- 博客(95)
- 收藏
- 关注
RSS订阅原创 手搓机器学习代码进步太快了！（附学习资料）
感知机是机器学习历史上第一个真正意义的神经网络的模型，其他深度学习模型都是在这个基础上发展改进的，算法实现简单，易于理解，后续启发了MLP和反向传播等发展，这个可以看一看，手撕感觉意义不大，还不如手撕MLP。k-means算法是一类聚类算法，属于无监督学习，通过设置K参数，期望最终聚类成K个簇，注意和分类算法进行区分，算法相对来说比其他的复杂，可以看一下代码就行，多看代码一定会有进步的。如果你正在学习机器学习入门，纯粹学习机器学习理论，容易陷入迷茫，不清楚算法怎么使用，以及怎么实现这个算法。
2025-11-25 09:50:20
262
原创 这是一份机器学习算法的Python实现教程！（附学习资料）
这篇文章介绍了一个开源的机器学习算法Python实现教程，由lawlite19大佬开发并获高星评价。教程详细解析了7种核心算法的底层实现原理：线性回归、逻辑回归、BP神经网络、支持向量机、K-means聚类、PCA降维和异常检测算法。每个算法都包含代价函数、梯度下降等核心组件的代码实现，并配有sklearn库的对比实现。文章指出机器学习算法具有共通的结构特征，理解这些底层实现能加深理论认知。读者可通过添加小助手或关注"AI技术星球"公众号，回复"221C"免费获取相关
2025-11-25 09:41:21
295
原创 深度学习水论文无非就是排列组合，会讲故事，搭积木永不过时！
这里我收集了七大模块（Mamba模块、卷积模块、频域模块、特征融合模块、下采样模块、注意力模块、时间序列模块），共有98个即插即用的模块，都包含了论文和代码，把模块加到自己的网路中，如果有提升就可以具体看看这个模块的文章。其采用可变形卷积核与自适应感受野调整策略，能够更精准地捕捉输入数据的空间特征，该模块支持即插即用，可无缝集成到现有架构中，为CV提供更高效的特征提取方案。该模块能显著提升模型的特征表达能力，在保证计算效率的同时，使各类任务的准确率提升10%-15%。说直白点，就是缝模块。
2025-09-17 16:52:19
367
原创 万字解析！一文带你了解深度学习中经典神经网络结构--CNN、RNN、LSTM、Transformer！原创JOYCE_Leo16AI评论员2025年06
与传统神经网络不同，RNN通过隐藏状态（hidden state）的循环连接，将前一个时间步的输出作为当前时间步的输入，从而实现对序列数据的时序建模。另外想结合AI发文发刊，但不知道怎么做创新的同学，我们team磨练出了一套系统且专业的传统学科交叉AI科研入门方案，可带学生发paper，已迭代五次（持续迭代中），我们会根据你的研究方向来规划学习路径，并且根据你的实验数据分为了时序、图结构、影像三大实验室。圆形隐藏层不仅考虑了当前的输入，还综合了之前所有的输入信息，能够利用历史信息来影响未来的输出。
2025-09-17 16:49:15
899
原创 看完这本1220页的教程书还不懂机器学习的可能性接近于0！
第19章：深度神经网络 II（GAN、VAE、Transformer、Self-Supervised Learning、Diffusion Models）第18章：深度神经网络 I（Perceptron、BP、CNN、RNN、Dropout）第7章：分类器基础（贝叶斯、KNN、逻辑回归、Fisher判别、Boosting等）第5–6章：在线学习、梯度下降、最小二乘方法（包括RLS、LMS、SGD）第3章：参数建模中的学习方法（含线性回归、最大似然、贝叶斯估计等）第11章：核方法与支持向量机（SVM）
2025-09-15 14:07:13
367
原创 真心分享！纯新手怎么简单高效入门机器学习深度学习？
整个学习路线看完大家应该就知道了学深度学习并不是单独去学深度学习的知识就可以的，它还涉及底层数学、编程、代码、各种工具的使用，好了今天的分享结束了，大家学习中遇到任何问题都可以和我说。三本深度学习绝对经典的教程书，三本评分都非常高（有了前面的代码基础三本书都可以很好的学习），大家可以根据个人喜好选一本，其中第三本是沐神出的，B站上还有视频。函数、极限与连续、导数与微分、微分中值定理与导数的应用、函数的积分、定积分的应用、向量与空间解析几何、多元函数微分学、多元函数微分学的应用、常微分方程。
2025-09-15 14:02:34
784
原创 要做机器学习是不是非学数学不可？又要学到什么程度才行？
