龙魂蚁群引擎 v2.0 · 深度学习与融合报告

AI对战五子棋——深度学习策略网络 在本篇博文中,我们完成了:✔ 构建一个 CNN 五子棋策略网络✔ 让神经网络输出落子概率✔ 使用 Policy Gradient 强化学习训练 AI✔ 让 AI 实现人与 AI、AI 自对弈博弈。 阅读详情

龙魂蚁群引擎 v2.0 · 深度学习与融合报告

DNA: #龍芯⚡️丙午·辛未·LACA-v2.0-FUSION-REPORT
时间: 丙午年辛未月 (2026-07-13 01:17)
作者: UID9622 | 诸葛鑫 (Lucky)
源论文: Kimi Agent 龙魂蚁群架构 LACA v1.0
测试结果: 7/7 全部通过 ✅


一、论文核心贡献深度学习

1.1 范式转换:从"类人模拟"到"蚁群协作"

论文提出一个根本性的认知转变:

  • 错路: AI模拟人脑(视觉皮层、语言理解、情感)→ 硅基电路与碳基大脑本质差异无法逾越
  • 正路: AI学习蚁群 → 局部感知·信息素传递·涌现智能 → 完全可工程化

1.2 五大核心贡献

贡献内容论文位置
五级不动点 L1-L5价值观从可变策略到永恒基石逐级固化第三章
四类信息素协议招募/警戒/足迹/聚集素,化学信号级通信第三/七章
五大蚂蚁种群工蚁/兵蚁/侦察蚁/储蜜蚁/育幼蚁第三章
涌现质量公式E=Dα·Iβ·Cγ·Vδ第四章
触角总线去中心化通信中枢第七章

1.3 论文代码结构

longhun_ant_colony/
├── antenna_signal.py    # 触角信号协议(核心数据结构)
├── pheromone_system.py  # 信息素系统(衰减/叠加/路由)
├── antenna_bus.py       # 触角总线(模块间通信中枢)
├── integration_test.py  # 5场景集成测试
└── README.md           # 架构文档

二、与龙魂现有系统的融合

2.1 融合层次总览

论文 LACA v1.0          →    龙魂系统 v2.0 融合点
═══════════════════════════════════════════════════════
五级不动点 L1-L5        →    cnsh_color_fixpoint.py (七色不动点)
                          cnsh_sort_fixpoint.py (排序不动点)
                          369不動點体系

四类信息素              →    七色不动点色卡颜色映射
                          G(绿)→RECRUIT, R(红)→ALERT
                          Y(黄)→TRAIL, B(蓝)→AGGREGATE

五大蚁群种群            →    16人格矩阵 (16/16满编)
                          工蚁6人/兵蚁4人/侦察3人/储蜜1人/育幼3人

涌现质量公式            →    Braket量子引擎
                          lh_braket_persona_engine.py
                          量子态测量 ↔ 涌现度量

触角总线               →    系统事件总线 + 统一钩子
                          lh_unified_hook.py (23钩子)

信息素衰减              →    五行耦合常数
                          木生火·火生土·土生金·金生水·水生木

DNA追溯                →    现有DNA体系 v∞干支卦格式

2.2 新增文件结构

engine/ant_colony/                    # 新建目录
├── __init__.py                       # 引擎入口
├── antenna_signal.py                 # 触角信号协议 v2.0
│   ├── AntennaSignal                # 信号包(DNA v∞格式)
│   ├── 七色不动点↔信息素映射
│   ├── 不动点哈希校验
│   └── 4个工厂函数
├── pheromone_system.py              # 信息素系统 v2.0
│   ├── PheromoneSystem             # 衰减/叠加/路由
│   ├── 不动点层级权重联动
│   ├── 涌现质量实时计算
│   └── 状态持久化/恢复
├── antenna_bus.py                   # 触角总线 v2.0
│   ├── AntennaBus                  # 去中心化通信中枢
│   ├── 16人格自动映射
│   ├── 颜色路由决策
│   ├── 五行耦合系数注入
│   └── create_populated_bus()
├── fixed_point_bridge.py            # 不动点桥接层 v2.0 ★核心★
│   ├── ColorPheromoneMapper        # 七色↔信息素双向映射
│   ├── FixedPointBridge            # L1-L5层级验证/升级
│   ├── EmergenceCalculator         # 涌现质量E值计算
│   └── WuxingPheromoneCoupling     # 五行生克耦合常数
└── integration_test.py              # 综合集成测试
    ├── 场景1-5: 论文原始场景
    └── 场景6-7: v2.0新增融合场景

