- 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。
- AlexNet是首个成功CNN，开启了深度学习热潮，以下是其论文阅读总结。论文标题：ImageNet Classification with Deep Convolutional Neural Networks作者Alex KrizhevskyIlya SutskeverGeoffrey E. Hinton 1. 摘要（Abstract）背景：作者训练了一个大型深度卷积神经网络（CNN），用... AlexNet是首个成功CNN，开启了深度学习热潮，以下是其论文阅读总结。论文标题：ImageNet Classification with Deep Convolutional Neural Networks作者Alex KrizhevskyIlya SutskeverGeoffrey E. Hinton 1. 摘要（Abstract）背景：作者训练了一个大型深度卷积神经网络（CNN），用...
- 从2012年开始，卷积神经网络（Convolutional Neural Networks, CNN）极速发展，不断涌现出诸如AlexNet、VGGNet等优秀的神经网络。到了2015年，一个新型的网络更是颠覆了计算机视觉领域和深度学习领域，这就是ResNet。ResNet（Residual Neural Network）由微软研究院的何凯明等四名华人提出，其论文《Deep Residual... 从2012年开始，卷积神经网络（Convolutional Neural Networks, CNN）极速发展，不断涌现出诸如AlexNet、VGGNet等优秀的神经网络。到了2015年，一个新型的网络更是颠覆了计算机视觉领域和深度学习领域，这就是ResNet。ResNet（Residual Neural Network）由微软研究院的何凯明等四名华人提出，其论文《Deep Residual...
- 《Very Deep Convolutional Networks for Large-Scale Image Recognition》由 Karen Simonyan 和 Andrew Zisserman 撰写，发表于 ICLR 2015。论文探讨了卷积神经网络（ConvNets）的深度对其在大规模图像识别任务中准确性的影响。 研究背景卷积神经网络（ConvNets）在大规模图像和视频识别... 《Very Deep Convolutional Networks for Large-Scale Image Recognition》由 Karen Simonyan 和 Andrew Zisserman 撰写，发表于 ICLR 2015。论文探讨了卷积神经网络（ConvNets）的深度对其在大规模图像识别任务中准确性的影响。 研究背景卷积神经网络（ConvNets）在大规模图像和视频识别...
- 在游戏与影视制作中，逼真的3D模型是构建沉浸式虚拟世界的关键。生成对抗网络（GANs）通过生成器和判别器的对抗训练，高效生成高逼真度的3D模型。生成器将随机噪声转化为3D模型，判别器则辨别真假模型，二者相互优化。充足且优质的数据、多尺度训练及结合NeRF等技术，进一步提升模型质量。尽管面临细节不足等挑战，GANs的未来发展潜力巨大，有望为虚拟世界带来更精彩的视觉体验。 在游戏与影视制作中，逼真的3D模型是构建沉浸式虚拟世界的关键。生成对抗网络（GANs）通过生成器和判别器的对抗训练，高效生成高逼真度的3D模型。生成器将随机噪声转化为3D模型，判别器则辨别真假模型，二者相互优化。充足且优质的数据、多尺度训练及结合NeRF等技术，进一步提升模型质量。尽管面临细节不足等挑战，GANs的未来发展潜力巨大，有望为虚拟世界带来更精彩的视觉体验。
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
回顾中 -
一个AI团队帮你写代码：华为云码道Agent Space实战2026/06/25 周四 19:00-21:00
张翰文-华为云码道工程师/郭英旭-青软创新科技集团股份有限公司 软件架构师
本场直播聚焦华为云码道Agent Space两大模式：研发办公、代码开发，亲身体验从需求到代码的AI自动化能力。实操演示基于华为 CodeArts CLI，依托 OpenSpec 规格体系从零搭建业务项目。
回顾中
热门标签