神经网络标签_2048 AI社区

神经网络

第07期 · 看懂Agent核心三件套：记忆、规划、工具，到底是怎么干活的？

就像建筑师早画好了"房子要门要窗要地基"的图纸，但真把门窗、水管、电路做成标准化零件，是后来工业化的事。把现代 Agent 的"长期记忆"“自然语言规划”“API 工具调用"这些具体能力，安到几十年前的老先生头上，是典型的"时空穿越”——他们构想了框架，能力归当代。真正让三件套"活起来"的，是大模型时代的两件奠基工作：2022 年 10 月，Yao 等人提出 ReAct 框架，让模型把"推理"和"

Zxtellic
2026-08-25 19:30:00

 399

 9

#深度学习 #神经网络 #自然语言处理 +2
基于CosyVoice定制AI语音对话助手提速优化

基于CosyVoice定制AI语音对话助手提速优化版

 CODER0304
2026-08-25 19:16:44

 164

 2

#人工智能 #深度学习 #神经网络 +2
模型训练 loss 不降？神经网络基础组件调优指南

激活函数为网络注入非线性，ReLU 是隐藏层的默认选择，Softmax/Sigmoid 用于输出层参数初始化决定训练起点，深层网络必须使用 Xavier 或 Kaiming 初始化损失函数是优化的目标，分类用交叉熵，回归用 MSE/Smooth L1反向传播通过链式法则高效计算梯度，驱动参数更新优化器从 SGD 演进到 Adam，自适应学习率让训练更稳定正则化（Dropout、BatchNorm）

雫lulu
2026-08-25 17:50:14

 468

 13

#神经网络 #人工智能 #深度学习
深度学习归一化笔记：LayerNorm、Normalize、BatchNorm、RMSNorm 全方位对比

Normalize 是纯数据预处理手段，不属于网络可训练层，核心作用是把数据映射到固定区间、统一量纲，消除特征尺度差异，无任何可学习参数，训练时不更新权重。Normalize：工具，预处理用，无参数；BatchNorm：CV 专用，靠批次，怕小 batch；LayerNorm：NLP 标配，靠单样本，稳；RMSNorm：LN 精简版，大模型通用，更快更优。RMSNorm。

m0_74670117
2026-08-25 16:47:34

 394

 15

#深度学习 #人工智能 #transformer +3
洪水AI缺的不是模型，而是“洪水怎么变化”的数据。

FloodCastBench不是一篇单纯提出新网络的论文，而是试图解决洪水AI长期缺少“连续动态训练数据”的问题。作者先用二维浅水方程生成多场洪水的时空水深序列，再用SAR洪水图和实测洪水边界校准，并以U-Net、FNO和FNO+建立低保真、高保真、跨区域和零样本降尺度预报基准。

何处惹尘埃？
2026-08-19 15:58:30

 320

 7

#人工智能 #深度学习 #神经网络
openclaw源码解读（10）——agent-run-execution-phase.ts— 从“准备“到“发射“

本文介绍了startAgentRunExecution函数，它是agent-run-handler第9阶段的实现，负责上下文组装和任务发射。函数采用双重准入锁机制确保执行安全，包含13个关键步骤：获取锁、中止检查、子Agent会话恢复、事件广播、消息标注、创建转录记录器、处理审批延续、解析插件授权、组装运行上下文和LLM参数，最后通过dispatchAgentRunFromGateway发射任务。

qy2016skq
2026-07-31 08:55:19

 191

 7

#深度学习 #神经网络 #生成对抗网络
AI筑基录——卷积篇

这一将的概念比较多，还是得花点时间记忆一下；实际上卷积的种类不止介绍的这个普通卷积；比如还有深度可分离卷积，分组卷积，空洞卷积等等内容；后面我们专栏AI筑基录也会慢慢推进这一些内容；有了前面几期的内容，我们下一期就是用 MNIST 数据集做一个简单的实战，我们用完整的神经网络做一个分类任务；浅浅期待一下；AI筑基录的专栏会慢慢更新完，带大家有体系的理解神经网络的由来！0+0+0

