dnn标签_2048 AI社区

dnn

【numpy手搓DNN极简版】

本文介绍了一个使用NumPy实现的极简版深度神经网络(DNN)。该网络支持自定义层数结构（如begin(8,4,2)表示输入层8节点、隐藏层4节点、输出层2节点），隐藏层默认使用leaky_relu激活函数，输出层使用sigmoid激活函数。核心算法包括：1）基于矩阵运算的前向传播；2）通过递归实现的链式法则反向传播；3）支持学习率动态调整的梯度下降优化。代码提供完整的训练流程（train()）、

I_say_lie
2026-06-09 14:12:01

 51

 1

#python #dnn
深度神经网络到AI大语言模型：一场被“误认为突然发生”的技术演进

技术的进步往往是连续积累的，而人类的感知却是离散跳变的。更深的网络更大的数据更强的算力更通用的结构这些因素在十余年间持续推进，只是在大模型阶段第一次同时跨越了关键规模阈值，使模型从“任务拟合工具”转变为“通用知识表征系统”。这种能力的出现更像是物理系统中的相变，而非技术路径的突然转折。数学基础没有改变训练机制没有改变神经网络这一核心框架没有改变真正改变的是：模型开始学习的对象，从“标签函数”扩展为

 学而要时习
2026-02-02 11:47:21

 1357

 21

#人工智能 #dnn #语言模型
如何在 CentOS 8 上使用 NVIDIA A100 GPU 加速 AI 推理，优化自定义深度神经网络的响应速度？

A5数据从硬件环境、软件栈安装、模型转换、TensorRT 引擎构建、推理执行到性能 Benchmark，详细介绍了如何在 CentOS 8 上打造高性能的 A100 推理服务。使用 TensorRT 的 FP16/INT8 量化精细调优 batch、workspace 等参数利用 CUDA 高效的内存管理与 Tensor Core在实际部署中，请结合业务延迟需求与精度容忍度，选择合适的推理配置，

oMcLin
2026-01-27 09:14:45

 662

 16

#人工智能 #centos #dnn
如何在RHEL 8上通过自定义深度神经网络优化AI医疗影像分析，提升诊断准确率？

CT 肺结节检测（分类+定位）MRI 脑肿瘤分割（像素级分割）X 光骨折识别（二分类）任务基础网络定制策略肺结节检测引入注意力机制（CBAM）提高小目标响应脑肿瘤分割U-Net 变体添加深层监督与对比损失骨折识别TPU 权重蒸馏 + 强化数据增强A5数据通过在 RHEL 8 平台上构建定制深度神经网络、结合医疗影像特性的数据增强与损失设计，以及合理的训练与推理优化策略，我们成功提升了多个医疗影像分

 oMcLin
2026-01-25 09:51:40

 639

 26

#人工智能 #dnn #神经网络
AI基础概念之十二：RNN算法的基本原理

核心特征：隐藏层自循环 + 时间步权重共享，实现时序记忆；三层结构：输入层（接收序列）→ 隐藏层（存储记忆）→ 输出层（任务输出）；关键公式：隐藏状态 ht 是连接历史与当前的核心，决定了 RNN 的记忆能力；变体延伸：LSTM/GRU 是基础 RNN 的隐藏层增强版，结构框架完全兼容。

楚来客
2026-01-21 10:40:50

 1053

 7

#dnn #人工智能 #神经网络
2026年AI资深工程师/架构师规划路线

我使用google的gamma3 ，帮我规划学习大模型底层，从工程路线，学习Transformer、到大模型、多模态，分析业界哪些框架可以帮我从底层学习路线综合分析并给出结论。然后对gamma3给出的结论，放到gpt中让gpt结合业界分析这个结论怎么样啊帮我分析一下给出流程和结论，并给打分不及格是低于60分，及格是60 ，良好是75到85 分，优秀 85到95分，满分100分

 chen_song
2026-01-09 06:27:22

 857

 19

#人工智能 #机器学习 #深度学习 +2
2025智能体（Agent）框架全景：构建自主智能的基石

在这个人机共生的新时代，智能体框架的发展将不仅仅是工程师关心的技术问题，而是需要社会各界共同参与设计的社会技术系统。特别值得注意的是“人机协作回路”的兴起，即智能体在遇到不确定或高风险决策时，能够主动向人类寻求指导，形成人机共商的决策模式。早期的人工智能系统多是被动响应指令的工具，而如今的智能体框架则强调自主感知、规划、决策与协作能力。这一转变源于多模态大语言模型的突破性进展，使得智能体能够理解更

