- 1、简介：传统神经网络(DNN)无法对时间序列进行建模，只能接受特定的输入得到输出，前一个输入和后一个输入之间没有关系。针对某些需要序列时序信息的任务，即前一个输入和后一个输入之间是有关系的，则需要循环神经网络(RNN)来处理。RNN由神经元和一个或多个反馈循环组成，神经元的输出在下一时刻是可以传递给自身的，同时还输出一个隐藏层状态，在当前层处理下一个时刻的样本时进行使用，可以看做是带自循环... 1、简介：传统神经网络(DNN)无法对时间序列进行建模，只能接受特定的输入得到输出，前一个输入和后一个输入之间没有关系。针对某些需要序列时序信息的任务，即前一个输入和后一个输入之间是有关系的，则需要循环神经网络(RNN)来处理。RNN由神经元和一个或多个反馈循环组成，神经元的输出在下一时刻是可以传递给自身的，同时还输出一个隐藏层状态，在当前层处理下一个时刻的样本时进行使用，可以看做是带自循环...
- GCN入门 为什么需要GCN GCN的演进 第一代GCN 第二代GCN 第三代GCN 公式推导 拉普拉斯矩阵 参考文献 GCN入门 为什么需要GCNCNN之所以可以在图像识别领域具有重要作用，主要是因为CNN利用了图片在其域中的平移不变性。如下图所示。而且图片也是一个规整的二维矩阵但是许多非结构化数据并不具备规整的二维矩阵，如下图所示 GCN的演进 第一代GCN首先考虑到卷积定理在适当条件... GCN入门 为什么需要GCN GCN的演进 第一代GCN 第二代GCN 第三代GCN 公式推导 拉普拉斯矩阵 参考文献 GCN入门 为什么需要GCNCNN之所以可以在图像识别领域具有重要作用，主要是因为CNN利用了图片在其域中的平移不变性。如下图所示。而且图片也是一个规整的二维矩阵但是许多非结构化数据并不具备规整的二维矩阵，如下图所示 GCN的演进 第一代GCN首先考虑到卷积定理在适当条件...
- 本文将张小白写的博客中的知识点联系起来，旨在给大家展示一下相关的知识体系的全貌。 本文将张小白写的博客中的知识点联系起来，旨在给大家展示一下相关的知识体系的全貌。
- 相关概念介绍无目标攻击：使得神经网络错误识别即可。有目标攻击：使得神经网络不仅分类错误，还错误的分类到攻击者指定的类别。白盒场景：可以获取分类模型的权重，logit层输出，softmax层输出，隐藏层，激活函数等信息。黑盒场景：与白盒对立的场景，不能获取网络的信息。迁移性： 对抗样本可以同时攻击多个不同的分类网络(包括白盒网络与黑盒网络)。 对抗样本存在的原因Szegedy 等人认为是因为... 相关概念介绍无目标攻击：使得神经网络错误识别即可。有目标攻击：使得神经网络不仅分类错误，还错误的分类到攻击者指定的类别。白盒场景：可以获取分类模型的权重，logit层输出，softmax层输出，隐藏层，激活函数等信息。黑盒场景：与白盒对立的场景，不能获取网络的信息。迁移性： 对抗样本可以同时攻击多个不同的分类网络(包括白盒网络与黑盒网络)。 对抗样本存在的原因Szegedy 等人认为是因为...