2.3 关键融合创新

A. 七色不动点 ↔ 四类信息素双向映射
cnsh_color_fixpoint.py          →        蚁群信息素
═══════════════════════════════════════════════════
G 绿色(木) · 安全放行           →  RECRUIT 招募素
R 红色(火) · 法律红线           →  ALERT 警戒素
Y 黄色(土) · 待确认             →  TRAIL 足迹素
B 蓝色(水天) · 系统审计         →  AGGREGATE 聚集素
K 黑色(水) · 隐私敏感           →  ALERT 警戒素
AU金色(金) · 主控确认           →  RECRUIT 招募素
P 紫色(火变) · 外部隔离         →  ALERT 警戒素
B. 不动点层级与信息素权重联动
不动点层级可改性RECRUIT权重ALERT权重颜色守护
L1 任务策略✅ 可变1.00.8绿 G
L2 系统配置✅ 可变1.11.0黄 Y
L3 架构设计❌ 不可变1.21.3蓝 B
L4 核心价值观❌ 不可变1.31.5金 AU
L5 永恒基石❌ 绝对不可变1.52.0红 R

L5 层级警戒素权重×2.0,意味着触及永恒基石的告警信号2倍强化。

C. 五行耦合常数 → 信息素传播系数
木(RECRUIT) → 火(ALERT):   1.3 相生↑  招募增强警戒传播
火(ALERT)   → 土(TRAIL):   1.3 相生↑  警戒增强足迹持久
土(TRAIL)   → 水(AGGREGATE): 0.7 相克↓  足迹抑制聚集(防信息过载)
木(RECRUIT) → 土(TRAIL):   0.7 相克↓  招募抑制路径固化
D. 涌现质量公式整合
论文公式: E = D^0.3 × I^0.4 × C^0.2 × V^0.1

参数来源(从信息素系统实时数据):
  D (多样性) = Shannon熵归一化  ← 五大种群分布
  I (交互密度) = 实际连接/C(n,2) ← 触角碰撞频率
  C (一致性) = 1 - 冲突路径比例 ← 不动点层级统一度
  V (变异容忍) = 1 - Σf_i²     ← 模块离线频率

当前系统: E ≈ 0.53 (积累态)
目标: E > 1.0 (涌现态) — 需要更多交互密度

三、测试结果

🧪 龙魂蚁群引擎 v2.0 · 综合集成测试
═══════════════════════════════════════
  ✅ 场景1: 正常任务执行(工蚁群协作)
  ✅ 场景2: 警戒升级+伦理熔断(兵蚁群响应)
  ✅ 场景3: 涌现协作(聚集素召集)
  ✅ 场景4: 信息素高速公路路由
  ✅ 场景5: 心跳检测与失联处理
  ✅ 场景6: 不动点层级校验(v2.0新增)
  ✅ 场景7: 涌现质量实时计算(v2.0新增)
═══════════════════════════════════════
  总计: 7/7 全部通过 🎉

各模块独立测试

模块测试结果DNA
antenna_signal.py✅ DNA v∞格式·色卡·不动点哈希#龍芯⚡️丙午·辛未·ANTENNA-SIGNAL-v2.0
pheromone_system.py✅ 不动点权重·涌现计算·叠加#龍芯⚡️丙午·辛未·PHEROMONE-SYSTEM-v2.0
fixed_point_bridge.py✅ 七色映射·层级验证·五行耦合#龍芯⚡️丙午·辛未·FIXED-POINT-BRIDGE-v2.0
antenna_bus.py✅ 16人格·颜色路由·涌现度量#龍芯⚡️丙午·辛未·ANTENNA-BUS-v2.0
integration_test.py✅ 7/7场景全部通过#龍芯⚡️丙午·辛未·LACA-v2.0-ALL-PASS