 人工智能培训
2025-12-23 17:31:54

 828

 22

#神经网络 #dnn #人工智能
深度神经网络驱动的生成式文本优化技术采用多层级语义理解框架，通过Transformer核心机制实现智能化内容重构

以aibiye为代表的平台搭载先进的语义重组引擎，能够高效重构文本内容，在将重复率降至8%以内的同时，完美保持学术表达的规范性和逻辑严谨性。语言重构的多维策略包括词汇层面的专业同义替换，需确保术语使用的学科适切性。典型案例实证某材料学研究者采用人机协同模式：先用aibiye优化文献综述，再整合自主实验获得的新型复合材料数据，最终论文不仅实现5%的低查重率，更展现出显著的学术创新价值。通过持续的文

 Ai学术大佬
2025-11-12 10:09:32

 948

 7

#dnn #transformer #重构 +1
基于Transformer的生成式文本优化方法采用深度神经网络架构的生成式模型，通过多层次语义分析实现对文本内容的智能优化。该技术利用Transformer的自注意力机制，在保留原始语义的基础上进行

以aibiye为代表的平台通过语义重组引擎实现了文本内容的高效重构，在显著降低重复率的同时完整保持了学术表达的规范性与逻辑严谨性。对于学术素养不足的写作者，盲目的文本改动可能导致学术质量受损，甚至产生新的抄袭风险。典型案例显示，某商科研究生通过系统性的降重操作，在保持论文核心观点不变的前提下，成功将文本重复率降低20个百分点。对于需要深度内容重构的综述类文献，推荐采用AI生成与专家复核相结合的工作

 Ai学术大佬
2025-11-10 15:46:18

 635

 24

#transformer #dnn #架构 +2
2025年智能降重系统技术亮点基于前沿自然语言处理技术研发的智能降重系统将在2025年正式面世。该系统采用创新的深度神经网络架构，具备文本语义深度解析与智能重组两大核心功能。

2025年AI论文降重工具迎来重大突破，aibiye与aicheck形成完美组合拳。前者提供精准高效的直接降重服务，后者通过智能文献综述实现间接辅助，双管齐下解决学术写作难题。需要强调的是，技术工具始终是辅助手段。研究者仍需发挥主观能动性，在合理引用基础上融入原创观点，才能打造出兼具学术价值与规范性的优质论文。欢迎在评论区交流使用心得，期待与各位研究者共同探讨学术写作的最佳实践。下次分享将继续聚焦

 Ai学术大佬
2025-11-10 15:11:43

 1385

 21

#自然语言处理 #dnn #架构
采用Transformer架构的生成式模型实现多层次的文本优化，通过深度神经网络对原始内容进行语义保持的智能化处理。

通过预训练语言模型对输入文本进行深度语义分析，结合学术知识图谱自动检测重复片段，运用生成对抗网络技术对识别内容实施多维度改写：在确保专业概念准确性和逻辑连贯性的前提下，智能替换同义词汇、重组语法结构、转换表达方式，最终生成符合国际学术标准的原创性内容。实际案例显示，某经济学硕士论文经AI降重后，重复率从42%降至6.3%，关键理论框架部分无语义失真，且节省了原本需要72小时的人工修改时间。以aib

Ai学术大佬
2025-11-06 14:42:54

 663

 17

#transformer #架构 #dnn +1
2025年即将发布的智能降重系统深度融合最新自然语言处理技术，依托深度神经网络架构完成文本语义的深度解析与智能重组。

总之，2025年的AI论文降重网站真的太给力了！aibiye 在降重上直接高效，aicheck 则通过文献综述间接助力，两者互补。当然啦，AI只是工具，关键还是咱们自己得多动脑筋——合理借鉴，加入原创思考，才能写出既有深度又避免查重烦恼的好论文。希望我的分享能帮到你们！如果有问题，欢迎留言讨论哦～下次见！✨。

