神经网络_人工智能博客-专业IT技术发表平台

【DQN实现避障控制】使用Pytorch框架搭建神经网络，基于DQN算法、优先级采样的DQN算法、DQN + 人工势场实现避障控制研究附Matlab、Python代码一、研究背景与核心需求（一）传统避障方法的局限性人工势场法（APF）固有缺陷仅依赖 “引力（目标吸引）- 斥力（障碍物排斥）” 模型，易陷入局部最优（如多障碍物包围时 “势场陷阱”），且对动态障碍物适应性差，无法自主学习环境特征。基础 DQN 的不足经验回放采用均匀采样，忽略高价值经验（如接近障碍物的危险状态），导致收敛速度慢；纯强化学习依赖大量试错，初期碰撞率高，不适用于高安全需求场景（如无人机、移动机器人）。避障控制的核心诉求。

阅读 818

7赞

伊滴小朋友

一文带你看懂神经网络中的前向传播与反向传播算法（通俗易懂+由浅入深+图解）本文旨在提供对深度学习中的神经网络前向及反向传播算法进行一个全面通俗的解释，并且会在几个知识需求层面进行分类，每个部分所需要的先修知识我会先说出来，如果需要查缺补漏的话可以移步传送门（如果原作者介意请联系我删除），尽可能地让各种不同深度需求的小伙伴都能够尽可能看懂。如有谬误，欢迎各路大佬指出。

阅读 2.5k

32赞

月下倩影时

视觉学习篇——卷积与神经网络：从原理到应用（量大管饱）本文系统阐述了卷积运算的数学原理及其多领域应用。首先介绍了连续和离散卷积的严格数学定义与核心性质（交换律、结合律等），通过图像滤波示例直观展示了卷积操作。重点分析了卷积在信号处理（音频降噪、通信调制）和计算机视觉（边缘检测、图像处理）中的典型应用场景，并配合Python代码实现。最后深入解析了卷积神经网络（CNN）的三大特性：局部感知、权值共享和平移不变性，揭示了卷积作为深度学习"视觉引擎"的核心机制。文章构建了从数学基础到工程实践的完整知识体系，为理解卷积在各领域的应用提供了系统框架。

阅读 2.2k

27赞

水月wwww

深度学习——神经网络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。

阅读 4.3k

72赞

qq_38145499

软件架构师的成长之路下面来详细解析软件架构师完整的成长历程，从技术骨干到技术领袖的转变路径、关键能力演进以及每个阶段的核心任务。

阅读 363

10赞

盼小辉丶

PyTorch实战（11）——随机连接神经网络（RandWireNN）神经架构搜索 (NAS) 是深度学习一个热门领域，与面向特定任务的自动机器学习 (AutoML) 领域高度契合。AutoML 通过自动化数据集加载、架构设计和模型部署，显著降低了机器学习应用门槛。不同于传统人工设计网络结构，我们将实现一种通过架构生成器自动寻找最优拓扑的新型网络——随机连接神经网络 (RandWireNN)，RandWireNN 基于自动搜索最优架构的思想，通过随机图生成算法构建网络拓扑。在本节中，我们将探索 NAS，并使用 PyTorch 实现 RandWireNN 模型。

阅读 1.1k

85赞

m0_66795017

5层神经网络完整训练（逻辑推导，python代码，pytorch代码）（对零基础友好）数据层层通过，因为权重和偏置都是正的，导致输出值(0.250.250.25)比目标值(000)大。误差信号告诉我们“太大了”。于是，每一层的梯度都是正数。因为梯度是正的，公式旧值 - 梯度使得所有的权重和偏置都变小了（看表格最后一列，都比 0.5 或 0.1 小了）。如果你用这些变小了的新参数再跑一次前向传播，最终的输出肯定会小于0.250.250.25，从而更接近目标000。第一轮结果：预测值 = 0.2500, Loss = 0.031250这就是神经网络训练的完整、真实的数学过程。

阅读 880

10赞

盼小辉丶

使用 NumPy 从零实现神经网络：构建与训练多层感知器在本文中，我们了解了神经网络的相关基础知识，同时利用 Numpy 从零开始实现了神经网络的训练过程——前向传播和反向传播，了解了神经网络的通用训练流程。