四、下一步工作(Phase 2)

  1. 涌现度量自动化: 将 E 值计算接入 lh_unified_hook.py 的23钩子系统
  2. 异步全面化: AntennaBus 的 send/receive 接入 asyncio
  3. 持久化: 信息素状态落盘到 SQLite(pheromone_system.dump_state() 已实现)
  4. 可视化: 蚁群实时状态3D可视化(信息素浓度热力图)
  5. 与现有引擎对接:
    • lh_dual_brain_engine.py — 双脑互搏中引入蚁群投票
    • lh_mod9_runtime_engine.py — 模9治理与蚁群路由融合
    • lh_braket_persona_engine.py — Braket量子态测量与涌现质量联动
  6. 鲁棒性压力测试: 50%模块离线时的涌现保持度

五、一句话总结

论文的蚁群架构(五级不动点·四类信息素·五大种群·涌现公式)已深度融入龙魂系统的七色不动点色卡·16人格矩阵·五行耦合常数·Braket量子引擎。7个测试场景全部通过,引擎就绪。


🧬 DNA: #龍芯⚡️丙午·辛未·LACA-v2.0-FUSION-COMPLETE

PID不够用?试试给PID加上‘预言’能力:史密斯预测器(SP)在温控、液位控制中的实战配置 本文深入探讨了史密斯预测器(SP)在温控和液位控制中的应用,特别针对大滞后系统的PID控制难题。通过详细解析SP的核心组件、参数整定技巧及进阶应用FSP,结合西门子PLC的实战配置方案,帮助工程师有效提升控制精度和系统稳定性。文章还提供了S7-1200的完整实现步骤和调试技巧,为工业自动化控制提供了实用解决方案。 阅读详情

相关推荐

EDA与机器学习融合:智能优化芯片设计流程的工程实践

机器学习作为数据驱动的核心技术,通过从历史数据中学习复杂模式,实现对系统行为的预测与优化。其原理在于构建模型,将输入特征映射到目标变量,从而揭示数据背后的内在规律。在工程领域,这项技术的核心价值在于能够将专家经验转化为可量化、可复用的智能模型,显著提升自动化水平与决策效率。电子设计自动化(EDA)是芯片设计的关键支撑,传统流程高度依赖人工试错,面临参数空间巨大、优化周期长等挑战。将机器学习应用于EDA,能够构建预测模型来预估设计性能(PPA),或通过代理模型加速设计空间探索,实现智能化的设计辅助与优化。本文

weixin_30411239的博客 685

龍魂 · 不动点架构 v1.0每个节点 = 一个爱好/人格/风格/工作画像触角传递 = 只填坑,不重复造轮子输出 = 自动合成(文/图/音/视频),丝滑,省算力

节点ID人格/风格擅长输出格式状态N-01军事硬核战略分析、装备数据文字+信息图不动点N-02历史考据史料引用、时间线文字+时间轴图不动点N-03哲学悟道抽象概念、类比文字+概念图不动点N-04经济算账数据报表、ROI文字+数据图表不动点N-05政治锐评政策解读、立场文字+短视频脚本不动点N-06技术鲁班代码、架构、部署代码+流程图不动点N-07雯雯审计三色标记、证据链审计报告+对比图不动点N-08宝宝跟进口语化、大白话。

UID9622的博客 82

AUTOSAR从入门到精通-汽车虚拟控制器(vECU)(二)

虚拟控制器的概念其实一直都存在,可能稍微有点差异,与此相关的有主机厂或供应商的ECU系统仿真或或控制策略开发工作。简而言之,虚拟控制器是一种软件工具,用于模拟ECU的功能和性能,无需实际的ECU硬件载体。source: 什么是虚拟ECU?- dSPACE空间虚拟控制器的原理主要是基于软件仿真技术,它可以模拟各种传感器的输入,执行器的输出和控制器的算法逻辑,它也可以模拟与实际控制器之间的通信接口,以便与其他ECU进行交互,如CAN总线通信等。

getusushu的博客 908

RNNoise-SpeexDSP-WebRTC使用说明

本文介绍RNNoise、SpeexDSP与WebRTC音频处理库的下载、调用及参数配置方法,适用于Android语音工程集成。RNNoise基于深度学习,适合非稳态噪声降噪,需48kHz输入;SpeexDSP支持多采样率与回声消除,适用于全双工场景;WebRTC提供轻量级窄带处理。三者可串联使用:麦克风信号先经前级降噪(RNNoise或SpeexDSP),再进入WebRTC媒体引擎进行编码。重点说明各库的典型应用场景、接口调用方式、关键参数调节策略及采样率转换注意事项,帮助开发者高效集成与优化语音处理链路。