Ai学术大佬
2025-11-06 14:31:09

 900

 23

#自然语言处理 #dnn #人工智能
该技术运用人工智能领域的深度神经网络方法，通过多层次语义解析和动态上下文建模实现对文本内容的智能优化处理。系统采用注意力机制和迁移学习策略，可精确识别原文的深层语义结构和逻辑关联网络。

近期后台数据显示，论文AI生成内容（AIGC）比例超标成为普遍现象。大量用户反馈检测结果显示AI生成内容占比超过30%，部分案例中，学校检测平台已发出正式警告通知，针对AIGC率超标问题，经过多次验证的降重方案能够显著降低检测数值。这些方法在实际应用中已证实可将AI生成内容比例控制在学术机构要求的合格范围内。

Ai学术大佬
2025-11-06 13:50:10

 826

 21

#人工智能 #dnn #迁移学习 +1
学术论文的重复率是毕业审核的核心指标之一，查重率过高可能引发学术不端争议。目前高校普遍采用知网、万方等权威系统检测，要求总文字复制比通常低于15%-20%。5款降重工具深度评测：科学应对论文重复率难题

秒篇是一款专门针对AI生成论文进行优化的专业工具，特别适合使用GPT等大模型撰写初稿的学生群体。作为学术写作的"AI降AI"神器，它能有效解决机器生成文本的生硬问题。

Ai学术大佬
2025-11-05 17:27:53

 706

 10

#重构 #人工智能 #dnn
2025年推出的智能降重系统采用前沿自然语言处理技术，基于深度神经网络对文本内容进行语义分析与重构。该系统通过多维度特征提取和上下文建模，实现文本表达的智能优化。

总之，2025年的AI论文降重网站真的太给力了！aibiye 在降重上直接高效，aicheck 则通过文献综述间接助力，两者互补。当然啦，AI只是工具，关键还是咱们自己得多动脑筋——合理借鉴，加入原创思考，才能写出既有深度又避免查重烦恼的好论文。希望我的分享能帮到你们！如果有问题，欢迎留言讨论哦～下次见！✨。

Ai学术大佬
2025-11-05 17:07:20

 599

 9

#自然语言处理 #dnn #重构
2025年学术写作对AI降重工具提出更高要求：需支持专业术语重组、数学公式重构、图表数据转化等高级功能。工具需具备自然语言深度处理能力，同时兼容LaTeX等学术排版系统。

我试用了它的“降重引擎”，上传工科报告后，算法把“傅里叶变换公式”自动改写为“频谱分析数学模型”，语义不变、重复率暴跌。专攻学术文本，能精准识别公式中的AI特征（如过度规整的符号排列），替换为更“人类化”表达。我用它处理了工科初稿，上传后20分钟输出，AIGC率降至个位数，原文公式语义无损。测试案例显示，该工具能将原文的“矩阵运算公式”智能重构为“数组计算逻辑”，在保持学术严谨性的同时显著降低查重

 Ai学术大佬
2025-11-05 16:56:31

 701

 12

#人工智能 #重构 #dnn
AI驱动的学术文本优化方案智能查重与语义重组：采用AI Check、秒篇等工具对文本进行深度分析，通过语义识别和同义替换技术，在不改变原意的前提下重构表达方式，显著降低重复率

在学术写作领域，AI生成内容（AIGC）检测已成为关键环节。当前已有5款主流AI检测平台通过实测验证，采用特定策略可将AIGC率从30%以上降至15%以内的安全阈值。通过语义重构、术语替换与逻辑强化三重技术组合，能有效规避AI文本特征识别，满足高校论文原创性审查标准。

