<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[undousing的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/undousing</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; undousing]]></copyright><item><title><![CDATA[一阶优化算法启发，北大林宙辰团队提出具有万有逼近性质的神经网络架构的设计方法]]></title><link>https://blog.youkuaiyun.com/undousing/article/details/139754958</link><guid>https://blog.youkuaiyun.com/undousing/article/details/139754958</guid><author>undousing</author><pubDate>Mon, 17 Jun 2024 21:22:16 +0800</pubDate><description><![CDATA[传统的基于优化的神经网络设计方法通常从一个具有显式表示的目标函数出发，采用特定的优化算法进行求解，再将优化迭代格式映射为神经网络架构，例如著名的 LISTA-NN 就是利用 LISTA 算法求解 LASSO 问题所得 [4]，这种方法受限于目标函数的显式表达式，可设计得到的网络结构有限。一些研究者尝试通过自定义目标函数，再利用算法展开等方法设计网络结构，但他们也需要如权重绑定等与实际情况可能不符的假设。]]></description><category></category></item><item><title><![CDATA[Nat. Mach. Intell. | 一文了解超图神经网络约束组合优化]]></title><link>https://blog.youkuaiyun.com/undousing/article/details/139754880</link><guid>https://blog.youkuaiyun.com/undousing/article/details/139754880</guid><author>undousing</author><pubDate>Mon, 17 Jun 2024 21:18:23 +0800</pubDate><description><![CDATA[2024年5月30日，来自Nasimeh Heydaribeni研究团队的Xinrui Zhan、 Ruisi Zhang 、Tina Eliassi-Rad和 Farinaz Koushanfar在__期刊上发表了一篇题为“”的研究文章。。同时，通过迁移学习HypOp展示了在不同问题形式中的泛化能力，并通过模拟退火技术提高了解决方案的准确性。研究表明，HypOp在多个基准示例中取得了显著进展，包括超图MaxCut、可满足性和资源分配问题，并展示了在药物发现中的应用。]]></description><category></category></item><item><title><![CDATA[浅析卷积神经网络-Convolutional Neural Networks]]></title><link>https://blog.youkuaiyun.com/undousing/article/details/139754851</link><guid>https://blog.youkuaiyun.com/undousing/article/details/139754851</guid><author>undousing</author><pubDate>Mon, 17 Jun 2024 21:17:20 +0800</pubDate><description><![CDATA[卷积神经网络简称CNN，在图像识别圈几乎无人不晓，下面我们就来拔一拔背后的原理。先看下应用，Input是图片（车），Output是识别结果（最可能是Car），广泛应用在图像识别，尤其是近年来火热的自动驾驶，更是得到了深度应用。在Input和Output之间，就是我们要聊的CNN，首先，对于卷积的概念不必迷惑，就像FFT，积分，微分，再到加减乘除，都是一种数学运算而已，其实无需过度挖掘数学公式，只需要理解数学公式背后的逻辑（可对照推导公式）1-加减乘除，函数基本概念，只要参加过九年义务教育都懂，略。]]></description><category></category></item><item><title><![CDATA[Galaxy：全景解读Crypto+AI赛道]]></title><link>https://blog.youkuaiyun.com/undousing/article/details/139721045</link><guid>https://blog.youkuaiyun.com/undousing/article/details/139721045</guid><author>undousing</author><pubDate>Sun, 16 Jun 2024 20:45:00 +0800</pubDate><description><![CDATA[区块链的出现可以说是计算机科学历史上最重要的进步之一。同时人工智能的发展将会，而且已经在我们的世界产生深远影响。**如果说区块链技术提供了一种新的交易结算、数据存储和系统设计范例，人工智能则是计算、分析和内容生产的革命。**这两个行业的创新正在解锁新的用例，这些用例可能会在未来几年加速两者的应用落地。本报告探讨了加密货币和人工智能的集成，重点关注试图弥合两者之间差别、利用两者力量的新用例。具体而言，本报告研究了去中心化计算协议、零知识机器学习（zkML）基础设施和人工智能代理的项目。]]></description><category></category></item><item><title><![CDATA[追根溯源：循环神经网络（Recurrent Neural Networks）]]></title><link>https://blog.youkuaiyun.com/undousing/article/details/139721004</link><guid>https://blog.youkuaiyun.com/undousing/article/details/139721004</guid><author>undousing</author><pubDate>Sun, 16 Jun 2024 20:30:00 +0800</pubDate><description><![CDATA[RNN虽然理论上可以很漂亮的解决序列数据的训练，但是它也像DNN一样有梯度消失时的问题，当序列很长的时候问题尤其严重。因此，上面的RNN模型一般不能直接用于应用领域。在语音识别，手写书别以及机器翻译等NLP领域实际应用比较广泛的是基于RNN模型的一个特例LSTM。既然大模型现在这么火热，各行各业都在开发搭建属于自己企业的私有化大模型，那么势必会需要大量大模型人才，同时也会带来大批量的岗位？“俗话说站在风口，猪都能飞起来”可以说大模型这对于我们来说就是一个机会，一个可以改变自身的机会，就看我们能不能抓住了。]]></description><category></category></item><item><title><![CDATA[深度学习之卷积神经网络（Convolutional Neural Networks ，CNN）]]></title><link>https://blog.youkuaiyun.com/undousing/article/details/139720946</link><guid>https://blog.youkuaiyun.com/undousing/article/details/139720946</guid><author>undousing</author><pubDate>Sun, 16 Jun 2024 19:45:00 +0800</pubDate><description><![CDATA[人工智能泛指让机器具有人的智力的技术。这项技术的目的是使机器像人一样感知、思考、做事、解决问题。深度学习属于深度学习里面的机器学习分支，目前已经在各科研工作者的研究下，慢慢的应用于各大工程领域。基于人工智能的认知无线电研究也逐渐增多，无论是信号的分选还是特征的提取，神经网络都可以发挥很大的贡献，今天我们就其中应用最为普遍的卷积神经网络来进行讲解。]]></description><category></category></item><item><title><![CDATA[人工智能-人工神经网络]]></title><link>https://blog.youkuaiyun.com/undousing/article/details/139721097</link><guid>https://blog.youkuaiyun.com/undousing/article/details/139721097</guid><author>undousing</author><pubDate>Sun, 16 Jun 2024 15:37:03 +0800</pubDate><description><![CDATA[人工神经网络（ANN，Artificial Neural Network）是由大量处理单元互联组成的非线性、自适应信息处理系统。它通过模拟人脑神经元对信息处理的过程和记忆信息的方式抽象出一种分布式并行信息运算方式，克服了传统的数学方式在处理非结构化信息方面的短板，并具有极强的自适应、自组织和自学习的特点，ANN 模拟人脑神经元对信息 处理的逻辑结构如图1所示。]]></description><category></category></item><item><title><![CDATA[快速了解神经网络（Neural Networks）]]></title><link>https://blog.youkuaiyun.com/undousing/article/details/139720782</link><guid>https://blog.youkuaiyun.com/undousing/article/details/139720782</guid><author>undousing</author><pubDate>Sun, 16 Jun 2024 15:24:03 +0800</pubDate><description><![CDATA[神经网络是深度学习算法的基本构建模块。神经网络是一种机器学习算法，旨在模拟人脑的行为。它由相互连接的节点组成，也称为人工神经元，这些节点组织成层次结构。]]></description><category></category></item></channel></rss>