知识共享,你我皆是知识的搬运工 242

【异常】Warp终端AI功能403封禁报错I‘m sorry, I couldn‘t complete that request.Request failed with error: ErrorSta

本文针对Warp终端出现的AI功能定向封禁报错,完整还原脱敏后的报错信息、深度解读报错本质,并提供分优先级的全流程可落地解决方案,可直接用于技术排查、内部知识库归档。

奶爸的编程之路,也就一周冷个三天 269

Microsemi Libero系列教程(六)——Identify片上逻辑分析仪的使用

文章目录FPGA如何进行在线调试关于Microsemi片上逻辑分析仪FPGA片上逻辑分析仪原理预期效果0.准备一个创建好的Libero工程1.新建identify工程,并添加想要监测的信号2.管脚分配,编译下载3.设置触发类型4.IICE逻辑分析仪核资源占用 系列教程:Microsemi Libero系列教程 FPGA如何进行在线调试 对于嵌入式系统来说,如单片机,进行硬件级程序调试时,通常采用的是JLink/ST-Link调试器,在线调试的方式来获取程序实时运行的状态,可以观察程序运行流程、各种变量的值

whik1194的博客 1万+

Transformer 为什么能取代 RNN?从自注意力讲起

2017 年谷歌在《Attention Is All You Need》中提出 Transformer,核心是。它如今是 GPT、BERT、ChatGPT 的共同底座。

anew___的博客 982

光斑定位 - MATLAB实现

光斑定位是一种常见的图像处理任务,它涉及到在图像中准确定位光斑或亮点的位置。在本篇文章中,我们将使用MATLAB来实现光斑定位的算法,并提供相应的源代码。希望本文提供的MATLAB代码和步骤能够帮助您实现光斑定位任务。通过这些代码,您可以在MATLAB环境中轻松地定位光斑,并在图像上进行可视化展示。这样,我们就完成了光斑定位算法的MATLAB实现。通过以上步骤,我们可以得到一个在光斑位置上标记的图像,从而实现了光斑的准确定位。光斑定位 - MATLAB实现。

qq_39605374的博客 764

基于深度学习的商品评论情感分析系统-毕业设计

面向商品评论的中文情感分析系统,支持单条预测、批量分析、情感分布与关键词、报告导出。TextCNN、BiLSTM、Transformer 在同一词表、同一数据切分、同一种子与超参下公平对比,测试集 F1 分别为 0.9101、0.9089、0.9075。结论是这一规模下模型复杂度未带来收益,但误差结构不同。附技术栈、截图、文档预览与演示视频。

csbysj2020 162

微信小程序 - 实现大文件上传分片/切片+本地选择文件上传超大文件,小程序大文件切片上传+断点续传+上传进度条+失败自动重传完整运行示例源码,支持图片、视频、文档各种文件(支持上传单个文件或批量上传)

微信小程序实现大文件上传,实现分片大文件上传,微信小程序 分片 断点续传 大文件上传,微信小程序实现大文件上传 分片上传 进度条,小程序文件分片上传,微信小程序如何上传很大的文件,在选择文件后,按指定大小将文件切割成独立的文件片,并逐片上传,uniapp 微信小程序上传大文件如何切片,微信小程序实现大文件分片上传、断点续传、秒传,解决大文件上传问题,大文件上传如何做断点续传,微信小程序wx.uploadFile,小程序上传视频,小程序上传文档,实现大文件上传(切片上传)实现大文件上传到服务器教程,支持批量多