Ai学术大佬
2025-11-05 16:18:29

 895

 19

#人工智能 #重构 #dnn +1
自然语言处理技术驱动的语义分析系统，通过深度神经网络模型精准识别论文核心观点与逻辑结构，确保学术内容的完整性不受改写影响。

总之，2025年的AI论文降重网站真的太给力了！aibiye 在降重上直接高效，aicheck 则通过文献综述间接助力，两者互补。当然啦，AI只是工具，关键还是咱们自己得多动脑筋——合理借鉴，加入原创思考，才能写出既有深度又避免查重烦恼的好论文。希望我的分享能帮到你们！如果有问题，欢迎留言讨论哦～下次见！✨。

Ai学术大佬
2025-11-05 15:42:04

 852

 20

#自然语言处理 #dnn #人工智能
为提高实验数据与结果分析的严谨性，以下7款工具可辅助优化研究流程，同时降低AIGC生成内容的风险：

通过实际测试验证，AI工具在工科类数据处理中的应用效果显著，尤其在论文写作、实验数据处理和学术报告撰写等方面。

Ai学术大佬
2025-11-04 16:15:45

 960

 29

#人工智能 #深度学习 #dnn
采用深度神经网络架构，实现段落级别的语义一致性重组，显著超越传统基于词表替换的文本改写在严格保持原文理论框架与学术逻辑的前提下，通过上下文感知的生成式模型完成内容重构，有效满足学术出版物的规范性要求。

2025届毕业生在论文定稿阶段需同时解决文本重复率与AI生成内容检测问题。学术不端行为的主要成因包括文献引用格式错误及原创性表述缺乏。智能降重技术基于语义分析算法，能够在不改变核心内容的情况下重构语言表达。多平台测试结果表明，该技术可有效降低重复率30%-50%。针对高校AIGC检测系统，需采用混合处理策略：利用专业工具定位AI生成特征段落，结合人工修订与智能优化技术进行文本改进。实际应用证明，该

 Ai学术大佬
2025-11-04 15:59:39

 919

 30

#dnn #重构 #人工智能 +2
MCP有了，Agents.md 又是什么？

摘要： AGENTS.md和MCP代表了AI编程工具领域的两大新兴标准。MCP是面向大语言模型的上下文接入协议，而AGENTS.md则是一个专为AI编程代理设计的结构化操作手册。它以Markdown格式提供项目的精确构建命令、测试流程和代码规范，与面向人类开发的README形成互补。AGENTS.md的标准化有助于解决不同工具间的碎片化问题，目前已有4万多个开源项目采用。它与MCP形成内外协同的关

 码农Q！
2025-10-31 19:12:54

 1282

 28

#人工智能 #transformer #dnn +2
基于AI融合与智能控制的新能源系统场景实例：深度神经网络辅助的风电预测与功率调度建模

随着风能作为清洁能源的重要性日益增加，准确预测风力发电量对于电网稳定运行和经济效益最大化至关重要。然而，由于风速的间歇性和不确定性，传统的统计方法往往难以提供足够的准确性。近年来，**深度学习（Deep Learning）**作为一种强大的机器学习技术，在处理复杂非线性关系方面表现出色，为风电预测提供了新的解决方案。本文将详细介绍如何使用来构建一个基于深度神经网络的风电预测模型，并通过将其集成到微

 amy_mhd
2025-09-16 23:37:35

 951

 20

#人工智能 #dnn #智能电视
超级智能技术前景与行业竞争分析

在7月的一份备忘录中，该CEO表示某机构“具有独特优势”来提供超级智能，因为它有足够的现金来获取所需的大量计算资源，有向数十亿人提供产品的记录，通过其智能眼镜和VR头显在AI硬件方面拥有经验，以及允许大胆尝试的公司结构。它已经在建设两个大型数据中心，将为训练和运行超级智能系统产生数千兆瓦的能量，该CEO已投入数亿美元从某实验室、某搜索巨头、某水果公司和某安全超级智能公司吸引顶级人才组建新的AI研究

 codeshare1135
2025-09-08 17:20:22

 871

 19

#人工智能 #AIGC #dnn +1
字语千音：博途智创AI团队自研的基于Transformer与深度神经网络的文本-语音合成软件

《字语千音》是由博途智创AI团队研发的一款基于深度神经网络技术的专业语音合成软件，为不同领域的用户提供高质量、个性化的语音合成解决方案。无论是个人创作、教育培训，还是商业应用，《字语千音》都能以自然流畅的语音输出，显著提升工作效率，降低制作成本。

