- 1.1 深度学习介绍 深度学习与神经网络 1.2 神经网络基础 1.3 浅层神经网络 2.1 多分类与 TensorFlow 5、得出每次训练的准确率（通过真实值和预测值进行位置比较，每个样本都比较） 2.2 梯度下降算法改进 2.3.4 其它正则化方法 2.4 BN 与神经网络调优 3.1 图像数据与边缘检测 3.2 卷积神经网络(CNN)原理 3.3 经典分类网络结构 4. 1.1 深度学习介绍 深度学习与神经网络 1.2 神经网络基础 1.3 浅层神经网络 2.1 多分类与 TensorFlow 5、得出每次训练的准确率（通过真实值和预测值进行位置比较，每个样本都比较） 2.2 梯度下降算法改进 2.3.4 其它正则化方法 2.4 BN 与神经网络调优 3.1 图像数据与边缘检测 3.2 卷积神经网络(CNN)原理 3.3 经典分类网络结构 4.
- 1.深度学习概述包括深度学习与机器学习区别、深度学习应用场景、深度学习框架介绍、项目演示、开发环境搭建（pycharm安装）。2. TensorFlow基础涵盖TF数据流图、TensorFlow实现加法运算、图与TensorBoard（图结构、图相关操作、默认图、创建图、OP）、张量（张量概念、张量的阶、张量数学运算）、变量OP（创建变量）、增加其他功能（命名空间、模型保存与加 1.深度学习概述包括深度学习与机器学习区别、深度学习应用场景、深度学习框架介绍、项目演示、开发环境搭建（pycharm安装）。2. TensorFlow基础涵盖TF数据流图、TensorFlow实现加法运算、图与TensorBoard（图结构、图相关操作、默认图、创建图、OP）、张量（张量概念、张量的阶、张量数学运算）、变量OP（创建变量）、增加其他功能（命名空间、模型保存与加
- YOLOv4深度解析：革命性的实时目标检测技术 YOLOv4深度解析：革命性的实时目标检测技术
- 通道注意力机制|Channel Attention Neural Network 通道注意力机制|Channel Attention Neural Network
- F-GNN的新型检测框架：随机森林增强图神经网络 F-GNN的新型检测框架：随机森林增强图神经网络
- 近年来，大语言模型技术呈现两大显著发展趋势：一是混合专家（Mixture-of-Experts, MoE）架构的普及，万亿参数规模模型通过动态路由机制实现高效推理与领域专精；二是Agent能力的重要性持续提升，模型从被动对话交互向主动执行任务、工具调用及复杂工作流编排演进。 近年来，大语言模型技术呈现两大显著发展趋势：一是混合专家（Mixture-of-Experts, MoE）架构的普及，万亿参数规模模型通过动态路由机制实现高效推理与领域专精；二是Agent能力的重要性持续提升，模型从被动对话交互向主动执行任务、工具调用及复杂工作流编排演进。
- 4.1.4 GRU(门控循环单元) 4.1.5 LSTM(长短记忆网络) 循环神经网络 4.2 词嵌入与NLP 学习目标 4.2.2 词嵌入 4.2.3 Word2Vec案例 4.3 seq2seq与Attention机制 4.3.2 注意力机制 4.3.3 机器翻译案例 4.3.4 集束搜索（Beam Search） 4.3.5 BLEU-机器翻译的自动评估方法 5.1 生 4.1.4 GRU(门控循环单元) 4.1.5 LSTM(长短记忆网络) 循环神经网络 4.2 词嵌入与NLP 学习目标 4.2.2 词嵌入 4.2.3 Word2Vec案例 4.3 seq2seq与Attention机制 4.3.2 注意力机制 4.3.3 机器翻译案例 4.3.4 集束搜索（Beam Search） 4.3.5 BLEU-机器翻译的自动评估方法 5.1 生
- 深度学习模型虽应用广泛，但其“黑箱”特性导致可解释性不足，尤其在金融、医疗等敏感领域，模型决策逻辑的透明性至关重要。本文聚焦深度学习可解释性中的可视化分析，介绍模型结构、特征、参数及输入激活的可视化方法，帮助理解模型行为、提升透明度，并推动其在关键领域的安全应用。 深度学习模型虽应用广泛，但其“黑箱”特性导致可解释性不足，尤其在金融、医疗等敏感领域，模型决策逻辑的透明性至关重要。本文聚焦深度学习可解释性中的可视化分析，介绍模型结构、特征、参数及输入激活的可视化方法，帮助理解模型行为、提升透明度，并推动其在关键领域的安全应用。
- 1.深度学习课程概述包括深度学习与机器学习区别、深度学习应用场景、深度学习框架介绍、项目演示、开发环境搭建（pycharm安装）。2. TensorFlow基础涵盖TF数据流图、TensorFlow实现加法运算、图与TensorBoard（图结构、图相关操作、默认图、创建图、OP）、张量（张量概念、张量的阶、张量数学运算）、变量OP（创建变量）、增加其他功能（命名空间、模型保存 1.深度学习课程概述包括深度学习与机器学习区别、深度学习应用场景、深度学习框架介绍、项目演示、开发环境搭建（pycharm安装）。2. TensorFlow基础涵盖TF数据流图、TensorFlow实现加法运算、图与TensorBoard（图结构、图相关操作、默认图、创建图、OP）、张量（张量概念、张量的阶、张量数学运算）、变量OP（创建变量）、增加其他功能（命名空间、模型保存
- 本文深入剖析SVG路径动画中时间函数的操控艺术，揭示时间函数与路径特性的深层关联。从路径作为“时空容器”的本质出发，阐释时间函数如何通过调整时间分配权重，让图形运动契合路径的曲率、长度等特征，既符合物理直觉又具视觉美感。探讨复杂路径解析、时间与路径的共振法则，以及突破常规的创意实践与跨感官转译，展现时间函数从基础调控到智能自适应的演进，为SVG动画创作提供高阶思路。 本文深入剖析SVG路径动画中时间函数的操控艺术，揭示时间函数与路径特性的深层关联。从路径作为“时空容器”的本质出发，阐释时间函数如何通过调整时间分配权重，让图形运动契合路径的曲率、长度等特征，既符合物理直觉又具视觉美感。探讨复杂路径解析、时间与路径的共振法则，以及突破常规的创意实践与跨感官转译，展现时间函数从基础调控到智能自适应的演进，为SVG动画创作提供高阶思路。
- 1.算法运行效果图预览(完整程序运行后无水印) 由于网络训练具有一定的随机性，当训练性能略微差时，最后的识别率如下： 2.算法运行软件版本matlab2022a/matlab2024b 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频） %% 冻结初始图层layers = lgraph.Layers;connections = lgraph.Connections; %% 训练网... 1.算法运行效果图预览(完整程序运行后无水印) 由于网络训练具有一定的随机性，当训练性能略微差时，最后的识别率如下： 2.算法运行软件版本matlab2022a/matlab2024b 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频） %% 冻结初始图层layers = lgraph.Layers;connections = lgraph.Connections; %% 训练网...
