论文复现集合

最新推荐文章于 2025-11-29 21:36:48 发布
原创 最新推荐文章于 2025-11-29 21:36:48 发布 · 340 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #神经网络 #人工智能

本文介绍了几种经典的神经网络模型，包括多层感知机(MLP)作为基础，AlexNet如何开启深度学习时代，ResNet通过残差学习解决梯度消失问题，以及UNet在图像分割领域的应用。这些模型对现代深度学习的发展产生了深远影响。

目录

1经典神经网络模型

1.1 多层感知机MLP

1.2 AlexNet网络

1.3 ResNet网络

1.4 UNet网络

夜石
关注
transformer论文复现（论文复现）
wei_shuo的博客
09-24 1865
transformer论文复现（论文复现）
深度学习复盘与论文复现A
QuantumYou的博客
05-26 1713
在Python中，有一些特殊的方法（通常被称为“魔法方法”或“双下划线方法”）是由Python解释器预定义的，它们允许对象进行某些特殊的操作或重载常见的运算符。这些魔法方法通常以双下划线（__）开始和结束。初始化方法在创建对象时自动调用，用于初始化对象的状态。字符串表示方法和用于定义对象的字符串表示。__str__用于在print函数中，而__repr__用于在repr函数中。)"比较方法：如等用于定义对象之间的比较操作。算术运算符方法：如等用于定义对象之间的算术运算。容器方法：如等。
CycleGan论文代码复现流程及问题合集
w696999的博客
06-14 1688
1.首先配置环境：tensorflow：2.0.0+keras：2.3.1 +python：3.5/3.62.git clone3.在该目录下，建立dataset文件夹，将下载的数据集都放在里边4.建立训练集和测试集(这一步不用做呀！)然后就可以打开pycharm RUN啦！第一次运行肯定会遇到好多包都没有 （no module named XXXX），缺啥安啥就行cv2—— opencv-python5.Jupyter-notebook：添加kernel： python -m ipykernel in
人工智能项目论文复现
QuantumYou的博客
07-07 1921
监督学习是利用标记数据进行训练，可以用于分类、回归等任务。无监督学习则是利用未标记数据进行训练，可以用于聚类、异常检测等任务（没有对与错，寻找数据的共同特点）。半监督学习则是介于监督学习和无监督学习之间的一种学习方式，利用一小部分已标记数据和大量未标记数据进行训练。强化学习则是利用智能体与环境的交互进行学习，可以用于处理与环境交互的问题。无监督学习 是机器学习的一种重要类型，它专注于从未标记或未分类的数据中发现隐藏的模式和结构。
价格-需求模型论文复现
Staaaying
11-14 1058
价格-需求模型论文复现 背景描述 给定N个商品集合，确定包含K组商品价格的价格集合以及每个商品的库存约束后，希望通过观察T=1,2,…,t时的价格-需求关系推测出T=t+1时满足库存约束的利润最大价格K 需求 主要涉及到三个算法：BZ,GP-TS,GP-PTS Daniel Ringbeck, Dynamic Pricing & Learning: An Application of Gaussian Process Regression 按照论文中给出的步骤实现相应算法并按照论文中的参数设置进行
图像分割论文复现0
qq_41815658的博客
05-25 481
图像分割论文复现0 数据集数据特点\ 论文阅读地址 数据集 使用Paddle的常规赛：PALM眼底彩照中黄斑中央凹定位中的公开数据集 数据特点\ 2124*2056像素 该数据集合中视盘大部分在左边，但是有少部分的图片其视盘在中央，==考虑是否需要将视盘在中央的作为不太合规的数据清理出去。因为在中央的视盘，没有办法通过变换使得视盘在图片的左边，如果是视盘在图片的右边，我们就可以通过镜像使得图像归一化。==如果按照论文思路来，是不需要将数据归一化处理。 该数据存在黑边，必须要避免黑边作为噪音的干扰。 .
【论文复现】LSTM长短记忆网络
weixin_73074012的博客
05-26 2393
LSTM作为经典模型，可以用来做语言模型，实现类似于语言模型的功能，同时还经常用于做时间序列。由于LSTM的原版论文相关版权问题，这里以colah大佬的博客为基础进行讲解。之前写过一篇Tensorflow中的LSTM详解，但是原理部分跟代码部分的联系并不紧密，实践性较强但是如果想要进行更加深入的调试就会出现原理性上面的问题，因此特此作文解决这个问题，想要用LSTM这个有趣的模型做出更加好的机器学习效果😊。# 定义单个LSTM单元# 定义单个LSTM单元。
PointNet++论文复现
Srlua的博客
11-27 1215
本文将带你了解3D点云基础，包括点云数据可视化，PointNet++点云分类
【论文复现】Graph Attention Networks图注意力神经网络