余渊辰
2025-08-04 22:32:01

 394

 5

#人工智能 #dnn #神经网络 +4
[IWCMC 2021]A Survey: Challenges and Future Research Directions of fMRI Based Brain Activity Decodin

计算机-人工智能-fMRI解码综述

 夏莉莉iy
2025-07-31 12:38:12

 968

 9

#人工智能 #深度学习 #机器学习 +4
MATLAB实现DNN全连接神经网络多输入多输出

深度神经网络 (DNN) 在近年来取得了显著的进展，并广泛应用于各种领域，例如图像识别、自然语言处理和语音识别等。DNN 通常包含多个层，每一层都由多个神经元组成，这些神经元之间通过权重和偏置进行连接。全连接神经网络 (Fully Connected Neural Network, FCNN) 是一种常见的 DNN 架构，其中每个神经元与上一层的所有神经元相连。本文将介绍如何使用 MATLAB 实

 matlab科研助手
2024-09-25 09:48:13

 1106

 17

#神经网络 #matlab #dnn
基于 DNN 的人脸检测和识别

基于 DNN 的人脸检测和识别

 人工智能小豪
2024-02-07 09:15:00

 1866

 22

#dnn #oracle #人工智能 +2
深度学习&PyTorch 之 DNN-多分类

DNN多分类

 Andy_shenzl
2023-01-18 16:41:17

 2758

 2

#深度学习 #pytorch #dnn
深度神经网络损失函数和反向传导

之前对于深度神经网络的学习，主要集中于如何更改模型结构，以及了解模型结构不同部分所起到的作用和原理。虽然对于注意力机制、GAT、LSTM、Transformer等不同结构的实现原理有了很好的了解，但是对于神经网络的损失函数和反向传导过程的理解程度较为差劲，如何设计损失函数可以更好地适应任务以及Max Pooling如何反向传导等问题一时语塞不知如何作答。回想起正好一年前看的吴恩达老师的视频，虽然对

 jiangchao98
2021-12-22 22:30:32

 6096

 4

#dnn #神经网络 #深度学习
[opencv]DNN图像分类

OpenCV由各种不同组件组成。OpenCV成为最主要的图像处理工具包，是因为它功能齐全，支持目前主流的图像、视频处理算法，而且对外提供C++、Python和Java的接口，用户调用方便。本节主要讲解OpenCV深度学习模块的实现原理和主要特性，通过这些内容，读者可以对OpenCV DNN有一个总体了解，并对OpenCV深度学习模块的应用代码有一个初步的印象。如果需要的层类型不在这个支持列表之内，

FL1623863129
2024-06-29 13:58:19

 1102

 20

#opencv #dnn #分类
科研速递 | TPAMI 2025：深度神经网络模型对抗攻击与防御平台 A³D开源发布

平台集成了多种神经网络架构搜索方法，覆盖多种类型鲁棒性评估指标，如范数对抗攻击、语义对抗攻击、对抗伪装和可量化指标等，可实现自动搜索适配当前攻击算法的最优鲁棒网络模型架构。最后，平台将自动对抗攻击和自动对抗防御结合形成一个统一的框架，借助攻防博弈思想，不断迭代升级，一方面加固模型防御性能，另一方面增强对抗攻击性能，以提升对抗攻防效果。自动对抗攻击方面，通过基于自动机器学习的组合对抗攻击，构建攻击参

 PaperWeekly
2025-04-15 12:40:18

 1301

 1

#dnn #人工智能 #神经网络 +2
广义OOD数据检测方法的概念辨析

广义OOD检测包含了异常检测（AD）、新颖性检测（ND）、开集识别（OSR）、分布外（OOD）检测和离群点检测（OD）五个子问题

 海苔小饼干
2023-01-23 18:50:36

 2198

 2

#人工智能 #深度学习 #dnn
ESWA2024 | GI-FGSM | 通过全局动量初始化提高对抗攻击的迁移性

本文 “Boosting the Transferability of Adversarial Attacks with Global Momentum Initialization” 提出全局动量初始化（GI）方法，通过预收敛和全局搜索解决梯度消除问题，提升对抗攻击转移性，在多种攻击场景和模型上效果显著。