- 4.1.4 GRU(门控循环单元) 4.1.5 LSTM(长短记忆网络) 循环神经网络 4.2 词嵌入与NLP 学习目标 4.2.2 词嵌入 4.2.3 Word2Vec案例 4.3 seq2seq与Attention机制 4.3.2 注意力机制 4.3.3 机器翻译案例 4.3.4 集束搜索（Beam Search） 4.3.5 BLEU-机器翻译的自动评估方法 5.1 生 4.1.4 GRU(门控循环单元) 4.1.5 LSTM(长短记忆网络) 循环神经网络 4.2 词嵌入与NLP 学习目标 4.2.2 词嵌入 4.2.3 Word2Vec案例 4.3 seq2seq与Attention机制 4.3.2 注意力机制 4.3.3 机器翻译案例 4.3.4 集束搜索（Beam Search） 4.3.5 BLEU-机器翻译的自动评估方法 5.1 生
- 简介Google Satellite Embedding 数据集是一个全球性的、可用于分析的地理空间嵌入学习集合。此数据集中的每个 10 米像素都是一个 64 维表示形式，或“嵌入向量”，用于编码单个日历年内各种地球观测仪器和数据集在相应像素及其周围测量的地表条件的时间轨迹。与波段对应于物理测量的传统光谱输入和指数不同，嵌入是特征向量，以不太直观但更强大的方式总结了多源、多模态观测结果之间的... 简介Google Satellite Embedding 数据集是一个全球性的、可用于分析的地理空间嵌入学习集合。此数据集中的每个 10 米像素都是一个 64 维表示形式，或“嵌入向量”，用于编码单个日历年内各种地球观测仪器和数据集在相应像素及其周围测量的地表条件的时间轨迹。与波段对应于物理测量的传统光谱输入和指数不同，嵌入是特征向量，以不太直观但更强大的方式总结了多源、多模态观测结果之间的...
- 在当代的许多工业场景中，人脸识别技术的应用越来越广泛，比如刷脸支付、门禁闸机、身份验证等日常生活中的应用都依赖于先进的机器学习和计算机视觉技术。那么这些人脸识别系统是如何在这些设备上实现的？是否依然是过去的模板匹配或者 SIFT 特征点检测呢？答案是，现在的主流技术已经普遍转向了深度学习，尤其是基于卷积神经网络（CNN）等架构的深度学习模型。 传统方法的局限性与深度学习的优势早期的人脸识别技... 在当代的许多工业场景中，人脸识别技术的应用越来越广泛，比如刷脸支付、门禁闸机、身份验证等日常生活中的应用都依赖于先进的机器学习和计算机视觉技术。那么这些人脸识别系统是如何在这些设备上实现的？是否依然是过去的模板匹配或者 SIFT 特征点检测呢？答案是，现在的主流技术已经普遍转向了深度学习，尤其是基于卷积神经网络（CNN）等架构的深度学习模型。 传统方法的局限性与深度学习的优势早期的人脸识别技...
- 一、从 11 倍速到百万 token：NSA 如何重新定义大模型长文本处理能力？在 ACL 2025 的颁奖典礼上，一篇来自 DeepSeek 与北京大学联合团队的论文《Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention》脱颖而出，斩获最佳论文奖。在投稿量翻倍至 8360 篇的激烈... 一、从 11 倍速到百万 token：NSA 如何重新定义大模型长文本处理能力？在 ACL 2025 的颁奖典礼上，一篇来自 DeepSeek 与北京大学联合团队的论文《Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention》脱颖而出，斩获最佳论文奖。在投稿量翻倍至 8360 篇的激烈...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
苏州工业园区“华为云杯”2025人工智能应用创新大赛赛中直播2025/08/21 周四 16:00-17:00
Vz 华为云AIoT技术布道师
本期直播将与您一起探讨如何基于华为云IoT平台全场景云服务，结合AI、鸿蒙、大数据等技术，打造有创新性，有竞争力的方案和产品。
回顾中
热门标签