CV山月
2026-07-23 14:33:57

 1043

 11

#人工智能 #神经网络 #python +2
它们由权重构成：揭秘大模型背后的灵魂架构

别只顾着调用 API，你真正需要理解的是大模型背后的“权重”。本文带你深入微观世界，揭秘这些数字如何涌现出惊人智能，助你从本质上重新审视 AI 架构 🔍。

在水一缸
2026-07-09 14:01:18

 90

#架构 #人工智能 #深度学习 +1
傅一川25S004034

神经网络与深度学习本周课程总结本周课程围绕**视觉大模型**展开学习，先后讲解了大语言模型基础、多模态大模型、视觉Transformer（ViT）、CLIP以及知识蒸馏与DINO等内容，打通了自然语言大模型到计算机视觉大模型的技术脉络，理解了Transformer架构在视觉领域的落地与拓展应用。2. **网络结构** - **嵌入层**：对图像块做扁平化、线性映射，同时添加**一维位置编码**，

m0_61657260
2026-06-08 15:38:53

 202

 8

#深度学习 #神经网络
AIAAJ | 西工大常宝辉、李楠等：基于径向基函数神经网络的激波串数据驱动控制方法研究

本文采用基于RBF-NN的数据驱动控制方法，打破了传统依赖数学模型进行控制律设计的局限性，结合沿程压力波动的标准差特征进行激波串位置识别并反馈，并通过RBF-NN控制器实时调节隔离段截流装置实现激波串的控制。激波串控制系统的示意图如图3所示，控制器的输入为给定的激波串位置指令(xsr)与误差(指令与实际激波串位置的差值(e))，输出为下游节流板的角度(u)，用以模拟背压的变化，背压变化后导致进气道

 力学与人工智能
2026-06-06 15:38:04

 437

 3

#神经网络 #人工智能 #深度学习
神经网络基础知识-分享教材

用一条线把"线性方程 → 非线性激活 → 神经元 → 正向传播 → 反向传播 → CNN → RNN → LSTM → NLP → 大模型"串起来

 子龙_w
2026-06-03 14:10:22

 653

 14

#神经网络 #人工智能 #深度学习
【多模态大模型系列·第 06 篇·终篇】未来与挑战：世界模型·具身智能·AGI——多模态的终局在哪里

本文探讨了多模态大模型的未来发展方向与核心挑战。首先分析了Sora视频模型展现的世界模型雏形及其局限性，指出当前AI仅能模仿而非真正理解物理规律。随后介绍了三种世界模型范式（生成式、交互式、预测式）及其应用前景。在具身智能方面，重点讨论了VLA模型如何将视觉、语言与行动统一，以及面临的数据成本和安全挑战。最后展望了从多模态到AGI的发展路径，提出五大关键挑战：数据瓶颈、对齐难题、因果推理等。文章认

 拾-光
2026-06-03 13:43:04

 492

 7

#人工智能 #算法 #神经网络 +3
从“这就是我的猫！”到“AI的视网膜”：一文讲透卷积神经网络

## 小孙女·全连接层（Fully Connected Layer）—— 做最终决定的“陪审团”经过好几轮“卷积→ReLU→池化”的重复（通常是5～13轮，越往后特征图越小、通道数越多），我们得到了一堆浓缩的、高级的特征图——比如“胡须存在的概率”“三角形耳朵的匹配度”“毛茸茸纹理的强度”。好了，今天的课就到这里。这个过程很像人类学习：婴幼儿并不知道“猫”的定义，但听大人指了100次“猫猫”，他的

 猿生猿长
2026-06-02 20:40:07

 385

 8

#人工智能 #cnn #神经网络
读懂JBoltAI智能问数升级：企业AI用数，瓶颈不是模型

深耕企业AI落地观察多年，我始终认为：企业缺的从来不是AI能力，而是敢用、能用、好用、可管可控的企业级AI解决方案。JBoltAI此次智能问数的迭代，最核心的价值不是新增了多少功能，而是重构了企业AI用数的底层逻辑：从被动辅助变为自主推理，从黑盒输出变为透明可溯，从Demo玩具变为生产级服务。在AI同质化严重的当下，真正能帮企业解决实际问题、打消信任顾虑、适配生产场景的技术优化，才是最有价值的迭代