四口鲸鱼爱吃盐
2025-02-27 09:15:00

 1586

 44

#深度学习 #人工智能 #dnn
MATLAB实现DNN全连接神经网络多输入多输出

深度神经网络 (DNN) 在近年来取得了显著的进展，并广泛应用于各种领域，例如图像识别、自然语言处理和语音识别等。DNN 通常包含多个层，每一层都由多个神经元组成，这些神经元之间通过权重和偏置进行连接。全连接神经网络 (Fully Connected Neural Network, FCNN) 是一种常见的 DNN 架构，其中每个神经元与上一层的所有神经元相连。本文将介绍如何使用 MATLAB 实

 Matlab_数学建模助手
2024-09-25 09:48:10

 1675

 20

#神经网络 #matlab #dnn
深度神经网络的校准问题研究：从架构差异到温度缩放优化

深度神经网络的校准不良问题是一个重要的研究领域，影响着模型在实际应用中的可靠性和有效性。通过理解校准的概念、原因及其影响，并采取适当的改进措施，可以显著提高模型的预测质量，确保在关键应用中的安全性和准确性。

XianxinMao
2025-01-13 10:46:36

 1618

 22

#dnn #架构 #人工智能
深度神经网络

深度神经网络（Deep Neural Network，DNN）是一种包含多个神经元、多个隐藏层的人工神经网络，可以用于解决复杂的模式识别和机器学习问题。深度神经网络通过学习大量数据的深层特征表示，可以获得比传统神经网络更高的分类准确率和更强的学习能力。实用干货，记得点赞、记得收藏。

J56793
2024-07-01 01:15:00

 968

 12

#dnn #人工智能 #机器学习 +1
处理图像的深度神经网络（DNN）有哪些呢？

我按和。

小桥流水---人工智能
2025-04-18 08:38:45

 792

 4

#dnn #人工智能 #神经网络
0_1-全连接层、损失函数的反向传播

依赖知识约定说明误差反向结论常用损失函数均方差损失交叉熵损失依赖知识a) 了解神经网络的基础知识b) 熟悉导数的链式法则及常见函数的导数c) 熟悉常见的优化方法，梯度下降，随机梯度下降等d) 熟悉矩阵和向量的乘加运算约定说明a) 对于一个nnn层神经网络,第iii层表示为li,&amp;amp;amp;nbsp;1≤i≤nli,&amp;amp;amp;nbsp;1

yizt
2018-08-19 16:56:30

 9382

 14

#numpy #dnn #神经网络
ICCV2023 | GRA | 通过梯度相关攻击提高对抗性迁移性

本文 “Boosting Adversarial Transferability via Gradient Relevance Attack” 提出梯度相关攻击（GRA）方法，通过设计梯度相关框架挖掘输入邻域信息，利用衰减指标应对对抗扰动符号波动，提升了对抗样本的可迁移性，实验验证了该方法在多种模型上的有效性。

四口鲸鱼爱吃盐
2025-02-16 09:38:23

 2321

 35

#深度学习 #人工智能 #dnn +1
从MRAM的演进看存内计算的发展

随着人工智能、物联网、智能传感等应用的快速兴起，数据以爆发式的速度增长。海量数据的高效存储、迁移与处理成为当前信息领域的重大挑战。受限于经典的冯诺依曼计算架构存储与处理分离的特性，在面向大数据分析等应用场景中，数据总线的带宽严重制约了处理器的性能与能量效率，并且数据的频繁迁移带来严重的传输功耗问题。存内计算架构在此基础上应运而生。如图-1b所示，通过赋予存储器计算功能，以数据为中心，避免不必要的数

 存内计算开发者
2024-03-29 12:53:22

 2142

 25

#人工智能 #神经网络 #架构 +4
梯度消失和梯度爆炸

深度神经网络（DNN）近年来在各种应用领域中表现出色，如计算机视觉、自然语言处理和强化学习等。然而，在训练深层网络时，研究人员和工程师常常会遇到两个棘手的问题——梯度消失和梯度爆炸。这些问题会导致网络难以训练，甚至无法收敛。本文将深入探讨这两个问题，并介绍在参数初始化时如何小心应对，以确保网络能够顺利训练。梯度消失发生在反向传播过程中，尤其是在使用饱和激活函数（如Sigmoid或Tanh）的情况下