摘要：机器学习需要扎实的数学基础，包括微积分、线性代数、概率统计和优化方法等，仅会调用Python工具包是不够的。为帮助学习者掌握相关数学知识，推荐两本优质教材：《人工智能：数学基础》系统讲解AI领域的数学内核；《机器学习的数学》专为零基础设计，将抽象概念转化为实用工具。关注公众号可免费获取相关资料。
2025-09-13 17:35:28
575
原创 一文详解经典卷积神经网络（LeNet、AlexNet、VGGNet、GoogLeNet、ResNet、DenseNet等）
大家好！今天用一篇文章对经典的卷积神经网络进行详解，包含LeNet、AlexNet、VGGNet、NiN、GoogLeNet、ResNet、DenseNet，同时我也整理关于神经网络几大主流SOTA模型及相关变体的论文与代码仓库，可添加我的小助手无偿获取~文章中所有的数据和资料，可添加小助手无偿分享~扫码添加小助手即可无偿获取~也可以关注“AI技术星球”公众号，关注后回复“221C”获取。LeNet : 基础图像识别网络 (1998)
2025-09-13 17:31:41
697
原创 看完还不懂什么是机器学习的概率基本为0！
机器学习是让计算机从数据中自主学习的技术，无需编写明确规则。它通过识别数据模式自动适应新情况，解决复杂问题，并挖掘海量数据中的隐藏洞察。机器学习分为监督学习、无监督学习、半监督学习和强化学习等类型，适用于规则复杂、环境动态或需要分析大数据的场景。构建有效模型需注意数据质量和模型选择，避免过拟合和欠拟合。成功的机器学习项目需要合理的数据划分（训练集、验证集和测试集）和严格测试。
2025-09-12 09:59:57
1267
原创 AI医学必看！使用SHAP解释医疗机器学习模型中的预测结果
AI在医疗领域的应用需要可解释性，仅凭预测准确率无法建立信任。SHAP（SHapley Additive exPlanations）技术通过揭示机器学习模型的决策依据，帮助理解特征（如BMI、年龄、血压）对预测结果的贡献程度。本文以糖尿病风险预测为例，展示SHAP如何从三个层面提供解释：1）全局特征重要性，识别关键风险因素；2）特征效应分析，揭示各因素与风险的关联；3）个体预测解释，说明具体病例的风险评分依据。这种透明度使医生能验证模型逻辑是否与医学认知一致，患者能理解预测依据，从而提升AI在医疗决策中的可
2025-09-12 09:34:01
1049
原创 真得收藏！深度学习模型一网打尽！
本文系统介绍了深度学习领域的关键模型及其应用场景。从基础的感知机、多层感知机到CNN、RNN、Transformer等主流模型，再到GAN、VAE等生成模型，以及Q学习、DQN等强化学习方法，全面涵盖了计算机视觉、自然语言处理、序列分析等任务。文章还特别介绍了BERT、GPT、DALL·E等前沿模型，并提供了U-Net、YOLO等实用模型的工程应用场景。此外，文中还推广了一套AI科研入门学习方案，包含时序、影像和AI+实验室三个方向，承诺5个月左右的学习周期即可产出科研成果。所有资料可通过公众号或添加小助手
2025-09-12 09:28:08
811
原创 深度学习入门教程（附详细解释笔记）
【摘要】本文介绍了深度学习入门的学习路径，将6周课程分为循序渐进的阶段：第一周机器学习基础，第二周深度学习和CNN，第三周RNN和注意力机制，第四周Transformer，第五周GAN和自监督学习，第六周迁移学习和强化学习。文章推荐结合李宏毅、沐神等优质教程资源学习，并提供"AI技术星球"公众号获取配套资料的方式。作者强调深度学习入门关键在于坚持，通过分阶段攻克重点内容（如CNN、Transformer等），配合优质学习资源，可以系统掌握深度学习核心知识。
2025-09-11 17:58:06
181
原创 机器学习深度学习入门课程（附课件和学习笔记）
第13讲（难度***）: 介绍对抗攻击，是指针对机器学习模型，尤其是深度学习模型的一种攻击方式。第9讲（难度***）: 介绍Seq2Seq，输入一个序列，输出一个序列的学习任务，深度学习时间序列要解决的问题，重点看看模型结构有哪些部分组成，每一部分的功能，现在其他时间序列模型大部分都是采用这种结构的变体。第16讲（难度***）: 介绍强化学习基础，了解强化学习解决的问题，智能体，环境，奖励等概念，贝尔曼公式，RLHF, PPO, DPO, IPO等算法，强化学习在大模型领域有重要应用。
2025-09-11 17:54:33
538
原创 深度学习不会缝合模块就死记这4种方法！！！
摘要：本文介绍了深度学习中四种模块缝合方法：串行连接（如ResNet）、并行处理（如GoogLeNet）、交互式组合（如BERT）和多尺度融合（如FPN）。这些方法可快速搭建高效模型，同时提供80多个即插即用模块和1500篇顶会论文资源。