 m0_59800488
2026-05-28 17:31:37

 387

 5

#人工智能 #大数据 #神经网络 +1
当AI开始“未卜先知”：深度强化学习如何让云资源伸缩不再慢半拍

为了让你更直观地理解深度强化学习在干什么，我想先讲一个游戏。想象你在玩一个超级马里奥，但不是你在控制，而是一个AI。这个AI每秒钟要做一个决定：往前走、跳、蹲下，或者吃蘑菇。每次它做出一个好动作（比如躲过了板栗仔），游戏就给它+1分；如果踩到敌人，就-10分；如果能顺利过关，一次性给+1000分。一开始这AI完全是个智障，疯狂踩坑、撞墙。但它会记住：上次往右走撞墙了，扣了分，下次不这么干了；上次跳

 算法魔法师
2026-05-14 10:10:28

 29

#人工智能 #机器学习 #深度学习 +2
浅析Function Calling

同时该方法还在大模型API层面做了优化，例如GPT会提供一个function参数，使得在调用模型时，可以把函数信息（函数名称、用途说明、参数结构等）传递过去，并且开发者无需写系统提示词，这些都会由大模型提供商统一处理好。在function calling出现之前，传统的大模型主要是聊天，无法与外部数据源交互（如通过API查询数据、查询用户文件等），也无法帮用户执行一些任务（例如发邮件、运行代码等）

kinggerui
2026-05-12 18:58:28

 427

 11

#人工智能 #自然语言处理 #神经网络 +1
认知神经科学研究报告【20260054】

## 促进世界类脑计算的发展应很多读者要求，现将ForeSight的L1级组件和一些L1级的研究成果合成为likeBrain，一个类脑计算的系统（BSD开源协议），公开源码，和各位AI爱好者共同促进世界类脑计算的发展。###系统定位与能力边界#### 能力综述本系统是一个零预设超参数、在线自适应、时空信号处理器。它融合了粒子盒阵列（空间耦合、局部状态演化）与酶促神经网络（多时间尺度非线性滤波），能

 逻辑君
2026-05-12 11:04:24

 668

 23

#人工智能 #神经网络
基于图神经网络的世界模拟器：DriveWorld与自动驾驶的下一步

世界模型的概念最早可追溯到强化学习领域。Ha和Schmidhuber在2018年的经典工作中提出，智能体可以通过学习一个环境的内部模型来模拟未来的状态转移，从而在心智中进行"想象"和规划，而不必在真实环境中反复试错。st1fθstatst1fθstat其中sts_tst表示时刻ttt的世界状态表示，ata_tat为智能体采取的动作，fθf_\thetafθ为参数化的状态转移函数。在自

 小清河505
2026-05-12 09:36:35

 424

 8

#人工智能 #神经网络 #深度学习
LLM系列：2.pytorch入门：10.划分训练集与测试集(sklearn.model_selection)

本文介绍了scikit-learn库中model_selection模块的核心功能，主要包括：数据集划分(train_test_split)：用于将数据随机分割为训练集和测试集，支持设置测试集比例、随机种子和分层抽样等参数。交叉验证(KFold)：在数据量较小时，将数据等分为K份进行K次训练和测试，提供更可靠的模型评估。网格搜索调参(GridSearchCV)：自动测试预设参数组合，通过交叉

 小糖学代码
2026-05-11 19:34:10

 468

 4

#sklearn #人工智能 #python +3
LLM系列：3.nlp基础入门：1.nlp与循环神经网络

摘要自然语言处理(NLP)作为人工智能的核心领域，正经历从规则系统到深度学习的技术变革。大模型的出现重塑了行业格局，传统技术岗位需求减少，同时催生了模型优化和垂直应用的新机遇。NLP处理的核心是序列数据，包括时间序列和文字序列。文字数据需通过分词转化为数字表示，中文分词面临独特挑战，现有jieba、HanLP等工具采用词典、统计和深度学习方法。序列数据的处理需要考虑时间步和语义顺序，这对算法设计