阅读 2.7k

80赞

AGI大模型与大数据研究院

AI博弈算法对比：Minimax vs 蒙特卡洛 vs 神经网络当我们谈论AI玩游戏时，总会想起AlphaGo击败李世石的经典时刻——但你知道吗？AlphaGo的"智慧"其实是三种博弈算法的融合：Minimax的逻辑推理、蒙特卡洛的随机探索，以及神经网络的模式识别。本文将以"下棋"为线索，用生活化的比喻拆解这三种算法的核心逻辑，通过代码示例、流程图和实际案例，对比它们的优缺点与适用场景。无论你是想入门AI博弈的初学者，还是想理解AlphaGo背后的技术细节，这篇文章都能帮你理清思路——让我们从"猜拳"开始，一步步走进AI的决策世界。

阅读 2k

21赞

WX：ywyy6798

海外短剧APP开发全攻略：从0到1打造爆款短视频平台全球短视频市场预计2025年将突破800亿美元，短剧出海项目需针对不同地区偏好（欧美剧情类、日韩浪漫喜剧、东南亚家庭伦理）进行差异化定位。项目采用微服务架构，整合AI推荐、多语言支持等功能，提供沉浸式互动观看体验。商业化采取订阅制、单集付费、广告等多元模式，并建立严格的数据合规与本地化策略。成功关键在于优质内容、技术驱动、深度本地化和创作者生态构建，需配置多语言团队实现文化适配。

阅读 1.8k

27赞

蒋星熠Jaxonic

深度学习实战指南：从神经网络基础到模型优化的完整攻略深度学习技术探索之旅摘要本文系统介绍了深度学习从基础理论到前沿应用的完整知识体系。作者作为AI领域资深专家，首先阐述了神经网络的生物学启发原理，详细讲解了多层感知机架构及其实现代码。文章重点剖析了卷积神经网络(CNN)的数学原理，通过可视化示例展示了卷积操作的核心机制，并提供了完整的CNN架构实现代码。全文采用理论与实践相结合的方式，从基本的神经元模型构建，到复杂的深度学习网络设计，逐步引导读者深入理解这一前沿技术领域。核心内容神经网络基础：神经元生物学模型与人工实现前向传播与反向传播算法多层

阅读 1.2k

56赞

张工在路上

MATLAB 的神经网络工具箱教程 MATLAB 的。

阅读 1.2k

16赞

大模型研究院

小白必学！大语言模型(LLM)全解析：从神经网络到Transformer架构，建议收藏本文介绍大语言模型(LLM)的基础知识，从神经网络发展历程到Transformer架构的核心优势(并行计算和注意力机制)。详细解析了LLM的标准训练流程(预训练和指令微调)及RAG检索增强生成技术。LLM本质是通过数据、算力、算法堆叠实现接近人类的语言输出，而非真正思考，是AI领域的重要技术突破。

阅读 1.6k

19赞

飞Link

【动手学深度学习PyTorch】神经网络的批量规范化批量规范化（BN）：对 mini-batch 的激活做标准化，再通过 γ、β 调整。全连接层 BN：用，规范化每个特征维度。卷积层 BN：用，规范化每个通道。预测时 BN：用训练时累计的均值和方差，不依赖 batch。好处：稳定分布，加速训练，正则化效果。内容声明。

阅读 851

7赞

谦亨有终

神经网络 - 激活函数（ReLU 函数） ReLU（Rectified Linear Unit，修正线性单元）是一种广泛应用于深度学习中的激活函数。其定义为：f(x) = max(0, x)，即当输入大于0时，输出为输入值；当输入小于或等于0时，输出为0。然而，ReLU也存在一些局限性，例如在训练过程中，某些神经元可能会因为始终输出0而“死亡”，即所谓的“神经元死亡”问题。为此，研究者提出了Leaky ReLU、Parametric ReLU等改进版本，以缓解这一问题。

阅读 1.5w

48赞

青柚MATLAB学习

用物理信息神经网络（PINN）解决实际优化问题：全面解析与实践本文系统介绍了物理信息神经网络（PINN）在解决实际优化问题中的创新应用。通过将物理定律与神经网络深度融合，PINN在摆的倒立控制、最短时间路径规划及航天器借力飞行轨道设计等复杂任务中展现出显著优势。实验表明，PINN相比传统数值方法及强化学习（RL）/遗传算法（GA），在收敛速度、解的稳定性及物理保真度上均实现突破性提升。

阅读 7.2k

29赞

2501_90713682

设计师必备！2025神经网络滤镜离线工作站支持Photoshop 众所周知 PhotoShop 里有两个非常强大的滤镜：Camera Raw 滤镜和 Neural filters AI 神经网络滤镜。虽然 PhotoShop 安装文件里已有 Neural filters，不过安装后还需要一个一个的下载里面的滤镜文件，需要特殊的网络环境才能下载成功。今天带来的是 Neural filters AI 神经网络滤镜离线版。

