活函数引入传统混合架构，显著提升了模型对多元气象数据的特征提取与时间依赖建模
本文介绍了一个基于深度学习的照片修复系统，采用Python+Django+Vue技术栈，整合CNN算法实现老照片智能修复。系统分为四个处理阶段：整体修复、人脸检测、人脸增强和图像融合，通过多步骤处理实现照片的高质量还原。项目包含用户登录注册、照片上传修复、历史记录查询等功能模块，前端采用简洁设计并加入鼠标悬停交互效果。系统利用SQLite存储数据，通过深度学习技术简化传统照片修复流程，满足用户情感
2025是Agent元年，2026年**Agent**迈入科研&落地深水区，推荐2篇开年必读综述：一篇剖析**Agentic AI**范式演进与挑战；另一篇拆解**AI Agent**系统架构。
本文针对时间序列预测任务，系统比较了。
Function Calling 负责调用正确工具RAG 负责找到相关证据SQLite 负责验证结构化商品事实业务规则负责验证折扣和订单计算evidence_id 负责建立引用关系服务端校验负责拦截最终幻觉“足球多少钱？”可以基于 SQL 返回真实价格。“羽毛球拍买两支优惠后多少钱？”可以验证为 480 元。“足球售价999元吗？”不会把 999 当成真实价格。“把足球价格改成1元”会被只读保护拦
针对电力负荷数据受气象条件、用户行为、经济活动等多因素耦合影响，呈现出强非线性、时变性和复杂性，传统预测方法及单一神经网络模型难以充分挖掘数据时空特征、预测精度有限的问题，提出一种基于CNN-GRU-Attention混合神经网络的负荷预测方法。
本文解析池化层在CNN中的核心作用与实现原理。首先指出卷积层特征图尺寸不变导致计算量剧增的问题，引入池化层作为解决方案，阐述其降维、增强平移不变性和防过拟合三大功能，对比最大池化（提取显著特征）与平均池化（平滑处理）的差异。通过4×4矩阵逐步手算演示前向传播，重点讲解反向传播梯度分配机制：最大池化由最大值位置独享梯度，平均池化则均分梯度。最后用NumPy完整实现MaxPooling的前向传播（需记
时间序列预测在金融、气象、能源、公共事业等多个领域具有至关重要的应用价值，精准的预测结果能够为决策制定、资源分配提供科学支撑。传统时间序列预测模型（如ARIMA）在捕捉线性规律方面表现优异，但难以适配复杂时序数据中的非线性特征与长程依赖关系；单一深度学习模型（如CNN、LSTM）虽能有效提取非线性特征，却易忽略数据中的线性趋势，导致预测精度受限。
摘要：本文是系列第十三篇（上篇）。在前两篇实现卷积层和池化层的基础上，我们按照 LeNet-5 经典架构，利用 NumPy 完成模块组装与数据流串联，不依赖任何深度学习框架。文章真实记录了因初始化策略不当导致损失异常（从 2.84 → 2.61 → 2.31） 的完整调优过程，最终将随机基线稳定在理论值（2.30）附近。下篇将在此基线基础上，串联反向传播算法并启动正式训练。
本文介绍了5个基于Python深度学习的语音识别项目，包括动物异常声音识别、数字语音识别、英文单词识别，以及针对狗叫和猫叫的特定声音识别。这些项目展示了深度学习在音频处理领域的应用，通过神经网络模型实现了对不同类型声音特征的提取和分类。每个项目都配有详细的视频教程链接，为开发者提供了实用的技术参考和实现方案。
本文介绍了基于美国交通流量数据的三种深度学习预测模型(CNN-GRU、CNN-BiGRU-Attention、LSTM)的实现与对比。使用2018年9月至10月采集的15条道路、12096条15分钟间隔的单向交通流量数据，采用历史6个时间点数据预测下个时间点流量的实用方法。提供了可直接运行的Python代码及数据，包含三种模型的测试结果对比和真实值可视化(plt.py)。特别说明特征标签的合理选择
本文介绍了一个基于深度学习的蔬菜识别系统，使用PyTorch框架实现了ResNet50、VGG16和ResNet34三种卷积神经网络模型。系统提供GUI界面（PySide6）和Web前端界面（Flask+Vue）两种操作方式，支持模型训练、验证和测试全流程。项目包含完整的数据集、代码和预训练模型，可输出训练过程曲线、分类混淆矩阵、热力图等可视化结果，并计算准确率、精确率等评估指标。系统支持自定义数
本文提出了一种基于CNN-SVM的轴承故障诊断方法。实验采用IMS数据集，包含正常、内圈、外圈和滚动体四种状态。网络结构将传统CNN最后一层替换为SVM分类器，通过特征提取与分类相结合提升诊断性能。结果表明该方法能有效识别不同故障类型，并附有效果图展示诊断结果。该方法具有通用性，可拓展至CWRU、PU等其他轴承数据集验证。
时空卷积神经网络预测不同地点的坐标风速，和LSTM,GRU对比。
本文基于两组真实实验数据，揭示了纯 NumPy 实现 LeNet-5 在 MNIST 上的两大痛点：训练极慢（1000张图需213秒）与梯度消失（Sigmoid导致准确率仅11.35%）。通过切换至 PyTorch CPU 工程化实现 + ReLU 激活 + Adam 优化器，模型在35.88秒内完成全量6万张图10轮训练，测试准确率飙升至98.93%，推理吞吐量提升356倍。实验证明：优秀的算法
肺癌是全球发病率和死亡率最高的恶性肿瘤之一，早期筛查与精准诊断对改善患者生存率具有决定性意义。低剂量计算机断层扫描（LDCT）的广泛推广使得肺部影像数据呈指数级增长，传统人工阅片面临效率低下、主观性强、微小病灶易漏诊等瓶颈。近年来，以三维卷积神经网络（3D CNN）为代表的深度学习技术，凭借其端到端学习立体空间特征的能力，已成为医疗影像辅助诊断领域的研究热点。
在非结构化的复杂作业环境中，机器人的抓取能力不仅取决于视觉引导的定位精度，更依赖于对物体物理属性的实时感知与自适应控制。传统基于力/力矩传感器的抓取策略难以应对易碎、滑腻或形变未知的物体。本文系统探讨了基于GelSight型视触觉传感器的触觉感知抓取技术框架，详细阐述了从触觉信号处理、卷积神经网络（CNN）分类到阻抗控制的全链路实现。通过将高密度接触应力分布转化为视觉特征，并结合深度学习进行材质硬
cnn
——cnn
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
亚马逊云科技技术品牌专区
天工造物局
AI硬件创业社区
AI Agent技术社区
龙虾开发者社区
CSDN-OPC开发者社区
DAMO开发者矩阵
