- 前言 transformer是目前NLP甚至是整个深度学习领域不能不提到的框架，同时大部分LLM也是使用其进行训练生成模型，所以transformer几乎是目前每一个机器人开发者或者人工智能开发者不能越过的一个框架。接下来本文将从顶层往下去一步步掀开transformer的面纱。 transformer概述 Transformer模型来自论文Attention Is All You Need 前言 transformer是目前NLP甚至是整个深度学习领域不能不提到的框架，同时大部分LLM也是使用其进行训练生成模型，所以transformer几乎是目前每一个机器人开发者或者人工智能开发者不能越过的一个框架。接下来本文将从顶层往下去一步步掀开transformer的面纱。 transformer概述 Transformer模型来自论文Attention Is All You Need
- 在计算机视觉中，理解图像动态场景并捕捉时间变化信息极具挑战。LSTM作为一种深度学习模型，通过将图像帧序列化并结合CNN提取的空间特征，有效捕捉帧间的时间依赖关系。LSTM的门控机制（遗忘门、输入门和输出门）能智能处理图像序列中的信息，过滤无关数据，保留关键变化。该方法广泛应用于自动驾驶、视频监控及虚拟现实等领域，提升了动态场景的理解与预测能力。 在计算机视觉中，理解图像动态场景并捕捉时间变化信息极具挑战。LSTM作为一种深度学习模型，通过将图像帧序列化并结合CNN提取的空间特征，有效捕捉帧间的时间依赖关系。LSTM的门控机制（遗忘门、输入门和输出门）能智能处理图像序列中的信息，过滤无关数据，保留关键变化。该方法广泛应用于自动驾驶、视频监控及虚拟现实等领域，提升了动态场景的理解与预测能力。
- 震撼发布！让你的电脑智商飙升，DeepSeek-R1+Ollama+ChatboxAI合体教程，打造私人智能神器！ 震撼发布！让你的电脑智商飙升，DeepSeek-R1+Ollama+ChatboxAI合体教程，打造私人智能神器！
- 逆天改变！VSCode+Cline+DeepSeek-V3，编程界的新王者就是你 逆天改变！VSCode+Cline+DeepSeek-V3，编程界的新王者就是你
- 神经架构搜索（NAS）在卷积神经网络（CNN）领域掀起革新，自动化生成最优架构，改变传统设计方式。其特点包括扩展搜索空间、优化搜索策略、提升性能、模型压缩及跨领域应用。NAS发现了超越人工设计的高性能架构，如EfficientNet，并在图像分类、目标检测和分割中取得显著成果。尽管面临计算资源消耗大和可解释性差的挑战，NAS仍为CNN的发展带来重大突破，推动深度学习广泛应用。 神经架构搜索（NAS）在卷积神经网络（CNN）领域掀起革新，自动化生成最优架构，改变传统设计方式。其特点包括扩展搜索空间、优化搜索策略、提升性能、模型压缩及跨领域应用。NAS发现了超越人工设计的高性能架构，如EfficientNet，并在图像分类、目标检测和分割中取得显著成果。尽管面临计算资源消耗大和可解释性差的挑战，NAS仍为CNN的发展带来重大突破，推动深度学习广泛应用。
