神经网络_人工智能博客-专业IT技术发表平台

推荐付费专栏 VIP文章

AI街潜水的八角

工业缺陷检测实战——基于深度学习YOLOv10神经网络PCB缺陷检测系统工业缺陷检测实战——基于深度学习YOLOv10神经网络PCB缺陷检测系统

阅读 868

5赞

深度学习入门：从零开始理解神经网络欢迎来到深度学习的世界！如果你是初学者，可能会对这个领域感到既兴奋又有些迷茫。别担心，我会带你一步步走进这个充满魅力的领域。深度学习是人工智能领域的一个重要分支，它通过模拟人脑的神经网络结构来处理数据。深度学习的核心是人工神经网络，它由大量的神经元组成，这些神经元通过复杂的连接传递和处理信息。深度学习在图像识别、语音识别、自然语言处理等领域取得了巨大的成功。例如，智能手机上的语音助手（如Siri和小爱同学）和自动驾驶汽车都依赖于深度学习技术。深度学习的强大之处在于它能够处理复杂的、非线性的数据模式。

阅读 8.5k

176赞

智能算法研学社（Jack旭）

智能优化算法应用：法医调查算法优化脉冲耦合神经网络的图像自动分割摘要：本文利用法医调查算法对脉冲耦合神经网络的参数进行优化，以信息熵作为适应度函数，提高其图像分割的性能。

阅读 964

21赞

物理信息神经网络（PINN）: 将物理知识融合到深度学习中物理信息神经网络（Physics-Informed Neural Networks，简称PINN）是一种结合了深度学习和物理学知识的机器学习模型。与传统的数据驱动的神经网络不同，PINNs 在学习过程中利用物理法则对模型进行指导，从而提高模型泛化能力，特别是在数据较少或噪声较大的情况下。首先，需要明确模型目标及其对应的物理定律。例如，在解决流体力学问题时，可能会涉及到Navier-Stokes方程。模型的建立和训练过程应围绕该物理定律展开。

阅读 10.1w

198赞

十二月的猫

【通俗易懂说模型】非线性回归和逻辑回归（附神经网络图详细解释）【通俗易懂说模型】线性回归（附深度学习、机器学习发展史）-优快云博客通过前面的文章，猫猫希望友友们对机器学习、深度学习等基础概念，以及发展历史有一个宏观的理解。同时对线性回归有一个深入的认识。然后接下来，就让我们收拾收拾行囊，准备出发！下一站——非线性回归和逻辑回归如果想要学习更多深度学习知识，大家可以点个关注并订阅，持续学习、天天进步。

阅读 1.9k

77赞

神经网络 | CNN 与 RNN——深度学习主力军 Hi，大家好，我是半亩花海。本文主要将卷积神经网络（CNN）和循环神经网络（RNN）这两个深度学习主力军进行对比。我们知道，从应用方面上来看，CNN 用于图像识别较多，而 RNN 用于语言处理较多。CNN 如同眼睛一样，正是目前机器用来识别对象的图像处理器。相应地，RNN 犹如耳朵和嘴巴，用于解析语言模式的数学引擎。

阅读 2.8w

55赞

【机器学习-神经网络】循环神经网络本文主要介绍了循环神经网络及其变体门控循环单元，并在简单的数据集上实现了GRU模型。与其他的神经网络结构相比，RNN充分利用了数据中的序列特性，将中间向量按时间步不断向后传播，从而具有捕捉序列型关联的能力。

阅读 2.2k

51赞

PyTorch深度学习实战（1）——神经网络与模型训练过程详解在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。

阅读 7.9w

284赞

光学神经网络基于此，研究者们利用片上集成的方法解决了部分问题，如基于马赫曾德尔干涉仪（Mach–Zehnder Interferometer, MZI）、微环谐振器（Micro-ring Resonators, MRR）等片上集成光学元器件设计的ONNs，其集成度得到了提升，同时获得了较好的稳定性和便携性。关于ONNs的相关研究工作，早在1960s就已经开始，为了能够较清晰地展示ONNs的发展历程，该综述在文章开端以时间为轴线展示了ONNs相关研究工作的发展脉络，时间跨度为20世纪60年代至今，如。

阅读 1.2k

28赞

Python 实现基于LSTM长短期记忆神经网络的时间序列预测随着数据科学和机器学习技术的快速发展，基于神经网络的时间序列预测已经成为许多领域中的一个重要应用。时间序列数据在实际应用中广泛存在，如金融市场的股票价格、气象数据、经济指标、产品需求预测等。对于这些数据，传统的统计学方法如ATRTIMA、线性回归等已经无法满足现代复杂问题的需求，特别是在数据量庞大且包含非线性关系和长期依赖性时。长短期记忆网络（LTTM）作为一种特殊的循环神经网络（TNN），在处理时间序列数据时，凭借其能够捕捉长时间依赖性的优势，逐渐成为了时间序列预测领域的主流方法。

阅读 1.0k

8赞

liaomin416100569

深度学习02-神经网络(MLP多层感知器) 神经网络是一种基于生物神经系统结构和功能特点而设计的人工神经网络模型，具有很强的自适应性和非线性映射能力。神经网络由多个神经元（或称节点）组成，这些神经元通过连接权重相互连接，构成多层的网络结构。每个神经元接收到来自其它神经元的信号，并将这些信号加权线性组合后通过激活函数进行非线性转换，最终输出给下一层神经元或输出层。学习机器学习后，学习神经网络可以帮助你更深入地理解模式识别和人工智能领域的基础知识。神经网络在很多领域都有广泛的应用，例如计算机视觉、自然语言处理、语音识别等。