2025-09-10 15:50:04
238
原创 顶会连发！小波变换+注意力风头无两！新SOTA预测误差猛降10倍
【摘要】小波变换与注意力机制结合成为提升模型性能的热门方法，近期在多个领域取得突破性进展。MAWNO模型通过该技术实现预测误差降低10倍，BWG机制实现雾天场景分割泛化，EWT方法优化图像去噪效率。9种创新方案涵盖不同注意力机制与小波基函数的组合，适用于生化系统轨迹捕捉、盲图修复、人脸超分辨率等场景。相关资料可通过"AI技术星球"公众号回复"221C"获取。这一融合方法能显著增强特征提取能力，降低计算成本，已在多项顶会研究中验证其有效性。
2025-09-10 15:45:30
471
原创 机器学习深度学习入门课程（附课件和学习笔记）
第13讲（难度***）: 介绍对抗攻击，是指针对机器学习模型，尤其是深度学习模型的一种攻击方式。第9讲（难度***）: 介绍Seq2Seq，输入一个序列，输出一个序列的学习任务，深度学习时间序列要解决的问题，重点看看模型结构有哪些部分组成，每一部分的功能，现在其他时间序列模型大部分都是采用这种结构的变体。第16讲（难度***）: 介绍强化学习基础，了解强化学习解决的问题，智能体，环境，奖励等概念，贝尔曼公式，RLHF, PPO, DPO, IPO等算法，强化学习在大模型领域有重要应用。
2025-09-06 17:57:29
834
原创 掌握这四个要素，轻松理解几乎所有机器学习算法！
这非常直观，如果我们的函数衡量的是观测值和预测值之间的某种距离，那么当这个距离被最小化时，随着模型的学习，观测值和预测值之间的差异将逐渐减小，这意味着我们的算法预测正在成为对实际值的更好估计。机器学习算法必须有一个损失函数，当这个函数被优化时，算法的预测能够尽可能准确地估计实际值，损失函数的优化过程就是学习的过程。因此，你选择的数据特征（即作为输入的重要数据）会显著影响算法的性能。我们可以想象在这个图上随机选择一个点（模型参数是随机初始化的，因此初始“预测”是随机的，函数的初始值也是随机的）。
2025-09-04 17:48:05
1081
原创 真心分享！纯新手怎么简单高效入门机器学习深度学习？
整个学习路线看完大家应该就知道了学深度学习并不是单独去学深度学习的知识就可以的，它还涉及底层数学、编程、代码、各种工具的使用，好了今天的分享结束了，大家学习中遇到任何问题都可以和我说！三本深度学习绝对经典的教程书，三本评分都非常高（有了前面的代码基础三本书都可以很好的学习），大家可以根据个人喜好选一本，其中第三本是沐神出的，B站上还有视频。函数、极限与连续、导数与微分、微分中值定理与导数的应用、函数的积分、定积分的应用、向量与空间解析几何、多元函数微分学、多元函数微分学的应用、常微分方程。
2025-09-04 17:45:07
953
原创 AI大模型落地不远了！首个全量化Vision Transformer的方法FQ-ViT（附源代码）
随着近两年来对视觉Transformer模型（ViT）的深入研究，ViT的表达能力不断提升，并已经在大部分视觉基础任务 (分类，检测，分割等) 上实现了大幅度的性能突破。然而，很多实际应用场景对模型实时推理的能力要求较高，但大部分轻量化ViT仍无法在多个部署场景 （GPU，CPU，ONNX，移动端等）达到与轻量级CNN（如MobileNet） 相媲美的速度。在8位的情况下，这种差异不会产生太大的差异。下面的这两张图表明，与CNN相比，视觉转换器中存在严重的通道间变化，这导致了分层量化的不可接受的量化误差。
2025-09-03 15:01:03
698
原创 YOLO-S：小目标检测的轻量级、精确的类YOLO网络
如上图b所示，是一个微小而快速的网络，它利用图c所示的特征融合和重塑穿透层的概念，将早期细粒度特征图的精确位置信息与分辨率较低的深层特征图的有意义语义信息相结合。由七个残差块组成的轻量级主干还可以避免对小规模检测到的目标进行无用的卷积操作，否则在更深的架构中，这可能会导致在多次下采样后只剩下几个像素的最终特征此外，YOLO-S采用了一个具有单个输出规模52×52的head subnet和一个仅由4个交替卷积层1×1和3×3组成的较小卷积集，而不是YOLO-L和YOLOv3中的6个，以加快推理。
2025-09-03 14:57:02
987
原创 ViT-YOLO：基于Transformer的用于目标检测的YOLO算法