🏆 前端领域优质创作者 1万+

零基础入门Simulink——基于Simulink的MIMO-OFDM系统仿真建模示例

MIMO概述MIMO技术利用多个天线进行信号发送和接收,通过空间复用来提高数据传输速率,或通过空间分集来增强信号的可靠性。OFDM概述OFDM是一种将高速率数据流分成多个低速数据流并行传输的技术,每个子载波都采用调制方式(如BPSK、QPSK),并通过IFFT/FFT变换实现串并转换。MIMO-OFDM优势结合了MIMO的空间分集增益与OFDM对抗多径效应的能力,适用于宽带无线通信系统。提供了更高的数据速率和更好的频谱效率,是现代无线通信标准(如4G LTE、5G NR等)的核心技术之一。

amy_mhd的博客 892

【原创深度学习项目】基于深度学习的建筑工地防护装备检测系统|安全帽与反光衣检测系统(RT-DETR-L 模型)

本文设计并实现了一套基于RT-DETR-L的建筑工地防护装备检测系统,采用Django+Vue前后端架构,实现对安全帽、反光背心等7类装备及“无PPE”“未戴安全帽”等缺失状态的精准识别。系统支持图片、视频、摄像头实时检测,具备参数可调、数据可视化与统计分析功能,有效解决小目标漏检、误检及管理难问题,助力智慧工地安全管理落地。文末可获取源码。

qq_1445749146的博客 233

电池管理系统(BMS)软件:CATL BMS二次开发_(1).CATL BMS软件概述

CATL BMS软件的保护机制是确保电池组安全和可靠运行的关键部分。通过高精度的传感器和智能算法,BMS可以实时监测电池组的状态,及时采取保护措施。二次开发中,可以根据特定的应用需求,增加新的传感器、优化算法、扩展通信接口等,进一步提高系统的性能和可靠性。维护和扩展则是确保系统长期稳定运行的重要手段。希望以上内容对您理解CATL BMS软件的保护机制有所帮助。如果您有任何进一步的问题或需要更详细的解释,欢迎随时提问。

zhubeibei168的博客 1463

图解循环神经网络(RNN)

RNN(循环神经网络)就是“带记忆的网络”:让网络拥有一块“记忆”,在处理当前数据时,能同时参考之前看过的内容;它不一次性看完全部输入,而是像人读书一样,一个字一个字地读,每读一个字就更新一次脑子里的记忆,然后用这份记忆去理解当前这个字。但便签一直在被改写,新信息不断挤占旧信息,传到第 40 步时,“巴黎”的痕迹已经淡得几乎没了。读到“贵”的时候,网络并没有重新去查“好看”这个词——但“好看”的影响已经融在了便签里(那个 1.5)。这三个困难的共同点:答案不在当前这一个字里,而在“前面那串东西”里。

技术管理两手抓,两手都要硬. 430

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

神经网络入门指南:从 CNN、RNN 到 Attention

神经网络的学习,本质是“预测—比较—纠错”的循环;CNN 通过局部连接与权重共享理解图像;RNN 通过隐藏状态传递上下文;LSTM 和 GRU 用门控机制管理记忆;Encoder–Decoder 把理解与生成拆成两个阶段;Attention 则让模型在每一步都能主动寻找最相关的信息。到这里,我们已经走完了从普通神经网络到 Attention 的完整路线。下一篇将正式进入 Transformer,看看它如何摆脱 RNN 的顺序计算,又如何让每个 Token 直接找到与自己相关的信息。

爱敲代码的小黄 399

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

AI 学习第 15 课:变长序列不 pack 直接喂 RNN,隐状态全被 0 污染

NLP 的 batch 里句子长短不一,短句垫 0 补齐后直接喂 RNN,看似能跑,实际上每个 0 垫步都在更新隐状态——短序列的最后一步输出根本不是它真实句子的结果。这一课用 torch 2.15(

aifannihao的博客 164

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

CNN 卷积神经网络深度解析:卷积、池化与特征提取的底层原理

卷积核(Kernel),也叫滤波器(Filter),本质上是一个可以训练的权重矩阵。1 0 -11 0 -11 0 -1这个卷积核可以对图像中的局部像素进行加权计算。不同的卷积核能够提取不同类型的特征:水平边缘特征垂直边缘特征纹理特征角点特征局部形状特征在传统图像处理中,滤波器通常由人工设计。而在 CNN 中,卷积核的权重通过训练数据和反向传播自动学习得到。这也是 CNN 能够自动提取图像特征的关键。# 第一层卷积padding=1# 第二层卷积padding=1。