- 自注意力卷积神经网络融合了自注意力机制和卷积神经网络的优势，通过在特征图上动态分配注意力权重，捕捉长距离依赖关系。它不仅提升了局部特征提取能力，还能更好地理解全局结构与语义信息，在图像识别、自然语言处理等任务中表现出色。此外，该模型计算效率高、灵活性强、适应性广，并且易于扩展与其他技术结合，具有广泛的应用前景。 自注意力卷积神经网络融合了自注意力机制和卷积神经网络的优势，通过在特征图上动态分配注意力权重，捕捉长距离依赖关系。它不仅提升了局部特征提取能力，还能更好地理解全局结构与语义信息，在图像识别、自然语言处理等任务中表现出色。此外，该模型计算效率高、灵活性强、适应性广，并且易于扩展与其他技术结合，具有广泛的应用前景。
- 在人工智能发展中，处理复杂时序图像/视频数据是难题。CNN擅长提取图像空间特征（如物体形状、位置），RNN/LSTM则善于捕捉时间依赖关系，解决长序列数据的梯度问题。两者结合，先用CNN提取每帧图像特征，再通过RNN/LSTM分析时间变化，可高效处理视频动作识别、自动驾驶等任务，融合空间与时序优势，展现巨大应用潜力。 在人工智能发展中，处理复杂时序图像/视频数据是难题。CNN擅长提取图像空间特征（如物体形状、位置），RNN/LSTM则善于捕捉时间依赖关系，解决长序列数据的梯度问题。两者结合，先用CNN提取每帧图像特征，再通过RNN/LSTM分析时间变化，可高效处理视频动作识别、自动驾驶等任务，融合空间与时序优势，展现巨大应用潜力。
- 残差连接通过引入“短路”连接，解决了深度卷积神经网络（CNN）中随层数增加而出现的梯度消失和退化问题。它使网络学习输入与输出之间的残差，而非直接映射，从而加速训练、提高性能，并允许网络学习更复杂的特征。这一设计显著提升了深度学习在图像识别等领域的应用效果。 残差连接通过引入“短路”连接，解决了深度卷积神经网络（CNN）中随层数增加而出现的梯度消失和退化问题。它使网络学习输入与输出之间的残差，而非直接映射，从而加速训练、提高性能，并允许网络学习更复杂的特征。这一设计显著提升了深度学习在图像识别等领域的应用效果。
- 卷积神经网络（CNN）在图像识别等领域取得巨大成功，但实际上采用的是互相关运算而非严格意义上的卷积。互相关省去了滤波器翻转步骤，提高了计算效率，且在特征提取上与卷积效果相似。早期研究中未严格区分两者，沿用了“卷积”一词。尽管存在细微差异，这种称呼在大多数应用场景下是合理的，但在理论推导和高精度应用中需明确区分。 卷积神经网络（CNN）在图像识别等领域取得巨大成功，但实际上采用的是互相关运算而非严格意义上的卷积。互相关省去了滤波器翻转步骤，提高了计算效率，且在特征提取上与卷积效果相似。早期研究中未严格区分两者，沿用了“卷积”一词。尽管存在细微差异，这种称呼在大多数应用场景下是合理的，但在理论推导和高精度应用中需明确区分。
- PyTorch 实现MobileNetV1用于图像分类本实验主要介绍了如何在昇腾上，使用pytorch对经典的MobileNetV1模型在公开的CIFAR10数据集进行分类训练的实战讲解。内容包括MobileNetV1模型特点介绍 、MobileNetV1网络架构剖析 与MobileNetV1网络模型代码实战分析等等。本实验的目录结构安排如下所示：MobileNetV1网络模型介绍Mobi... PyTorch 实现MobileNetV1用于图像分类本实验主要介绍了如何在昇腾上，使用pytorch对经典的MobileNetV1模型在公开的CIFAR10数据集进行分类训练的实战讲解。内容包括MobileNetV1模型特点介绍 、MobileNetV1网络架构剖析 与MobileNetV1网络模型代码实战分析等等。本实验的目录结构安排如下所示：MobileNetV1网络模型介绍Mobi...