它采用层级\(3-7\)的输入特征\(\widetilde{P}_{in}=(P_{3}^{in},\ldots,P_{7}^{in})\)，其中\(P_{i}^{in}\)表示分辨率为输入图像\(1/2^i\)的特征层级。例如，如果输入分辨率是\(1024\times1024\)，那么\(P_{3}^{in}\)表示层级\(3\)（\(1024/2^3=128\)）的特征，分辨率为\(128\times128\)，而\(P_{7}^{in}\)表示层级\(7\)的特征，分辨率为\(8\times8\)。
2025-09-03 14:53:42
620
原创 深度学习研1、2，三个月水论文一般流程
只要对网络结构进行改进，首先弄明白代码的整个运行流程，在去定位到需要改进的部分，把这部分输入输出向量的类型、形状、含义弄清楚，然后就可以加一些模块，例如注意力机制模块、轻量化模块、频域模块、下采样模块等等。，只要结果不是最差的，基本上都能发论文，但更保险的做法是至少你的结果要处于中等水平，为了增加论文的篇幅或者是你改进后模型的说服力，还可以在加一组对比实验。，一般找近三年的论文即可，千万不要选太久远的论文，时间长了没人维护很容易出问题，审稿人可能也会说你的对比方法太老，更不要选sota（
2025-08-27 15:13:14
988
原创 深度学习不会缝合模块就死记这4种方法！！！
将多个神经网络模块按顺序连接起来，形成一个统一的网络结构，它提供了一种相对简单直接的方法来整合多个网络模块，有助于提升模型的性能，同时保持了一定的灵活性，，将不同的网络模块以交互的方式进行组合的方法，它通常涉及模型架构的创新和模块的整合，其核心在于不同网络模块之间的相互作用和信息交换，，将不同的网络模块同时运行，然后合并它们输出的方法，主要思想是利用多个网络模块的计算能力，通过同时处理数据来提高效率和性能，灵活运用这些方法能帮助你快速搭建出自己想要的模型，提高学习的效率，分享到这就结束了，我们下期再见！
2025-08-27 15:04:14
334
原创 这本世界公认机器学习圣经的作者，时隔十六年再次出版深度学习巨作！
也可以关注“AI技术星球”公众号，关注后回复“221C”获取。章中所有的数据和资料，可添加小助手无偿分享~扫码添加小助手即可无偿获取~
2025-08-26 10:51:38
244
原创 终于知道为什么这本书被大多数人成为是机器学习的标准入门教科书了！！
《机器学习的概率与统计数据》由MIT博士Charu Aggarwal撰写，系统阐述概率统计在机器学习中的核心作用。全书分为基础理论、模型应用和前沿探索三大模块，包含200多个案例与习题，适合研究生和从业者学习。该书既可作为教材，也能指导工业实践，帮助读者构建数学思维范式，掌握从基础到前沿的概率统计知识。配套资源可通过公众号或小助手获取。
2025-08-26 10:48:46
353
原创 一文详解经典卷积神经网络（LeNet、AlexNet、VGGNet、GoogLeNet、ResNet、DenseNet等）
家好！今天用一篇文章对经典的卷积神经网络进行详解，包含LeNet、AlexNet、VGGNet、NiN、GoogLeNet、ResNet、DenseNet，同时我也整理关于神经网络几大主流SOTA模型及相关变体的论文与代码仓库，可添加我的小助手无偿获取~也可以关注“AI技术星球”公众号，关注后回复“221C”获取。LeNet : 基础图像识别网络 (1998)LeNet-5是Yann LeCun等人在多次研究后提出的最终卷积神经网络结构，一般LeNet即指代LeNet-5。
2025-08-25 15:43:05
841
原创 如何最简单、通俗地理解Transformer？
并且输出的每个向量中，都包含了其余输入向量的信息。如下图：了解了Self-Attention的实现结果，那么Self-Attention到底是怎么运作的呢？简单来说，可以表示成下面的隐含层的样子：即每一个都包含了其他的α的输入信息。当然，具体的实现肯定不是这样的。这里要提到一种Dot-product的方式，可以。
2025-08-25 15:39:15
986
原创 破防了！这本计算机图形领域最受尊敬天才写的书，居然只需要会乘法就能入门深度学习！
《深度学习图解》是一本由计算机图形学专家Andrew Glassner编写的入门级教材，分上下两册。上册系统讲解深度学习基础概念，包括统计学基础、神经网络原理等；下册重点介绍实际应用，涵盖Keras、CNN、RNN等热门技术，并附有典型案例和数据集。全书采用图解方式讲解，避免复杂数学推导，适合零基础读者。配套资源可通过公众号"AI技术星球"免费获取。
2025-08-22 14:45:09
367
原创 学个锤子！这本跨专业/转行学机器学习的最佳教程你一定不能错过!!!