阅读 8.0w

241赞

图神经网络实战（18）——消息传播神经网络消息传递神经网络 (Message Passing Neural Network, MPNN) 通过消息传播机制对多种图神经网络 (Graph Neural Networks, GNN) 模型做出了一般性总结。在本节中，我们介绍了 MPNN 框架，该框架通过信息、聚合和更新三个步骤统一了 GNN 层，同时介绍了如何在 PyTorch Geometric 中使用 MPNN 创建图卷积网络 (Graph Convolutional Network, GCN) 层。

阅读 3.9k

58赞

好想写博客

[深度学习]神经网络-回归项目深度学习神经网络，回归项目实例。

阅读 949

20赞

基于FPGA的YOLOV5s神经网络硬件部署网络量化为INT8，结合硬件资源BRAM、DSPs及通信带宽，我们评估将YOLOV5s部署到ZU3上，300MHz主频下性能大概可以做到16FPS(本设计以YOLOV5s部署于FPGA上为例进行分析概述。YOLOV5s网络主要包括backbone、neck、head三部分。硬件加速器资源和网络部署评估。FPGA以Ultra96为例， ZU3EG资源如下图所示。

阅读 2.3k

3赞

学习笔记：物理信息神经网络(PINN) PINN 的强大在于它打破了传统数值方法的限制，将神经网络的非线性拟合能力与物理方程的严谨性结合起来。它在处理高维、数据稀缺、复杂物理约束的场景下尤其出色。当然，PINN 也有收敛慢、梯度消失等挑战，比如，复杂 PDE 可能导致梯度传播困难，收敛慢(梯度消失)、于具有快速变化特征的系统，如冲击波，标准 PINN 可能精度不足，需要改进策略，比如自适应采样或多尺度特征提取。但随着研究深入，这些问题正在不断被解决。物理或化学方程为什么往往是偏微分方程？什么是物理信息神经网络(PINN)?x_%7Bi%7D。

阅读 1.1k

15赞

经典神经网络论文解读（五）—— ResNet（残差网络） ResNet在《》论文中提出，是在CVPR 2016发表的一种影响深远的网络模型，何凯明团队提出来，在ImageNet的分类比赛上将网络深度直接提高到了152层，前一年夺冠的VGG只有19层。ImageNet的目标检测以碾压的优势成功夺得了当年识别和目标检测的冠军，COCO数据集的目标检测和图像分割比赛上同样碾压夺冠，可以说ResNet的出现对深度神经网络来说具有重大的历史意义。随着卷积神经网络的发展和普及，我们了解到增加神经网络的层数可以提高模型的训练精度和泛化能力。

阅读 1.1k

12赞

激活函数在神经网络中的作用，以及Tramformer中的激活函数 GELU激活函数的全称是高斯误差线性单元，其数学表达式为GELU(x) = x * Φ(x)，其中Φ(x)是标准正态分布的累积分布函数（CDF）。这个函数最初由Dan Hendrycks和Kevin Gimpel在2016年提出。

阅读 1.5k

24赞

浅层神经网络浅层神经网络浅层神经网络通常指包含一个隐藏层的神经网络。这个网络由输入层、隐藏层和输出层构成：输入层：输入层负责接收网络的输入特征，通常表示为列向量 xT=[x1,x2,x3]x^T = [x_1, x_2, x_3]xT=[x1,x2,x3]，每个输入特征 xix_ixi 代表样本的一个属性。输入特征的激活值 a[0]a^{[0]}a[0] 就是输入特征向量 XXX，因此我们用 a[0]a^{[0]}a[0] 表示输入层的激活值。隐藏层：隐藏层包含若干节点（或神经元），在训练过

阅读 1.0k

14赞

AI天才研究院

一切皆是映射：实现神经网络的硬件加速技术一切皆是映射：实现神经网络的硬件加速技术作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming关键词：神经网络，硬件加速，映射，计算架构，深度学习1. 背景介绍

阅读 830

15赞

小杜今天学AI了吗

论文分享[cvpr2018]Non-local Neural Networks非局部神经网络将非局部操作作为通用构建块家族，用于捕获长距离依赖关系。受计算机视觉中经典的非局部均值方法的启发，我们的非局部操作将位置响应的计算为所有位置的特征的加权和。这个构建块可以插入到许多计算机视觉架构中。在视频分类任务中，即使没有任何花里胡哨（without any bells and whistles），我们的非局部模型也可以在 Kinetics 和 Charades 数据集上竞争或优于当前的竞赛获胜者。

阅读 1.3k

14赞

作者推荐

SEU-WYL: 物体位姿估计领域研究者

关注

Ai多利: 资料领取：公众号【AI创新工场】

关注

JOYCE_Leo16: 计算机视觉，深度学习，图像处理

关注

机器之眼_机器视觉MeGauging实现: 刘刚（有光），机器视觉工程师十四年，电话微信同号13163761742 开课收徒，如果年轻的你立志机器视觉，有万元户的目标，我是你的不二选择

关注

-_Matrix_-: 尊重知识，尊重价值。

关注

seasonsyy: 我们都是追光者，加油！

关注

一去不复返的通信er: 北京邮电大学信息与通信工程博士在读

关注

盼小辉丶: 记录学习历程，分享学习心得，关注深度学习，欢迎交流学习.

关注

神经美学茂森: 大家好！我是个喜欢琢磨“美是怎么炼成的”博士生。简单来说，我的工作就像在给大脑和AI装双摄镜头——左手研究人类看到画作、听到音乐时，大脑里噼里啪啦闪动的火花（这叫神经美学）；右手教人工智能学习梵高画星空时的狂野笔触，或者周杰伦写旋律时的小心思。

关注

爱学习不掉头发: Passionate about learning new technologies

关注