 小糖学代码
2026-05-11 19:32:48

 579

 13

#自然语言处理 #rnn #人工智能 +4
AI 盲目理论：当 LSSD 遇上“只会做题”的神经网络 —— 兼论通用大模型的逻辑阉割

在 2026 年这个节点，我们不需要 AI 像人一样写诗，我们需要的是看透它在流量洪流中是如何被欺骗的。LSSD 的尝试，仅仅是揭开这种盲目性的一块小石头。xhchddu98@gmail.com 联系。

xhch ddu
2026-05-11 16:56:34

 529

 8

#人工智能 #神经网络 #深度学习
昇思大模型驱动的内容智能：原理、应用与实操

昇思大模型（MindSpore）基于昇腾NPU与鲲鹏架构，通过自动并行、图算融合等技术实现高效多模态内容生成。其核心技术包括MindSpore框架、昇腾硬件加速和多模态融合，支持文本、图像、音视频的智能生成与理解。应用覆盖内容创作、医疗、工业等领域，典型案例包括智能分诊系统和新能源预测。实操指南涵盖环境搭建、模型训练及部署优化。未来将聚焦技术演进、生态拓展和伦理规范，推动智能内容生产发展。

昇思MindSpore
2026-05-08 15:29:37

 103

#性能优化 #语言模型 #深度学习 +1
0.1B 参数也能听说读写？本周语音 AI 十大前沿论文

📅 2026-05-01 至 2026-05-07 | 精选 TOP 10（含架构图）

yuyue1116
2026-05-07 16:25:33

 870

 22

#程序人生 #深度学习 #语音识别 +2
AI冲击职业排行榜？别慌！收藏这份指南，小白程序员必备，教你如何不被AI替代！

AI 最先冲击的职业榜单，本质上不是「死亡名单」。它更像是一张地图，告诉你哪里正在发生地震，以及你应该往哪里走。技术永远在变，但价值创造的本质不会变。与其担心被替代，不如想想——你能创造什么，是 AI 替代不了的？

编程喵酱
2026-05-06 14:26:30

 488

 7

#深度学习 #人工智能 #神经网络 +2
MindSpore Transformers 训推一体化 Mcore 架构介绍

MindSpore Transformers Mcore架构是昇思大模型套件的核心创新，通过五大设计实现高效开发：1）模块化组件抽象，标准化Transformer层；2）训推一体化架构，统一训练推理接口；3）声明式配置开发，模型定义代码减少85%；4）自动多维并行，支持数据/张量/流水线/专家并行；5）兼容Hugging Face生态，实现开源模型天级迁移。该架构支持Llama、Qwen等主流模型

 昇思MindSpore
2026-04-24 15:47:13

 492

 12

#架构 #神经网络 #分布式 +1
【nanobot】实战与二次开发：4000 行代码，一套完整的【AI Agent】框架

2026 年初，香港大学数据智能实验室（HKUDS）开源了 nanobot——用约 4000 行代码实现了一套功能完整的个人 AI Agent 框架，是 OpenClaw 代码量的 1%。上线 24 小时 1300+ Star，现已超过 **23k Star**。这篇文章从安装到架构拆解，再到自定义 Skill 和接入 MCP，带你把 nanobot 真正用起来。

拾-光
2026-04-24 13:45:22

 904

 9

#人工智能 #开源软件 #python +4
零成本搭建AI学习环境｜新手不用配高端显卡，5分钟上手实操

摘要：本文为AI新手提供零成本搭建学习环境的实用指南。推荐两种方式：在线环境（Colab、Kaggle、大模型平台）无需配置即可使用，适合入门学习；本地环境只需安装Python和基础库，普通电脑即可满足需求。文章强调新手应避免盲目追求高端配置，优先选择在线环境快速上手，并提供常见问题解决方案，帮助初学者轻松跨过环境搭建门槛，5分钟开启AI学习之旅。

