- AI时代的新底座：openEuler的人工智能探索 AI时代的新底座：openEuler的人工智能探索
- 在卷积神经网络（CNN）中，激活函数层通过引入非线性变换，使模型能够学习复杂的数据模式（如图像中的边缘、纹理组合等）。没有激活函数，CNN将退化为线性模型，无法解决非线性问题。以下是CNN中常用的激活函数及其特性、应用场景和代码示例的详细解析： 1. 为什么需要激活函数？线性模型的局限性：若仅使用卷积层和全连接层（均为线性变换），堆叠多层网络仍等价于单层线性模型（如 y = W_n...W_... 在卷积神经网络（CNN）中，激活函数层通过引入非线性变换，使模型能够学习复杂的数据模式（如图像中的边缘、纹理组合等）。没有激活函数，CNN将退化为线性模型，无法解决非线性问题。以下是CNN中常用的激活函数及其特性、应用场景和代码示例的详细解析： 1. 为什么需要激活函数？线性模型的局限性：若仅使用卷积层和全连接层（均为线性变换），堆叠多层网络仍等价于单层线性模型（如 y = W_n...W_...
- 随着金融市场的高度复杂化与波动性增加，传统的单一预测方法（如时间序列模型、技术指标分析）往往难以应对多维度的信息流。而人工智能代理（AI Agent）凭借其跨模型的自适应学习能力，逐渐成为金融预测中的核心手段。本文探讨 AI Agent如何融合多种算法（深度学习、强化学习、集成学习等），并通过优化机制提升市场预测的准确率与鲁棒性。 随着金融市场的高度复杂化与波动性增加，传统的单一预测方法（如时间序列模型、技术指标分析）往往难以应对多维度的信息流。而人工智能代理（AI Agent）凭借其跨模型的自适应学习能力，逐渐成为金融预测中的核心手段。本文探讨 AI Agent如何融合多种算法（深度学习、强化学习、集成学习等），并通过优化机制提升市场预测的准确率与鲁棒性。
- 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
- 基于视觉-语言融合的AI Agent跨模态推理机制是未来人工智能的重要方向。它不仅能理解图像和文本，还能在两者之间建立语义联系，实现更强的智能推理能力。通过实战代码展示，我们看到AI Agent能够在多模态场景下做出准确判断。未来的研究将聚焦于提升推理能力和降低计算成本，推动AI Agent更好地服务于现实应用。 基于视觉-语言融合的AI Agent跨模态推理机制是未来人工智能的重要方向。它不仅能理解图像和文本，还能在两者之间建立语义联系，实现更强的智能推理能力。通过实战代码展示，我们看到AI Agent能够在多模态场景下做出准确判断。未来的研究将聚焦于提升推理能力和降低计算成本，推动AI Agent更好地服务于现实应用。
- 推荐系统作为人工智能的重要应用之一，在电商、短视频、社交网络和在线教育等场景中扮演着核心角色。传统推荐方法（协同过滤、基于规则的推荐等）在冷启动问题、数据稀疏性以及实时性方面存在不足。 随着深度学习和AI Agent的融合，智能推荐系统能够实现更强的 自适应优化能力，通过AI Agent的感知、决策与反馈机制不断提升推荐效果。 推荐系统作为人工智能的重要应用之一，在电商、短视频、社交网络和在线教育等场景中扮演着核心角色。传统推荐方法（协同过滤、基于规则的推荐等）在冷启动问题、数据稀疏性以及实时性方面存在不足。 随着深度学习和AI Agent的融合，智能推荐系统能够实现更强的 自适应优化能力，通过AI Agent的感知、决策与反馈机制不断提升推荐效果。
- 在神经网络中，激活函数通过引入非线性变换，使模型能够学习复杂的数据模式。以下是常见的激活函数分类及其详细说明，包括公式、特性、应用场景和优缺点： 一、基础激活函数 1. Sigmoid（Logistic）公式：σ(x)=11+e−x\sigma(x) = \frac{1}{1 + e^{-x}}σ(x)=1+e−x1输出范围：(0, 1)特性：连续、光滑、可微。将输入压缩到0到1之间，适合... 在神经网络中，激活函数通过引入非线性变换，使模型能够学习复杂的数据模式。以下是常见的激活函数分类及其详细说明，包括公式、特性、应用场景和优缺点： 一、基础激活函数 1. Sigmoid（Logistic）公式：σ(x)=11+e−x\sigma(x) = \frac{1}{1 + e^{-x}}σ(x)=1+e−x1输出范围：(0, 1)特性：连续、光滑、可微。将输入压缩到0到1之间，适合...