- 介绍带噪学习领域前沿方法，解决不完美场景下的神经网络优化策略，旨在提升模型性能。 介绍带噪学习领域前沿方法，解决不完美场景下的神经网络优化策略，旨在提升模型性能。
- 一年一度的计算机视觉顶会IEEE计算机视觉及模式识别大会CVPR录用结果最近公布。据悉，今年CVPR投稿量与论文接收量相对往年继续上升，有效投搞量达7015篇，接收论文1663篇，接收率23.7%，与往年相比略有上升。华为诺亚方舟实验室此次有30篇论文被接收，包括两篇Oral，其中主要由正式或者实习员工完成的工作有24篇，主要由高校合作方完成的工作有6篇。研究方向涵盖模型压缩和能耗高效、神经... 一年一度的计算机视觉顶会IEEE计算机视觉及模式识别大会CVPR录用结果最近公布。据悉，今年CVPR投稿量与论文接收量相对往年继续上升，有效投搞量达7015篇，接收论文1663篇，接收率23.7%，与往年相比略有上升。华为诺亚方舟实验室此次有30篇论文被接收，包括两篇Oral，其中主要由正式或者实习员工完成的工作有24篇，主要由高校合作方完成的工作有6篇。研究方向涵盖模型压缩和能耗高效、神经...
- 本文将介绍人工智能会议ICLR 2020上的一篇文章《A learning-based iterative method for solving vehicle routing problems》。该文章提出了一个“Learn to Improve” (L2I)方法，更加高效，并且与OR方法进行了比较更优。该文章重点关注解决组合优化问题，尤其是带容量限制的车辆路径规划问题（CVRP）。其核心... 本文将介绍人工智能会议ICLR 2020上的一篇文章《A learning-based iterative method for solving vehicle routing problems》。该文章提出了一个“Learn to Improve” (L2I)方法，更加高效，并且与OR方法进行了比较更优。该文章重点关注解决组合优化问题，尤其是带容量限制的车辆路径规划问题（CVRP）。其核心...
- 这段时间实在是太忙了，没有更新，今天继续给大家带来神经网络的基础知识。神经网络是如何进行具体的学习与参数的更新的。上一回我们说到，理论上多层神经网络可以拟合所有的函数。多层网络的学习能力比单层感知机强得多，所以想训练多层网络，简单感知机学习规则显然不够了，需要更强大的学习算法。误差逆传播算法（error Back Propagation , BP）就是其中最杰出的代表，现实项目中使用神经网络... 这段时间实在是太忙了，没有更新，今天继续给大家带来神经网络的基础知识。神经网络是如何进行具体的学习与参数的更新的。上一回我们说到，理论上多层神经网络可以拟合所有的函数。多层网络的学习能力比单层感知机强得多，所以想训练多层网络，简单感知机学习规则显然不够了，需要更强大的学习算法。误差逆传播算法（error Back Propagation , BP）就是其中最杰出的代表，现实项目中使用神经网络...
- 强化学习如何运用到车辆路径规划（VRP）车辆路径规划问题（Vehicle Routing Problem，VRP）是运筹学领域十分经典的0-1整数规划问题。近几十年来已经有众多学者通过启发式以及一些精确算法对该问题进行了全面且深入的研究。但值得注意的是，该问题的众多特性也十分适用于使用机器学习、强化学习等方法进行求解，例如Hao Lu等人就提出了L2I方法等RL方法并取得了不错的效果。那么想... 强化学习如何运用到车辆路径规划（VRP）车辆路径规划问题（Vehicle Routing Problem，VRP）是运筹学领域十分经典的0-1整数规划问题。近几十年来已经有众多学者通过启发式以及一些精确算法对该问题进行了全面且深入的研究。但值得注意的是，该问题的众多特性也十分适用于使用机器学习、强化学习等方法进行求解，例如Hao Lu等人就提出了L2I方法等RL方法并取得了不错的效果。那么想...
- 华为云与设计互联联合主办“AI！社区智造局”工作坊 华为云与设计互联联合主办“AI！社区智造局”工作坊
- 神经网络是人工智能的核心之一，那么它是何时提出的呢？又是如何实现”智能“的呢？最近一段时间在学习周志华老师的经典书籍《机器学习》，对其中的一些重点做了些总结和一些个人的理解。如有错误，还请批评指正。1、神经元模型Kohonen在1988提出了神经网络的定义：神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。神经网络中最基本的... 神经网络是人工智能的核心之一，那么它是何时提出的呢？又是如何实现”智能“的呢？最近一段时间在学习周志华老师的经典书籍《机器学习》，对其中的一些重点做了些总结和一些个人的理解。如有错误，还请批评指正。1、神经元模型Kohonen在1988提出了神经网络的定义：神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。神经网络中最基本的...