六月星辰梓
2026-04-23 16:06:21

 347

 5

#人工智能 #学习 #开发语言 +4
《零基础搞懂神经网络 & 手写AI：从神经元公式到PyTorch实战》

本文通过类比人类学习过程，生动解释了神经网络的工作原理。首先介绍了人工神经元的基本公式（加权和+激活函数），并以苹果识别为例说明单个神经元如何工作。随后指出复杂问题需要多层神经网络，并阐述了训练过程的四个核心步骤：前向传播、损失计算、反向传播和梯度下降。文章特别强调了现代深度学习框架（如PyTorch）如何通过自动求导（loss.backward()）简化反向传播的实现，让开发者可以专注于模型架构

 li星野
2026-04-18 18:09:02

 638

 14

#人工智能 #神经网络 #深度学习
解锁论文写作新境界：书匠策AI——你的课程论文“智囊团”

在学术的道路上，我们每个人都是探索者。而书匠策AI，就像是一位智慧的向导，用科技的力量为我们指引方向，让论文写作变得轻松又高效。访问书匠策AI，开启你的智能写作之旅；微信公众号搜一搜“书匠策AI”，更多惊喜等你发现！让我们一起，用书匠策AI解锁论文写作的新境界，书写属于自己的学术辉煌！

书匠策AI学术
2026-04-18 09:19:35

 358

 8

#人工智能 #科技 #php +4
结构优化设计-主题039-差分进化算法

差分进化算法（Differential Evolution, DE）是由Rainer Storn和Kenneth Price于1995年提出的一种基于种群的随机优化算法。最初设计用于解决切比雪夫多项式拟合问题，后来被发现是一种高效的全局优化方法，特别适用于连续优化问题。DE算法的核心思想可以概括为：差分进化算法具有以下优势：对于目标个体xix_ixi，变异向量viv_ivi通过以下方式产生：D

kkchenkx
2026-04-17 22:23:37

 517

 9

#算法 #数据库 #开发语言 +2
大模型PINN专题学习

本文介绍了大模型PINN专题课程的核心内容，涵盖理论、实践与前沿应用。课程从微分方程基础到深度学习框架，系统讲解PINN（物理信息神经网络）理论及实现方法，包括强形式、变分形式等不同求解策略。重点培养学员基于PyTorch/DeepXDE等工具构建PINN模型的能力，覆盖流体力学、固体力学等领域的前沿应用场景。课程特色在于结合顶刊论文复现与工业级案例实践，通过对比传统数值方法与PINN的差异，揭示

 mning6
2026-04-17 15:40:28

 396

 11

#人工智能 #深度学习 #python +2
深度学习+第一性原理：五天攻克DFT、CGCNN与材料预测！

本文介绍了一个为期五天的深度学习与第一性原理计算融合课程。课程内容涵盖：1）量子力学基础理论和DFT计算原理；2）材料建模与电子结构计算全流程；3）材料特征工程与机器学习建模；4）CGCNN网络搭建与分子动力学分析；5）多物理场耦合和缺陷体系等综合应用。通过Python编程、pymatgen等工具，结合20+实际案例，系统培养学员在材料计算与性能预测方面的能力。课程由在Advanced Mater

mning6
2026-04-17 15:34:15

 727

 24

#机器学习 #深度学习 #神经网络
大模型应用开发实战（13）——多 Agent 真的有必要吗？LangGraph 背后的分工逻辑拆解

文章摘要：本文探讨了多Agent系统的适用场景与设计逻辑。核心观点包括：1）多Agent并非普遍适用，单Agent更适合工具少、流程固定的任务；2）多Agent的真正价值在于处理任务分工、上下文隔离等结构化问题；3）LangGraph通过图式编排显式管理状态流转，是理想的实现框架；4）OpenAI提出的handoff和agents-as-tools两种模式揭示了不同分工逻辑。文章强调，多Agent

拾-光
2026-04-16 13:51:37

 417

 12

#python #人工智能 #语言模型 +3
大模型应用开发实战（11）——文档分块真的决定 RAG 上限吗？一文讲清 Chunk、Overlap、TopK、Rerank 怎么调

RAG效果的核心在于文档切分策略优化本文深入分析了RAG系统中影响效果的关键因素，指出文档分块(chunk)策略是决定RAG效果的首要门槛。文章系统阐述了四个核心问题：文档分块标准：理想的chunk应同时满足检索精准、语义完整、独立可读三个特性，需平衡长度与信息密度。过大chunk会导致语义稀释，过小则导致信息碎片化。 Overlap设计：合理设置重叠区域(10%-20%)可防止关键信息被切断