《机器学习"锤子书"助你快速入门实战》摘要：针对跨专业学习机器学习的困难，推荐从零教学的"锤子书"。该书通过实战代码构建算法模型，配有详细注释和可视化图表，帮助读者掌握核心概念与技巧。全书分三部分：基础算法构建、神经网络训练、深度学习系统进阶。所有学习资料可免费获取，通过添加小助手或关注"AI技术星球"公众号回复"221C"领取。适合零基础转行者快速入门机器学习实战。
2025-08-22 14:42:18
129
原创 机器学习中形式简单却巧妙的idea，看完让人拍案叫绝！！你一定能用得上！！
本文分享了机器学习中的四大实用技巧：1）重建方法（如MAE）通过corrupt输入提升特征鲁棒性；2）对比学习通过构造正负样本（如利用dropout差异）提升效果；3）灵活应用dropout（可加在embedding、attention等各处）；4）mixup混合样本增强泛化能力。文末提供包含22个即插即用模块的手册资源（含代码和论文），关注公众号即可免费获取。这些方法均能有效提升模型性能，适合科研应用。
2025-08-22 14:38:32
201
原创 手都写麻了！研一、研二如何用三个月入门深度学习并写篇论文的一般流程，我做出来了！！
摘要：本文为深度学习零基础研一学生提供了三个月完成论文的详细指南。首先建议通过优质课程（如吴恩达、李宏毅等）系统学习基础知识；其次明确研究方向并运行领域常用模型；然后选择近2-3年论文作为baseline；接着在理解代码基础上进行模块改进；最后通过扩展实验和规范写作完成论文。文章还提供了CVPR论文合集、56个即插即用模块、实验技巧手册等实用资源。全文提供了一套从学习到发表的可执行方案，帮助新手高效完成科研任务。（150字）
2025-08-21 14:15:02
465
原创 啊？深度学习新手研究生别看小土堆PyTorch？！越看越懵？！
本文为深度学习新手提供高效学习路径：1）完全零基础者建议先读《深度学习入门：基于Python的理论与实现》（鱼书），1周即可打好基础；2）掌握基础后学习小土堆PyTorch教程，配合代码实践；3）最后阅读李沐《动手学深度学习》PyTorch版书籍（非视频），选择性强化薄弱点。该路径约2个月可完成，能有效避免因基础薄弱导致的复现代码困难等问题。文中提供相关学习资料获取方式。
2025-08-21 14:10:00
431
原创 最近，别学机器学习深度学习！
然后再看近两年的前沿论文，动手复现两篇，就可以开始找论文创新点了，跟着导师确定下课题，把算法模型、网络结构缝合替换，论文内容文学美化一下，一篇新鲜的论文就呱呱落地了。说到实战，你是不是想着去翻一翻重点讲解实战的书，然后看看李沐老师的动手学深度学习课程，再去Github、优快云找找项目练练手，中规中矩的提升自己对代码的理解。但也要知道，西瓜书能被许多人奉为“机器学习圣经”也是有一定道理的，作为“邪修”，我们要做的就是取其精华，以最简单、最快捷的方式达到自己的目的！好样的，邪修这块儿你是出师了！
2025-08-21 14:06:05
958
原创 AI人工智能如何系统化学习？
本文系统介绍了AI人工智能的学习路径，分为四个阶段：1）基础阶段（数学与编程）；2）经典机器学习（监督/无监督学习）；3）深度学习（神经网络与框架）；4）专项领域（CV/NLP等）。强调实践驱动学习，推荐通过项目、复现论文等方式巩固知识。文末提供公众号获取学习资料的方式，建议保持持续学习以适应AI快速发展。
2025-08-20 15:52:25
944
原创 人工智能、机器学习和深度学习有哪些区别？