 Hello.Reader
2024-09-20 09:15:00

 1431

 18

#dnn #人工智能 #神经网络
几层以上叫深度神经网络,多少层算深度神经网络

第一步类似神经网络的随机初始化初值过程，由于DL的第一步不是随机初始化，而是通过学习输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果；同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutionalneuralnetworks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度

 super339
2022-08-14 16:05:37

 3147

 1

#dnn #深度学习 #神经网络
cuda11.2.2+cudnn8.1.1+tensorflow2.10.0小白文

本文适合纯小白。一、总体概述文章的最后一个注意比较重要，因为找了很多文章基本都是独立的，一篇安装anaconda，一篇安装pycharm，一篇安装tensorflow，结果在各自的文章很可能就不会聊到这个问题，最后要去重新找解决这个问题的办法。

笑哈哈牌动力
2023-04-01 17:21:29

 2801

 2

#python #深度学习 #cnn +2
用pytorch训练图像分类器模型导出ONNX测试

项目实现功能1. 搭建一个简单的图片分类器，完成训练和测试2. 转换pytorch的pth模型到ONNX格式，加载ONNX并测试项目结构images目录下存放训练和测试数据集，本例使用了kaggle竞赛的猫狗数据集，统一resize到了120*120大小；TrainTestConvertOnnx.py 是训练和测试代码，包括了pth模型到onnx的转换。训练在CPU和GP...

-牧野-
2019-10-29 20:26:27

 1.1w

 12

#pytorch #opencv #dnn
01_简单信号的连续和离散形式（1）

https://www.bilibili.com/video/BV1SB4y1C7yx?p=2&vd_source=7dace3632125a1ef7fd32c285eb2fbac

江畔柳前堤
2024-06-13 10:30:54

 835

 3

#网络 #dnn #人工智能 +2
MaskFormer

This repository has been archived by the owner on Aug 30, 2023. It is now read-only.不建议复现。

宇来风满楼
2024-05-01 20:44:33

 937

 3

#人工智能 #算法 #机器学习 +2
DeePromClass:利用深度神经网络预测真核核心启动子的工具

DNA构成生命的源代码，基因的时空表达由转录程序承担。核心启动子是DNA的一个小片段。在真核生物中的核心启动子通常以大量同源序列基序为特征，特别是TATA盒、Inr元件(启动元件)、BRE (TFIIB识别元件BREu和BREd)、DPE(下游启动子元件)和暂停按钮等。精确定位于转录起始位点[2]、[3]、[4]、[5]、[6]、[7]。它们还含有独特的结构信号和非规范启动子结构基序，即低稳定区、

m0_45267771
2023-08-26 19:46:42

 1493

#dnn #人工智能 #神经网络 +2
基于Pytorch的深度神经网络DNN实战（手写数字识别MNIST）

编辑器为Pycharm，深度学习框架为Pytorch，需要用到的库有torch,torchvision,matplotlib.自己提前配置好环境那么上面这些就没什么问题，运行过程中缺少什么库就补什么库。# 损失函数的选择loss_fn = nn.CrossEntropyLoss() # 自带 softmax 激活函数# 优化算法的选择learning_rate = 0.01 # 设置学习率# 训练

 LostNFound
2023-12-31 16:38:36

 1683

 29

#pytorch #dnn #人工智能 +4
CVPR2024 | L2T | 动态学习变换以提高对抗迁移性

本文 “Learning to Transform Dynamically for Better Adversarial Transferability” 提出了 Learning to Transform (L2T) 方法，将最优变换组合选择视为轨迹优化问题，利用强化学习动态选择最优输入变换，提高对抗样本的可迁移性，经实验验证效果显著。

四口鲸鱼爱吃盐
2025-02-28 09:00:00

 2128

 39

#网络 #深度学习 #dnn