- 归一化 1.1 归一化的定义及其代码实现 问题： 观察如下样本数据，我们有两个样本，每个样本有两个特征，一个是肿瘤大小，一个是肿瘤的发现时间。 如利用欧拉距离计算上述两个样本的距离，由于两个特征的值差距较大，距离结果的值大小由发现时间决定。 如果此时修改发现时间的单位为年，则最终距离结果又由肿瘤大小决定。 综上所述，我们在训练模型时... 归一化 1.1 归一化的定义及其代码实现 问题： 观察如下样本数据，我们有两个样本，每个样本有两个特征，一个是肿瘤大小，一个是肿瘤的发现时间。 如利用欧拉距离计算上述两个样本的距离，由于两个特征的值差距较大，距离结果的值大小由发现时间决定。 如果此时修改发现时间的单位为年，则最终距离结果又由肿瘤大小决定。 综上所述，我们在训练模型时...
- 前言鸢尾花识别是学习AI入门的案例，这里和大家分享下使用Tensorflow 2框架，编写程序，获取鸢尾花数据，搭建神经网络，最后训练和识别鸢尾花。鸢尾花识别——思路流程： 1）获取鸢尾花数据，分析处理。 2）整理数据位训练集，测试集。 3）搭建神经网络模型。 4）训练网络，优化网络模型参数。 5）保存最优的模型，进行鸢尾花识别。认识鸢尾花我们先认识下什么是鸢尾... 前言鸢尾花识别是学习AI入门的案例，这里和大家分享下使用Tensorflow 2框架，编写程序，获取鸢尾花数据，搭建神经网络，最后训练和识别鸢尾花。鸢尾花识别——思路流程： 1）获取鸢尾花数据，分析处理。 2）整理数据位训练集，测试集。 3）搭建神经网络模型。 4）训练网络，优化网络模型参数。 5）保存最优的模型，进行鸢尾花识别。认识鸢尾花我们先认识下什么是鸢尾...
- # 深度学习，共形场论和对称函数## 非线性，过拟合与压缩感知深度学习中，一个非常难以解决的问题是过拟合问题。过拟合的一个解释是参数空间太大，即参数过多。但这个解释非常的浅层。因为如果我们觉得参数过多，那么就可以减少参数啊。但问题的关键在于，正如我们并不知道应该增加什么特征一样，我们也并不知道减少参数的原则。所以有一种叫Drop out 的方法来随机减少节点从而达到减少参数的目的。这都是非常... # 深度学习，共形场论和对称函数## 非线性，过拟合与压缩感知深度学习中，一个非常难以解决的问题是过拟合问题。过拟合的一个解释是参数空间太大，即参数过多。但这个解释非常的浅层。因为如果我们觉得参数过多，那么就可以减少参数啊。但问题的关键在于，正如我们并不知道应该增加什么特征一样，我们也并不知道减少参数的原则。所以有一种叫Drop out 的方法来随机减少节点从而达到减少参数的目的。这都是非常...
- 上一篇文章总结了常见的几种基于元学习的小样本学习算法，不过很多学者任务元学习太过玄学，ICLR2019中的一篇文章A Closer Look at Few-shot Classification，建立了两个普通简单的baseline，发现在CUB和miniImageNet上的性能足以和当前最先进的基于元学习的方法媲美。Pretraining + Fine Tuning该文章提出首先在大规模数... 上一篇文章总结了常见的几种基于元学习的小样本学习算法，不过很多学者任务元学习太过玄学，ICLR2019中的一篇文章A Closer Look at Few-shot Classification，建立了两个普通简单的baseline，发现在CUB和miniImageNet上的性能足以和当前最先进的基于元学习的方法媲美。Pretraining + Fine Tuning该文章提出首先在大规模数...
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