- 转置卷积（反卷积）是深度学习中用于上采样的重要操作，通过在输入间插入零填充以放大特征图。它广泛应用于图像生成、语义分割、超分辨率重建和CNN可视化等领域，能够学习更优的上采样方式。尽管计算成本较高且可能引入伪像，但其在多个任务中发挥着关键作用，并随着技术发展不断优化。 转置卷积（反卷积）是深度学习中用于上采样的重要操作，通过在输入间插入零填充以放大特征图。它广泛应用于图像生成、语义分割、超分辨率重建和CNN可视化等领域，能够学习更优的上采样方式。尽管计算成本较高且可能引入伪像，但其在多个任务中发挥着关键作用，并随着技术发展不断优化。
- 卷积神经网络（CNN）中的权重共享和局部连接是其核心特性。权重共享通过同一卷积核在不同位置使用相同权重，减少参数量并提高泛化能力；局部连接则使每个神经元仅与输入的局部区域相连，专注于提取局部特征。两者相辅相成，显著降低计算复杂度，增强对空间结构的感知，使CNN在图像识别等领域表现出色。 卷积神经网络（CNN）中的权重共享和局部连接是其核心特性。权重共享通过同一卷积核在不同位置使用相同权重，减少参数量并提高泛化能力；局部连接则使每个神经元仅与输入的局部区域相连，专注于提取局部特征。两者相辅相成，显著降低计算复杂度，增强对空间结构的感知，使CNN在图像识别等领域表现出色。
- 全连接层在卷积神经网络（CNN）中起着桥梁作用，将卷积层和池化层提取的局部特征整合为全局特征，实现分类或回归任务。每个神经元与前一层所有神经元相连，通过权重和偏置进行特征转换，并引入激活函数以增强非线性建模能力。尽管参数量大易导致过拟合，但可通过正则化、Dropout和批标准化等技术有效应对，从而提升模型性能。 全连接层在卷积神经网络（CNN）中起着桥梁作用，将卷积层和池化层提取的局部特征整合为全局特征，实现分类或回归任务。每个神经元与前一层所有神经元相连，通过权重和偏置进行特征转换，并引入激活函数以增强非线性建模能力。尽管参数量大易导致过拟合，但可通过正则化、Dropout和批标准化等技术有效应对，从而提升模型性能。
- 感受野是卷积神经网络（CNN）中关键概念，指神经元在输入数据中对应的区域大小。它影响模型对特征的捕捉能力，决定局部与全局特征的提取。单层卷积的感受野由卷积核大小、步长和填充决定；多层卷积时感受野会逐层累加扩大。合适感受野能提升模型性能，过大或过小都会影响效果。调整感受野可通过改变卷积核大小、步长或使用空洞卷积实现。深入理解感受野有助于优化CNN设计，推动AI技术发展。 感受野是卷积神经网络（CNN）中关键概念，指神经元在输入数据中对应的区域大小。它影响模型对特征的捕捉能力，决定局部与全局特征的提取。单层卷积的感受野由卷积核大小、步长和填充决定；多层卷积时感受野会逐层累加扩大。合适感受野能提升模型性能，过大或过小都会影响效果。调整感受野可通过改变卷积核大小、步长或使用空洞卷积实现。深入理解感受野有助于优化CNN设计，推动AI技术发展。
- 卷积神经网络（CNN）在图像和语音识别等领域取得显著成就，卷积核作为其核心组件发挥关键作用。卷积核是滑动于输入数据上的小矩阵，通过卷积操作提取特征，参数共享机制减少模型复杂度并提高鲁棒性。不同类型的卷积核（如标准、深度可分离和扩张卷积核）适用于多种任务，为CNN的成功奠定基础。 卷积神经网络（CNN）在图像和语音识别等领域取得显著成就，卷积核作为其核心组件发挥关键作用。卷积核是滑动于输入数据上的小矩阵，通过卷积操作提取特征，参数共享机制减少模型复杂度并提高鲁棒性。不同类型的卷积核（如标准、深度可分离和扩张卷积核）适用于多种任务，为CNN的成功奠定基础。
上滑加载中
推荐直播
-
华为云码道-AI时代应用开发利器2026/03/18 周三 19:00-20:00
童得力，华为云开发者生态运营总监/姚圣伟，华为云HCDE开发者专家
本次直播由华为专家带你实战应用开发，看华为云码道(CodeArts)代码智能体如何在AI时代让你的创意应用快速落地。更有华为云HCDE开发者专家带你用码道玩转JiuwenClaw，让小艺成为你的AI助理。
回顾中 -
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中 -
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中
热门标签