 拾-光
2026-04-16 13:02:20

 488

 13

#人工智能 #自然语言处理 #python +4
【Scala PyTorch深度学习】PyTorch On Scala 系列课程第七章 15 ：常用神经网络RNN LSTM GRU 【AI Infra】[PyTorch Scala硕士研一课程]

本文介绍了循环神经网络（RNN）的基本原理及其在序列数据处理中的应用。RNN通过引入循环机制和隐状态来捕捉序列中的时序依赖关系，适用于自然语言处理、语音识别、时间序列分析等任务。文章详细讲解了RNN的工作原理，包括隐状态的计算过程和时间展开的可视化表示。随后介绍了如何在PyTorch中实现一个简单的RNN模型，包括nn.RNN模块的参数设置、输入输出张量的形状要求，并提供了一个基本的RNN模型代码

 Veggie张海寧
2026-04-16 09:57:38

 518

 11

#深度学习 #神经网络 #rnn
大模型应用开发实战（4）——智能体经典范式

摘要：本文探讨了大模型智能体的四大经典范式——ReAct、Plan-and-Solve、Reflection/Reflexion和Tree of Thoughts（ToT），分析其核心逻辑、适用场景及优劣势。ReAct通过“边推理边行动”适应动态任务，Plan-and-Solve以“先规划后执行”确保结构化流程，Reflection通过“生成-反思-优化”提升输出质量，ToT则支持多路径探索与回

 拾-光
2026-04-14 15:09:25

 407

 8

#深度学习 #人工智能 #神经网络 +2
解锁论文写作新境界：书匠策AI——你的课程论文智能导航员

在这个日新月异的时代，人工智能正在深刻改变着我们的生活和工作方式。在学术领域，书匠策AI的出现无疑为广大学子带来了一股清新的风。它以其智能、高效、便捷的特点，成为了课程论文写作的得力助手。如果你还在为论文写作而烦恼，不妨尝试一下书匠策AI吧！，微信公众号搜一搜“书匠策AI”，让我们一起拥抱AI，开启学术写作的新篇章！

书匠策AI学术
2026-04-14 10:29:24

 296

 2

#flask #人工智能 #神经网络 +4
一文读懂 Transformer（讲透本质）

而真正引爆 AI 的，不是某个模型，而是：完全并行计算长距离依赖建模统一建模框架也是为什么：GPTBERTT5全部基于 Transformer。可以理解为：👉“注意力分配系统”我爱北京天安门当你理解“爱”时：更关注 “我” 和 “北京”不太关注其他词👉 这就是 AttentionTransformer 通过 Attention 机制，让每个词都能理解整个上下文，从而彻底改变了 AI 对语言的建

 骑牛看日落
2026-04-13 14:55:54

 732

 8

#人工智能 #深度学习 #神经网络 +3
霸榜顶会顶刊！2026多模态Agent最新工作一览

在本系列文章中，我们梳理了近期发表的与多模态Agent有关的12篇论文汇总，包含ICCV、AAAI、IEEE Transations on Multimedia等顶会顶刊成果，旨在帮助读者快速洞察学界发展脉络与最新动态。

Python编程杰哥
2026-04-09 21:33:23

 763

 8

#人工智能 #机器学习 #重构 +2
认知神经科学研究报告【20260010】

摘要本研究通过8×8网格环境中的多智能体资源争夺实验，观察到脉冲神经网络控制的智能体自发涌现出复杂协作行为。在双人团队对抗中，智能体能够根据环境状态（资源分布、敌人位置、自身能量）灵活切换攻击、追踪、探索和躲避四种策略。尤为值得注意的是，在没有明确合作奖励的情况下，智能体表现出"救援被夹攻队友"的利他行为，放弃高价值资源点转而攻击威胁队友的敌人。从认知科学视角分析，这种行为类