- 卷积神经网络（Convolutional Neural Network, CNN）是一种专门为处理网格化数据（如图像、视频、音频、时间序列等）设计的深度学习模型。它通过局部感受野、权重共享和层次化特征提取等机制，高效地自动学习数据中的空间层次特征（如边缘、纹理、形状、语义对象等），在计算机视觉领域（如图像分类、目标检测、语义分割）中取得了巨大成功，并逐渐扩展到自然语言处理、语音识别等领域。 ... 卷积神经网络（Convolutional Neural Network, CNN）是一种专门为处理网格化数据（如图像、视频、音频、时间序列等）设计的深度学习模型。它通过局部感受野、权重共享和层次化特征提取等机制，高效地自动学习数据中的空间层次特征（如边缘、纹理、形状、语义对象等），在计算机视觉领域（如图像分类、目标检测、语义分割）中取得了巨大成功，并逐渐扩展到自然语言处理、语音识别等领域。 ...
- 本文提出了基于自适应信号处理的 AI Agent 多任务协同控制方法，并结合 LMS 算法实现了一个简化示例。该方法通过自适应权重更新机制，使得 AI Agent 能够在动态环境中实现多任务间的平衡与优化。未来可以结合强化学习与深度神经网络，进一步提升多任务控制的智能化水平。 本文提出了基于自适应信号处理的 AI Agent 多任务协同控制方法，并结合 LMS 算法实现了一个简化示例。该方法通过自适应权重更新机制，使得 AI Agent 能够在动态环境中实现多任务间的平衡与优化。未来可以结合强化学习与深度神经网络，进一步提升多任务控制的智能化水平。
- LSTM与多特征融合的AI Agent时间序列预测方法 引言随着人工智能（AI）技术的发展，AI Agent在金融预测、气象预测、工业生产等领域的应用越来越广泛。其中，时间序列预测作为关键任务之一，能够帮助AI Agent对未来趋势进行合理推测，为决策提供数据支持。传统的时间序列预测方法，如ARIMA、指数平滑等，在面对复杂非线性数据时表现有限。长短时记忆网络（LSTM, Long Sho... LSTM与多特征融合的AI Agent时间序列预测方法 引言随着人工智能（AI）技术的发展，AI Agent在金融预测、气象预测、工业生产等领域的应用越来越广泛。其中，时间序列预测作为关键任务之一，能够帮助AI Agent对未来趋势进行合理推测，为决策提供数据支持。传统的时间序列预测方法，如ARIMA、指数平滑等，在面对复杂非线性数据时表现有限。长短时记忆网络（LSTM, Long Sho...
- 面向智能搜索的AI Agent技术架构与算法研究 前言随着信息爆炸时代的到来，传统搜索引擎面临着结果泛化、上下文理解不足等问题。AI Agent通过结合自然语言处理（NLP）、知识图谱（Knowledge Graph）、强化学习（RL）等技术，能够在智能搜索中实现更精准的检索、语义理解与动态响应。本篇文章将从技术架构、核心算法以及实战代码三个方面进行深入探讨。 1. AI Agent智能搜... 面向智能搜索的AI Agent技术架构与算法研究 前言随着信息爆炸时代的到来，传统搜索引擎面临着结果泛化、上下文理解不足等问题。AI Agent通过结合自然语言处理（NLP）、知识图谱（Knowledge Graph）、强化学习（RL）等技术，能够在智能搜索中实现更精准的检索、语义理解与动态响应。本篇文章将从技术架构、核心算法以及实战代码三个方面进行深入探讨。 1. AI Agent智能搜...