之前有不少人讨论称人工智能将会为人类带来第四次工业革命，虽然我对此种观点持谨慎乐观态度，但是不可否认的是，此前人们不敢想象的一些AI工具和应用，正在出现在我们的生活中，就连看起来离我们很远的AGI也如幽灵一般若隐若现，或许它就隐藏在这些大模型的背后，不时地向我们闪现，预告人类它终将到来。这是我个人经常使用的查阅资料的方法。但是到后来，GPU 、AI芯片和超级计算机的发展很快，使得系统的计算能力和存储能力都有了很大的飞升，数据发掘引领了大数据时代的到来，让原来复杂度很高的算法得以实现，得到的结果也更为精细。
2025-08-19 16:27:50
1200
原创 PyTorch是什么？
PyTorch是当前最流行的开源深度学习框架，在研究和工业界应用广泛。它具有三大核心优势：张量计算库支持GPU加速、自动微分引擎简化反向传播、以及丰富的深度学习工具函数。PyTorch在易用性和灵活性之间取得了良好平衡，既适合初学者快速上手，又能满足高级用户的定制需求。安装时需注意Python版本兼容性，并可根据硬件条件选择CPU或GPU版本。对于Apple Silicon芯片用户，PyTorch也提供了专门的加速支持。该框架已成为实现大语言模型等前沿AI技术的重要工具。
2025-08-19 16:19:38
686
原创 要基于pytorch做深度学习，但是我代码水平很低，我应该如何学习呢？
摘要：本文由AI研发总监分享深度学习快速入门路径。基础阶段需掌握Python、Numpy、Pandas和PyTorch；理论部分重点理解MLP、CNN、Transformer等核心概念；实践环节建议手写AlexNet、VGG等经典模型，尤其推荐完整实现Transformer模型。文章强调理论学习必须配合动手实践，同时推荐《Dive into Deep Learning》等教材系统学习。文末提供完整学习路线和资料包获取方式。
2025-08-18 16:11:53
663
原创 为什么会有CNN+Transformer这样的结构？
本文介绍了CNN-Transformer混合架构在计算机视觉领域的最新进展。该架构结合CNN的局部特征提取能力和Transformer的全局建模优势，在各类视觉任务中表现出色。文章系统梳理了8种主流改进方法：早期层融合、横向层融合、顺序/并行融合、模块融合、分层融合、基于注意力的融合及通道增强融合，并提供了代表性模型（如ViT、DETR、LeViT、CPVT等）的论文和代码资源。这些方法为解决模型性能与计算效率的平衡问题提供了新思路，为研究者设计高效视觉模型提供了重要参考。相关资源可通过指定渠道获取。
2025-08-18 16:01:37
998
原创 顶会连发！小波变换+注意力风头无两！新SOTA预测误差猛降10倍
近期其连中多篇顶会！模型MAWNO，更是通过将自注意力与小波变换结合，实现，刷新多项SOTA的效果！这主要是因为，小波变换能够对信号进行多尺度分解，捕捉到信号在不同尺度上的细节信息。而注意力机制的动态权重分配能力，可以突出小波变换分解后的重要特征，减少噪声和无关信息的干扰，从而既能提高模型性能，也能降低计算成本！为让大家对该思路有全面深入的了解，快速涨点，我给大家准备了，原文和源码都有。大家可以结合自己的场景，灵活选择不同的注意力机制和小波基函数类型。扫描下方二维码免费获取。
2025-08-15 16:22:28
304
原创 深度学习发论文不会找创新点？谷歌大佬总结：8个快速“水”论文必备绝招
深度学习发论文不会找创新点？谷歌大佬总结：8个快速“水”论文必备绝招那你一定不要错过谷歌大佬（@知乎甜菜欣欣）总结的这8个绝招，论文闭眼发！
2025-08-15 16:15:43
331
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人