阅读 3.4k

20赞

yyds_2201

【悬臂梁挠度问题】基于PINN物理信息神经网络计算一维悬臂梁挠度问题（Python代码实现）本文针对一维悬臂梁在集中荷载与均布荷载作用下的挠度计算问题，提出基于物理信息神经网络（Physics-Informed Neural Network, PINN）的数值解法。通过将材料力学中的挠曲线微分方程与边界条件嵌入神经网络训练过程，实现了无需网格划分的连续解预测。实验表明，PINN方法在悬臂梁自由端挠度计算中误差小于1%，显著优于传统有限元离散解，尤其适用于复杂边界条件与材料非线性问题。

阅读 949

10赞

荧光Matlab

基于PSO-BP神经网络的风电功率预测研究（Matlab代码实现）随着风能的广泛应用，风电功率预测成为了一个重要的研究课题。传统的风电功率预测方法往往依赖于气象数据和经验模型，但是这种方法存在着预测精度不高和适用范围有限的问题。为了提高风电功率预测的精度和适用范围，可以借助基于粒子群优化（PSO）的BP神经网络模型。PSO是一种基于群体智能的优化算法，能够有效地寻找到BP神经网络的最优参数组合，从而提高了神经网络模型的预测精度。具体来说，研究可以首先收集风速、风向、温度、湿度等气象数据作为神经网络的输入变量，以及相应的风电功率数据作为输出变量。

阅读 1.0k

24赞

人工智能教程

人工智能入门：如何理解神经网络的结构与原理神经网络是深度学习的核心技术，模拟人脑神经元结构，用于处理复杂的模式识别和预测任务。本文详细解析了神经网络的起源、基本结构和工作原理。神经网络由输入层、隐藏层和输出层组成，通过权重和偏置调节神经元之间的连接。神经元通过加权求和和激活函数生成输出信号。训练过程包括前向传播和反向传播，通过优化算法调整权重和偏置，最小化损失函数。文章还提供了使用Python和TensorFlow构建简单神经网络的示例，帮助初学者快速入门人工智能。

阅读 842

14赞

云博士的AI课堂

【大模型和机器学习解惑】神经网络线性操作后为何一定要非线性操作（激活）在神经网络中，激活函数是线性变换后的非线性操作核心组件。它的存在使得神经网络能够逼近任意复杂函数。本文将探讨激活函数的作用、大模型中的差异，并通过代码示例验证其重要性。

阅读 1.2k

33赞

Mr.Poker

ESP32-S3支持神经网络指令加速 ESP32-S3通过专用指令集和硬件优化，显著提升嵌入式AI的算力与能效，支持语音识别、图像分类等边缘智能应用。

阅读 800

18赞

作者推荐

【建模先锋】: 关注工重号【建模先锋】，获取代码

关注

RanceGru: 图像处理，深度学习，嵌入式边缘AI，计算机视觉等方向

关注

机器学习和优化算法: 擅长机器学习，深度学习，优化算法结合和编写，可以做回归，分类，时序预测，信号分解，递归预测等内容，面包多、公众号、知乎、B站同名！需要可联系我定制！从未和“前程算法屋”合作，谨防被骗！！！

关注

AI街潜水的八角: 十多年一线大厂经验，算法专家，带领百人团队，研究领域包括图像\视频降噪、图像压缩、图像超分、目标检测、语义分割、模型压缩以及OCR。

关注

永霖光电_UVLED: 專業的UVLED解决方案整合服务提供商-UV-Solution Integration Services-永霖光电

关注

巫婆理发222: 很高兴能帮到你！！！

关注

梨籽: 正在学习ai的预备工程师一个吖！

关注

白话机器学习: 10年IT从业经验，人工智能高级算法工程师、优快云博客专家、阿里云专家、《2023博客之星马龄赛道11-15年》吉林第一名、《2023博客之星，城市赛道》长春TOP1

关注

Mxsoft619: 监控易是北京美信时代公司（2007年成立）自研一体化国产运维管理平台，采用多TS架构实现海量大规模监控，核心组建全部自主研发，一个平台集中统一实现所有跨平台跨网络跨区域的IT软硬件、机房动环、物联网等的自动采集、监测、巡检、告警及大屏展现。另有自动化运维、智能预警、AI知识库、日志、工单、拨测等20多个运维模块。

关注

沃恩智慧: 只为你的独立一作论文负责

关注