- 在深层卷积神经网络（CNN）中，激活函数不仅是必需的组件，更是实现高性能模型的核心机制。其核心价值源于对非线性建模、梯度传播和特征表达的支撑作用。 一、引入非线性建模能力打破线性约束卷积层本质是线性操作（加权求和），若无激活函数，无论叠加多少层，整个网络仍等效于单层线性变换（即 f(x)=Wx+b），无法拟合复杂非线性数据（如图像中的曲线边界、纹理变化）。逼近任意函数... 在深层卷积神经网络（CNN）中，激活函数不仅是必需的组件，更是实现高性能模型的核心机制。其核心价值源于对非线性建模、梯度传播和特征表达的支撑作用。 一、引入非线性建模能力打破线性约束卷积层本质是线性操作（加权求和），若无激活函数，无论叠加多少层，整个网络仍等效于单层线性变换（即 f(x)=Wx+b），无法拟合复杂非线性数据（如图像中的曲线边界、纹理变化）。逼近任意函数...
- 102类农业害虫数据集（20000张图片已划分、已标注）｜适用于YOLO系列深度学习分类检测任务【数据集分享】 数据集分享通过网盘分享的文件：102类农业害虫数据集链接: https://pan.baidu.com/s/1DZIAYJqoTomT9WJEsIrX7Q?pwd=sede 提取码: sede在智慧农业和智能害虫监测中，构建一个高质量的农业害虫识别数据集是实现自动化检测与分类的关... 102类农业害虫数据集（20000张图片已划分、已标注）｜适用于YOLO系列深度学习分类检测任务【数据集分享】 数据集分享通过网盘分享的文件：102类农业害虫数据集链接: https://pan.baidu.com/s/1DZIAYJqoTomT9WJEsIrX7Q?pwd=sede 提取码: sede在智慧农业和智能害虫监测中，构建一个高质量的农业害虫识别数据集是实现自动化检测与分类的关...
- 道路表面缺陷数据集（裂缝/井盖/坑洼）（6000张图片已划分、已标注）｜适用于YOLO系列深度学习分类检测任务【数据集分享】数据集已划分为train、test、val。共计6000张图片，对应标注文件。本数据集专注于 道路表面缺陷检测与识别，共计 6000张高分辨率图片，涵盖了常见的 裂缝、井盖、坑洼、修补区域 等多种复杂场景。数据集采用 YOLO项目标准格式，并已完成 train、val... 道路表面缺陷数据集（裂缝/井盖/坑洼）（6000张图片已划分、已标注）｜适用于YOLO系列深度学习分类检测任务【数据集分享】数据集已划分为train、test、val。共计6000张图片，对应标注文件。本数据集专注于 道路表面缺陷检测与识别，共计 6000张高分辨率图片，涵盖了常见的 裂缝、井盖、坑洼、修补区域 等多种复杂场景。数据集采用 YOLO项目标准格式，并已完成 train、val...
- 作为一名资深程序员，我们在优化代码性能时总会面临一个核心问题：如何准确评估并充分利用目标平台的算力资源。从早期单核 CPU 的 MHz 竞速，到如今 CPU-GPU-NPU 异构混合计算，计算机算力的演进不仅改变了硬件架构，更重塑了我们对计算效率的理解方式。本文将深入探讨算力评估的演变历程，剖析不同处理器架构的特性，并揭示现代异构计算的性能优化本质。一、CPU 算力演进：从单核串行到并行扩展... 作为一名资深程序员，我们在优化代码性能时总会面临一个核心问题：如何准确评估并充分利用目标平台的算力资源。从早期单核 CPU 的 MHz 竞速，到如今 CPU-GPU-NPU 异构混合计算，计算机算力的演进不仅改变了硬件架构，更重塑了我们对计算效率的理解方式。本文将深入探讨算力评估的演变历程，剖析不同处理器架构的特性，并揭示现代异构计算的性能优化本质。一、CPU 算力演进：从单核串行到并行扩展...
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 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签