- 一、kNN算法分析 K最近邻（k-Nearest Neighbor，KNN）分类算法可以说是最简单的机器学习算法了。它采用测量不同特征值之间的距离方法进行分类。它的思想很简单：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则... 一、kNN算法分析 K最近邻（k-Nearest Neighbor，KNN）分类算法可以说是最简单的机器学习算法了。它采用测量不同特征值之间的距离方法进行分类。它的思想很简单：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则...
- 在卷积神经网络(CNN)模型结构中，我们对CNN的模型结构做了总结，这里我们就在CNN的模型基础上，看看CNN的前向传播算法是什么样子的。重点会和传统的DNN比较讨论。 1. 回顾CNN的结构 在上一篇里，我们已经讲到了CNN的结构，包括输出层，若干的卷积层+ReLU激活函数，若干的池化层，DNN全连接层，以及最后的用So... 在卷积神经网络(CNN)模型结构中，我们对CNN的模型结构做了总结，这里我们就在CNN的模型基础上，看看CNN的前向传播算法是什么样子的。重点会和传统的DNN比较讨论。 1. 回顾CNN的结构 在上一篇里，我们已经讲到了CNN的结构，包括输出层，若干的卷积层+ReLU激活函数，若干的池化层，DNN全连接层，以及最后的用So...
- 一.引入： CNN这个模型实在是有些年份了，最近随着深度学习的兴起又开始焕发青春了，把imagenet测试的准确度提高了非常多，一个是Alex的工作，然后最近好像Zeiler又有突破性的成果，可惜这些我都没看过，主要是imagenet的数据太大了，我根本... 一.引入： CNN这个模型实在是有些年份了，最近随着深度学习的兴起又开始焕发青春了，把imagenet测试的准确度提高了非常多，一个是Alex的工作，然后最近好像Zeiler又有突破性的成果，可惜这些我都没看过，主要是imagenet的数据太大了，我根本...
- 在强化学习（九）Deep Q-Learning进阶之Nature DQN中，我们讨论了Nature DQN的算法流程，它通过使用两个相同的神经网络，以解决数据样本和网络训练之前的相关性。但是还是有其他值得优化的点，文本就关注于Nature DQN的一个改进版本: Double DQN算法（以下简称DDQN）。 本章内容主... 在强化学习（九）Deep Q-Learning进阶之Nature DQN中，我们讨论了Nature DQN的算法流程，它通过使用两个相同的神经网络，以解决数据样本和网络训练之前的相关性。但是还是有其他值得优化的点，文本就关注于Nature DQN的一个改进版本: Double DQN算法（以下简称DDQN）。 本章内容主...
- 在卷积神经网络(CNN)前向传播算法中，我们对CNN的前向传播算法做了总结，基于CNN前向传播算法的基础，我们下面就对CNN的反向传播算法做一个总结。在阅读本文前，建议先研究DNN的反向传播算法：深度神经网络（DNN）反向传播算法(BP) 1. 回顾DNN的反向传播算法 我们首先回顾DNN的反向传播算法。在DNN中，我们是... 在卷积神经网络(CNN)前向传播算法中，我们对CNN的前向传播算法做了总结，基于CNN前向传播算法的基础，我们下面就对CNN的反向传播算法做一个总结。在阅读本文前，建议先研究DNN的反向传播算法：深度神经网络（DNN）反向传播算法(BP) 1. 回顾DNN的反向传播算法 我们首先回顾DNN的反向传播算法。在DNN中，我们是...
- 在卷积神经网络(CNN)模型结构中，我们对CNN的模型结构做了总结，这里我们就在CNN的模型基础上，看看CNN的前向传播算法是什么样子的。重点会和传统的DNN比较讨论。 1. 回顾CNN的结构 在上一篇里，我们已经讲到了CNN的结构，包括输出层，若干的卷积层+ReLU激活函数，若干的池化层，DNN全连接层，以及最后的用So... 在卷积神经网络(CNN)模型结构中，我们对CNN的模型结构做了总结，这里我们就在CNN的模型基础上，看看CNN的前向传播算法是什么样子的。重点会和传统的DNN比较讨论。 1. 回顾CNN的结构 在上一篇里，我们已经讲到了CNN的结构，包括输出层，若干的卷积层+ReLU激活函数，若干的池化层，DNN全连接层，以及最后的用So...
- 卷积的意义，原文：http://blog.csdn.net/yeeman/article/details/6325693 卷积 最近总是和卷积打交道,工作需要，每天都要碰到它好几次,不胜烦恼,因为在大学时候学信号与系统的时候就没学会，我于是心想一定要把卷积完全搞明白。正好同办公室的同学也问我什么是卷积,师姐昨天也告诉我说:"我... 卷积的意义，原文：http://blog.csdn.net/yeeman/article/details/6325693 卷积 最近总是和卷积打交道,工作需要，每天都要碰到它好几次,不胜烦恼,因为在大学时候学信号与系统的时候就没学会，我于是心想一定要把卷积完全搞明白。正好同办公室的同学也问我什么是卷积,师姐昨天也告诉我说:"我...