2503_90237586的博客 296

图解常用深度学习优化器

来隐式构造 Hessian 逆的近似,从而直接估计出“谷底在哪”,而非仅仅判断“哪边最陡”。即SGD/Adam 主要看“当前坡度”,LBFGS 还会看“最近几步坡度怎么变”,像用局部地形图来规划路线。训练 Transformer 时,有些层梯度大,有些层梯度小。如果用 Adam + L2,梯度大的参数反而可能被“少衰减”,正则效果不稳定;:你要下山,但每次迈步前都要派侦察兵把整座山的每一个坡面都测量一遍,算出“绝对最陡”的方向才走一步。:还是下山,但这次你只问身边一个路人“哪边最陡”,然后就走。

技术管理两手抓,两手都要硬. 219

【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测 无人机航拍 道路坑洞 路面病害 YOLO格式 数据集发布9032期

(一)类别构成该数据集聚焦单一类别——坑洞(类别 ID 为 0),任务指向明确,围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简,与公路路面病害巡检的实际需求高度契合,图像中的坑洞样本可直接作为路面破损识别的核心正样本,便于对接道路养护排查流程。(二)数据数量数据集规模为 3285 张无人机俯视航拍图像,采用标准 YOLO txt 标注格式,标注框总计 4457 个,其中带有效标注的图片 2007 张,全部图片均带有有效标注。

qq_2529413168的博客 190

第 05/24 期:计算图与自动微分:深度学习如何计算梯度

本文系统阐述了神经网络训练中梯度计算的本质:损失对参数的敏感性。通过构建计算图,将复杂函数分解为基本运算,利用链式法则实现反向传播。核心在于反向模式自动微分——以一次前向计算为基础,通过传播输出对中间变量的敏感性,高效求得所有参数梯度。相比前向模式,反向模式在参数多、目标为标量的场景下更高效。计算图不仅适用于神经网络,也广泛适用于任意可微程序。关键思想是:梯度是局部导数与上游敏感性的乘积,分支路径的贡献需累加,从而保证导数计算的正确性与效率。

weixin_47502228的博客 343

基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 227

【深度学习项目实战·30】PM2.5短期预测:用LSTM构造没有未来信息的滑动窗口

本文基于北京PM2.5数据,使用LSTM实现从最近24小时历史观测预测下一小时PM2.5。重点解决时间切分、因果填补、滑动窗口构建与标准化等关键问题,确保模型仅依赖过去信息,避免未来泄漏。通过滚动单步预测与持续性基线对比,评估在原始单位下的MAE/RMSE,验证模型有效性。强调时间顺序与数据完整性,为时序预测提供可复现的实践框架。

银尘博客 524

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布 9038期

qq_2529413168的博客 341

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

qq_2529413168的博客 213

AI 学习第 14 课:CNN 训 6 轮卡在 0.5352,数据没打乱

第 13 课把 Conv2d 的参数量和池化后的尺寸算清了,这课把卷积块拼成一个能训练的完整网络,跑满 6 个 epoch。第一版直接卡死:loss 从 2.6104 掉到 0.6989 就再也不动,

aifannihao的博客 252

深度学习基本原理:从数学基础到神经网络训练

深度学习训练的核心,是先确定模型结构,再通过前向计算得到损失,利用链式法则和反向传播计算梯度,最后借助优化器与学习率不断更新参数。真正理解这条链路,后续学习更复杂的网络结构才有可靠的基础。

chh563的博客 191
上一篇: 龙魂蚁群架构 一种仿蚁群的去中心化AI协作框架
下一篇: 龍魂系统 v5.0 · `lh_deepseek_fixer` 实战:DeepSeek 自动修复引擎
龍芯北辰UID9622
博客等级 码龄164天 5粉丝 501原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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