weixin_73074012的博客
05-05 2061
这篇论文提出的核心方法就是在计算一个节点的输出的时候考虑与其相邻的节点对当前节点的影响，同时也将节点对自己的影响考虑在内，为了方便后续解释中将简化成GAT来表述，阅读原版论文有困难可以看一下Aleksa大神录制的讲解视频辅助理解，我在看完视频以后对第多头注意力下的结果输出部分茅塞顿开，同时对自己看论文的时候的一些理解也更加深刻了；另外还有B站上的GAT代码讲解视频的讲解很详细,相比于pytorch给出的源码。
论文复现基于文本挖掘的互联网医疗平台用户画像模型构建.rar
07-02
随着互联网医疗行业的蓬勃发展，如何更有效...重要的是，这项研究和复现工作强调了数据分析在互联网医疗行业中的重要性，以及如何通过技术创新来提高服务质量。这也为未来的相关研究和技术实践提供了宝贵的经验和参考。
论文复现风光制氢合成氨系统优化研究（Matlab代码实现）
11-10
包括虚拟电厂多时间【论文复现】风光制氢合成氨系统优化研究（Matlab代码实现）尺度调度、Copula理论在光伏预测中的应用、智能优化算法（如NSGAII、PSO、鲸鱼算法）在路径规划与参数优化中的实践，以及电力系统仿真...
鱼类识别系统【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积神经网络算法
2301_78372746的博客
11-24 2232
鱼类识别系统，基于TensorFlow搭建卷积神经网络算法，通过收集了包括‘墨鱼’、‘多宝鱼’、‘带鱼’、‘石斑鱼’等在内的30种鱼类图像数据集进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。
ResNet (2015)（卷积神经网络）
weixin_45556264的博客
11-23 792
它不是一个复杂的理论突破，而是一个极其优雅和有效的工程解决方案，其“大道至简”的思想深刻地影响了整个领域。直到今天，基于ResNet的架构仍然是许多视觉任务的强大基线。在ResNet出现之前，主流的认知是：网络越深，表达能力越强，性能应该越好。论文中提出了几种不同深度的ResNet变体，最著名的是ResNet-34和ResNet-50/101/152。这种下降不是由过拟合引起的，因为即使在训练集上，深层的模型误差也比浅层模型更高。这是ResNet的核心构建模块。，巧妙地解决了极深神经网络的。
深度学习——神经网络
2303_80634169的博客
11-24 4067
本文梳理了深度学习中的核心网络模型及其组件。基础模型包括MLP（全连接层堆叠）、CNN（卷积结构处理图像）、RNN（循环结构处理序列）和Transformer（自注意力机制）。扩展模型涵盖跨模态融合（如CLIP）、图神经网络（如GCN）和强化学习网络（如DQN）。核心组件涉及网络层（卷积/全连接/注意力等）、激活函数（ReLU/Sigmoid等）、优化器（Adam/SGD等）、损失函数（交叉熵/MSE等）以及数据处理方法。通过系统分类和典型示例，为深度学习模型选择与设计提供参考框架。
深度学习：从技术本质到未来图景的全面解析
m0_71934846的博客
11-29 839
摘要 深度学习作为人工智能的核心技术，通过多层神经网络模拟人脑机制，实现端到端学习，广泛应用于图像识别、自然语言处理、自动驾驶等领域。其核心技术包括卷积神经网络（CNN）、循环神经网络（RNN）以及优化算法与损失函数。尽管深度学习已深刻改变产业模式，但仍面临数据依赖、可解释性差、算力消耗等挑战。未来发展趋势包括自监督学习、可解释AI、多模态学习及通用人工智能（AGI）。深度学习不仅推动技术革新，也对个人职业发展和社会数字化进程产生深远影响。
中文社交媒体情感分析实战：基于B站评论的机器学习与深度学习对比
m0_54846764的博客
11-29 687
评论内容：用户原始评论文本（核心分析对象）评论时间：发布时间戳（用于时间趋势分析）类别：情感标签（-1=负面，0=中性，1=正面）视频标题/网址：评论所属内容上下文数据预处理是关键：去重、分词、停用词过滤三步使数据质量提升30%特征工程决定上限：1-gram+2-gram的TF-IDF特征比单纯1-gram提升5%准确率模型选择需适配场景：SVM适合追求高精度的离线分析，朴素贝叶斯适合实时部署。
AI 算法竞赛通关指南：基于深度学习的图像分类模型优化实战
LplLpl11的博客
11-29 165
图像分类竞赛的通关逻辑可概括为：以优质数据预处理为基础，搭建轻量化基线模型，通过结构优化、训练策略调优与多模型融合逐步提升性能，最终借助科学的竞赛策略实现冲分。这些优化技巧不仅适用于竞赛，更可迁移至实际工业场景 —— 无论是小样本数据、硬件受限环境，还是高精度要求场景，均可通过这套逻辑找到适配的解决方案。未来，轻量化模型、低资源训练技术将成为竞赛与实际应用的核心趋势，选手需持续关注技术动态，沉淀数据驱动的优化思维，才能在各类竞赛中保持竞争力。