 逻辑君
2026-04-09 21:14:16

 901

 23

#人工智能 #机器学习 #神经网络 +1
【个人CNN学习记录之神经网络基础补充】

在日常工作中，我专注于并行计算领域，主要依托GPGPU、NPU等高算力芯片进行开发。当前，高算力与AI已深度融合，计算与人工智能二者相辅相成：底层计算为实现通用算法与算子提供基础，而AI模型则能反哺并优化传统算法的决策效率与性能。为系统构建这方面的知识体系，我在公司导师的推荐下，跟随up主“霹雳吧啦Wz”的CNN系列视频进行学习，并通过博客记录学习过程，融入自己的理解与总结。以上就是今天要讲的内容

 zskyone
2026-04-09 19:20:00

 400

 8

#神经网络 #cnn #学习
拆解政务知识库落地：从0到日均万次应答的实战手记

通过“知识图谱 + 大模型”的融合路线，让沉睡的政策文本变为7×24小时在线的“数字网格员”，让居民享受“服务就在指尖”的便捷，也让基层工作者回归服务本质。

qq_32181623
2026-04-09 14:17:51

 507

 13

#人工智能 #神经网络 #知识图谱 +1
架构融合是什么？——乐高积木思维

想打造高效神经网络？架构融合就像搭乐高 🧩，让你告别“从零造轮子”的繁琐。通过复用成熟模块与标准接口，你不仅能快速组合创新，还能轻松调试优化。掌握 ResNet、ViT 等经典案例背后的设计哲学，解锁 AI 架构设计的艺术！

yweng18
2026-04-09 08:31:34

 599

 17

#架构 #深度学习 #人工智能 +1
【鸿蒙HarmonyOS毕业系统毕设选题】最新颖的鸿蒙HarmonyOS毕业设计选题汇总易过的精品毕设项目分享(建议收藏)✅

本文介绍了一系列计算机毕业设计项目案例和技术服务，涵盖数据分析、微信小程序、人工智能等多个领域。博主提供从选题指导到论文降重、答辩辅导等全流程服务，涉及SpringBoot、Vue、Python等主流技术。文章推荐了20+新颖选题案例，包括AI法律咨询、无人机航迹优化、虚拟股票交易等系统，每个案例均标注技术栈、创新点和开发难度。同时还展示了贷款数据分析、智能健身评估等已完成项目的界面截图，为计算机

 AissenMe
2026-04-09 09:00:00

 540

 14

#harmonyos #华为 #目标检测 +3
[具身智能-293]：语言识别中麦克风的种类

消费类智能硬件（音箱、屏、手机）首选 MEMS麦克风（数字输出，一致性好，适合组阵列）。专业录音/数据采集：首选大振膜电容麦克风（获取最纯净的原始数据用于训练模型舞台/嘈杂现场演讲：首选动圈麦克风抗啸叫，只收近场声音远距离拾音：必须使用麦克风阵列 + 波束成形算法。在AI的视角里，麦克风就是传感器。MEMS之所以胜出，是因为它在小型化集成度和一致性上最符合数字化、算法化处理的需求。

文火冰糖的硅基工坊
2026-04-09 00:21:02

 489

 5

#机器学习 #神经网络 #人工智能 +1
论文精读：放弃绝对打分！带你从浅入深看懂大模型对齐前沿算法 INPO

在大型语言模型（LLM）的对齐竞赛中，传统的 DPO（直接偏好优化）正在遭遇不可忽视的瓶颈。当模型能力逐渐超越人工标注的静态数据集时，强行假设“绝对完美回复”的数学底层（Bradley-Terry 模型）往往会导致模型陷入分布偏移的泥潭，甚至发生能力退化。本教程深度拆解了对齐领域的重磅前沿论文 INPO（Iterative Nash Policy Optimization）。该算法完成了一次惊艳的

 AggressiveYu
2026-04-08 20:49:16

 440

 12

#人工智能 #深度学习 #神经网络 +3
原型库：AI 的“概念词典“

想理解 AI 如何掌握概念？本文揭秘 CATS-NCT 的"原型库"，它就像 AI 的"概念词典" 📖。你将看到 100 个可学习向量如何模拟人脑"概念细胞"，通过原型匹配实现知识迁移，轻松读懂 AI 的概念学习机制！🚀

yweng18
2026-04-08 19:08:42

 568

 17

#人工智能 #深度学习 #神经网络