登录社区云，与社区用户共同成长
邀请您加入社区
本文提出一种融合正余弦策略与柯西变异的麻雀优化算法（SCSSA），用于优化卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）的混合时间序列预测模型。实验表明，该模型在金融、气象、交通等多领域数据集上较传统模型（ARIMA、LSTM）及改进优化算法（如PSO-LSTM、GA-SVM）的预测精度提升12%-25%，鲁棒性显著增强。其核心创新在于通过正余弦策略增强全局搜索能力，结合柯西变异提升局
Pytorch是基于Python语言的开源深度学习框架，由Facebook人工智能研究院（FAIR）研发，兼具灵活性和高效性：一方面，Python的语法让Pytorch的代码编写简洁易懂，适合初学者入门；另一方面，Pytorch支持GPU加速训练，能高效处理大规模的神经网络训练任务。从专家系统到AIGC，从感知机到反向传播，从机器学习到深度学习，人工智能的发展跨越了数十年，每一个阶段的突破，都离不
时间序列预测是金融、气象、交通、电力等多个领域决策支持的核心技术，其核心需求是从历史时序数据中挖掘潜在规律，实现对未来数据的精准预判。传统时间序列预测方法（如ARIMA、支持向量机）在处理高维、非线性、非平稳的复杂时序数据时，存在特征提取不充分、预测精度低、鲁棒性不足等局限。近年来，深度学习模型在时序预测中展现出显著优势，其中卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）的混合模型应用
本文基于深度学习技术构建了一个蝴蝶图像分类模型，使用Kaggle提供的包含75种蝴蝶类别的数据集进行实验。通过构建包含三个卷积块的CNN架构，结合批归一化和Dropout正则化技术，模型在验证集上达到79.9%的准确率。研究采用数据增强、早停机制和学习率衰减等策略优化训练过程，有效防止过拟合。实验结果表明该模型能有效识别多数蝴蝶种类，但对部分相似物种仍存在混淆现象。该研究为生物多样性图像识别提供了
本项目基于MATLAB实现卷积神经网络(CNN)进行风电功率预测，包含完整的数据预处理、模型构建、训练优化和可视化分析流程。系统采用滑动窗口处理时序数据，通过多层卷积结构自动提取风电特征，并集成多种正则化方法防止过拟合。项目特点包括：支持多源异构数据融合、专为时序建模优化的CNN架构、智能正则机制、多场景实时预测能力，以及安全可控的模型更新体系。应用场景涵盖电力系统智能调度、风电场运维、电力市场交
用PyTorch搭建卷积神经网络本篇文章是一篇基础向的PyTorch教程，适合有一定的机器学习，深度学习和神经网络理论基础，接触过卷积神经网络，缺没有用过PyTorch搭建神经网络的同学。本文会分成以下几个部分：基础卷积知识PyTorch基础教程用Pytorch搭建CNN优化CNN模型0. 基础图像卷积知识这部分参考MIT的卷积图像课程，讲的非常清楚。图像卷积是处理图像的一种方式。首先一个图像是用
从0到1！想入门大模型(LLM)却不知道从哪开始?我根据最新的技术栈和我自己的经历&理解，帮大家整理了一份LLM学习路线图，涵盖从理论基础到落地应用的全流程!拒绝焦虑，按图索骥~~因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取2025最新版CSDN大礼包：《AGI大模型
本文介绍了一个基于深度学习的多场景图像识别系统，该系统采用PyTorch框架，整合ResNet34、ResNet50和VGG16三种经典CNN模型，支持静态图像分类和模型灵活切换。系统后端使用Python+Django+SQLite构建，前端采用Vue3+ElementUI实现交互界面，提供图像上传、模型选择、结果可视化及历史记录管理等功能。通过OpenCV和Torchvision完成图像预处理，
在众多领域，如气象学、经济学、工程学等，常常需要对多个变量进行回归预测。例如，在气象预测中，不仅要预测温度，还需考虑湿度、气压、风速等多个变量，以更全面准确地预报天气状况；在金融领域，预测股票价格时，除了历史价格数据，还需综合考虑宏观经济指标、公司财务数据等多种变量。多变量回归预测旨在建立一个模型，通过对多个相关变量的分析，预测目标变量的数值，为决策制定提供重要依据。
本文提出ABC模型，用于红外小目标检测，通过融合CNN的局部特征提取能力和Transformer的全局相关性建模。核心创新包括：1) CLFT模块，采用双线性注意力计算全局相关性并与局部特征相乘，有效抑制噪声；2) UCDC模块，通过动态调整感受野精细化处理深层特征。实验表明，该方法在抑制虚警和增强目标特征方面具有显著优势，为红外小目标检测提供了新思路。
构建RAG系统时，Bi-Encoder、Cross-Encoder、SPLADE、ColBERT这几个术语几乎都会在一起出现，表面上看它们都在做文本相似度计算但为什么需要这么多不同的模型？是一个不够用吗？
RLHF（Reinforcement Learning from Human Feedback）提出了一种将大语言模型与人类意图对齐的方法，通过监督微调、奖励模型训练和强化学习三个阶段，使模型能够生成更有帮助、更真实、更无害的回答。该方法训练的InstructGPT模型在人类评估中超越了参数量大100倍的GPT-3，成为大模型对齐的核心技术。本文深入解析RLHF的技术流程、关键设计及其对AI安全的
本文以趣味方式解析了目标检测六大经典算法：R-CNN 像考古队挖坑，开创两阶段检测先河，但效率低；Fast R-CNN 似中央厨房备菜，通过整图卷积和 RoI 池化提升速度；Faster R-CNN 如神射手自画靶心，引入 RPN 实现端到端训练；YOLO 像涮毛肚般快准狠，以单阶段检测实现实时性，但小目标检测弱；SSD 似九宫格火锅，多尺度特征图兼顾大小目标，平衡速度与精度；DETR 则如翻译软
网上大部分是关于tensorflow，使用pytorch的比较少，本文也在之前大佬写的的基础上，进行了数据集的完善，和代码的优化，效果可比之前好一点。
cnn
——cnn
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
九章云极普惠算力