- 和普通的机器学习算法一样，DNN也会遇到过拟合的问题，需要考虑泛化，这里我们就对DNN的正则化方法做一个总结。 1. DNN的L1&L2正则化 想到正则化，我们首先想到的就是L1正则化和L2正则化。L1正则化和L2正则化原理类似，这里重点讲述DNN的L2正则化。 而DNN的L2正则化通常的做法是只针对与... 和普通的机器学习算法一样，DNN也会遇到过拟合的问题，需要考虑泛化，这里我们就对DNN的正则化方法做一个总结。 1. DNN的L1&L2正则化 想到正则化，我们首先想到的就是L1正则化和L2正则化。L1正则化和L2正则化原理类似，这里重点讲述DNN的L2正则化。 而DNN的L2正则化通常的做法是只针对与...
- 原文链接 http://www.goldsborough.me/cuda/ml/cudnn/c++/2017/10/01/14-37-23-convolutions_with_cudnn/ 以下为长截图，CSDN 限定了图片长度，请点击查看原图 #include <cudnn.h> // ht... 原文链接 http://www.goldsborough.me/cuda/ml/cudnn/c++/2017/10/01/14-37-23-convolutions_with_cudnn/ 以下为长截图，CSDN 限定了图片长度，请点击查看原图 #include <cudnn.h> // ht...
- 过去二十年，由于互联网的发展，零售由线下往线上迁移。近些年，伴随着智能手机的普及，越来越多的线上零售在移动终端上完成。 随着这些移动设备计算力和存储力的日益强大，智能手机也正在成为强大的计算平台，为复杂的端上情景计算提供了可能。 情景计算是利用大数据和机器学习算法在移动设备上主动感知用户状态及用户所处的环境，预测用户意图，对新零... 过去二十年，由于互联网的发展，零售由线下往线上迁移。近些年，伴随着智能手机的普及，越来越多的线上零售在移动终端上完成。 随着这些移动设备计算力和存储力的日益强大，智能手机也正在成为强大的计算平台，为复杂的端上情景计算提供了可能。 情景计算是利用大数据和机器学习算法在移动设备上主动感知用户状态及用户所处的环境，预测用户意图，对新零...
- 💖作者简介：大家好，我是车神哥，府学路18号的车神🥇 ⚡About—>车神：从寝室到实验室最快3分钟，最慢3分半（那半分钟其实是等红绿灯） 📝个人主页：应无所住而生其心的博客_府学路18... 💖作者简介：大家好，我是车神哥，府学路18号的车神🥇 ⚡About—>车神：从寝室到实验室最快3分钟，最慢3分半（那半分钟其实是等红绿灯） 📝个人主页：应无所住而生其心的博客_府学路18...
- 简 介： 本文给出了 2021年人工神经网络第一次作业要求 中，由同学提交的作业示例。 关键词： 人工神经网络，感知机，BP，数据压缩 ... 简 介： 本文给出了 2021年人工神经网络第一次作业要求 中，由同学提交的作业示例。 关键词： 人工神经网络，感知机，BP，数据压缩 ...
- 在周三信号与系统课程下课之后，陆凯同学（20160101438）就一道作业中的练习题提问。 原本的作业是针对一个线性时不变（LTI）的系统，输入信号为e(t)，系统输出为r(t)。如下图所示： ... 在周三信号与系统课程下课之后，陆凯同学（20160101438）就一道作业中的练习题提问。 原本的作业是针对一个线性时不变（LTI）的系统，输入信号为e(t)，系统输出为r(t)。如下图所示： ...
- 卓晴老师，我一直没想明白一个问题，为什么卷积要先反转再滑动呢？不翻转为什么不行？ ▲ 孔乙己：回字有四种写法|插图来自网络 的确，对于两个信号之间的卷积运算，可以理解为对其中任意个... 卓晴老师，我一直没想明白一个问题，为什么卷积要先反转再滑动呢？不翻转为什么不行？ ▲ 孔乙己：回字有四种写法|插图来自网络 的确，对于两个信号之间的卷积运算，可以理解为对其中任意个...
- 全国大学生智能汽车竞赛，顶着“智能”的帽子已经走过了14年了。如果按照2005年，当年筹办比赛时候的标准，车模在预先不知道的赛道上完成竞速比赛，看起来还仿佛应该具有“智能”。 可是做过智能比赛的人都... 全国大学生智能汽车竞赛，顶着“智能”的帽子已经走过了14年了。如果按照2005年，当年筹办比赛时候的标准，车模在预先不知道的赛道上完成竞速比赛，看起来还仿佛应该具有“智能”。 可是做过智能比赛的人都...
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
热门标签