【食物识别系统】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积网络+resnet50算法
子午的博客
11-29 464
食物识别系统，本系统基于TensorFlow框架，构建了一个结合深度学习与Web应用的智能食物识别平台。系统采用卷积神经网络（CNN）对涵盖11类日常食物（‘面包’, ‘乳制品’, ‘甜点’, ‘蛋类’, ‘油炸食品’, ‘肉类’, ‘面食’, ‘米饭’, ‘海鲜’, ‘汤羹’, ‘蔬菜水果’）的图像数据进行多轮训练，最终生成高精度识别模型，并部署为可交互的Web应用。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能。
基于深度学习的安全帽检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
最新发布
ningfoshao8678的博客
11-29 457
本文介绍了一套基于YOLO系列算法的智能安全帽检测系统。系统采用YOLOv5/v8/v11/v12等多种模型，支持图片、视频和实时摄像头的安全帽检测，具备用户管理、多模型切换等功能。通过对比实验显示，YOLO12n模型表现最优（mAP40.6%），YOLO11n速度最快（56.1ms）。系统训练数据集包含7000余张图片，最终实现安全帽识别准确率达90-93%，综合mAP@0.5达到94.6%。该系统为工业生产安全监管提供了高效可靠的智能化解决方案。
论文复现
05-01
### 论文复现的方法、工具和代码实现 #### 方法概述 论文复现通常涉及以下几个方面的工作：理解论文的核心算法和技术细节[^1]，获取或构建实验所需的环境和数据集[^2]，编写或调整代码以匹配论文中的描述，并最终验证结果的一致性。以下是具体方法： - **深入研究论文** 阅读并分析目标论文的内容，重点关注其提出的理论框架、模型结构、损失函数设计以及实验设置等核心部分[^3]。 - **准备开发环境** 使用Python作为主要编程语言，并安装必要的库如PyTorch或TensorFlow来支持深度学习任务。此外还需要配置GPU加速以便高效处理大规模数据集[^4]。 - **收集资源材料** 寻找已公开的源码仓库或者通过专门平台(例如Replicate)[^3], 下载预训练模型权重文件用于初始化网络参数, 这样可以节省大量时间成本. - **调试与优化程序** 根据实际需求修改官方给出的基础版本(test_benchmark.py), 调整超参比如`weights_path`, `scale`, 和其他影响输出效果的关键变量值 [^4]. --- #### 推荐使用的工具 为了更顺利地完成整个流程, 可考虑采用如下几类辅助软件和服务: 1. **版本控制系统**: Git/GitHub - 方便管理和分享项目进展. 2. **虚拟化技术**: Docker/Conda - 创建隔离且一致性的执行空间减少兼容性问题发生几率. 3. **云端服务平台**: Google Colab / AWS SageMaker - 提供强大算力满足复杂运算要求的同时降低本地硬件负担. 4. **文档生成器**: Sphinx/ReadTheDocs - 自动生成高质量的技术手册帮助他人快速上手操作指南. 5. **协作交流渠道**: Slack/Discord - 组建团队讨论区促进成员间沟通效率提升解决问题速度. --- #### 实际案例解析 (基于WDSR) 下面展示如何利用现有资料重现一篇有关图像超分辨率重建的文章——即《【图像超分】论文复现：Pytorch实现WDSR》所介绍的过程[^2]: ```python import torch from model import WDSR_A # 自定义模块导入 device = 'cuda' if torch.cuda.is_available() else 'cpu' # 加载预先保存的最佳状态字典 state_dict = torch.load('best_model.pth', map_location=device) net = WDSR_A().to(device) # 初始化实例对象 net.load_state_dict(state_dict['model']) # 将权重映射到当前架构之上 def evaluate(): net.eval() with torch.no_grad(): lr_img = ... # 输入低分辨率图片张量形式表示 sr_img = net(lr_img) # 执行前向传播得到高分辨估计结果 return sr_img.cpu().numpy() if __name__ == '__main__': result = evaluate() print(result.shape) # 输出形状确认转换成功与否 ``` 以上脚本片段展示了加载特定类别(WDSR-A variant) 的神经网络及其关联参数集合之后对其进行推理评测的基本逻辑走向。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值