- 深度学习的原理与应用：开启智能时代的大门 深度学习的原理与应用：开启智能时代的大门
- 在材料科学领域，人工智能正以前所未有的力量精准模拟材料微观结构与宏观性能的复杂关系。通过深度学习算法，AI将微观结构图像转化为数字化特征，揭示出传统方法难以企及的非线性映射规律。海量数据作为基石，使模型能够预测新材料的宏观性能，大幅缩短研发周期并降低成本。这一前沿技术不仅推动了航空航天、电子芯片等领域的技术飞跃，还在半导体、生物医用材料等方面展现出巨大潜力，成为材料科学创新的核心驱动力。 在材料科学领域，人工智能正以前所未有的力量精准模拟材料微观结构与宏观性能的复杂关系。通过深度学习算法，AI将微观结构图像转化为数字化特征，揭示出传统方法难以企及的非线性映射规律。海量数据作为基石，使模型能够预测新材料的宏观性能，大幅缩短研发周期并降低成本。这一前沿技术不仅推动了航空航天、电子芯片等领域的技术飞跃，还在半导体、生物医用材料等方面展现出巨大潜力，成为材料科学创新的核心驱动力。
- 1.程序功能描述 基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真。对比BP神经网络，遗传优化bp神经网络以及改进遗传优化BP神经网络。2.测试软件版本以及运行结果展示MATLAB2022A版本运行三个算法的误差对比：三个算法的数据预测曲线对比：3.核心程序%构建BP网络net = newff(train_data,train_aim,Num_Hidd... 1.程序功能描述 基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真。对比BP神经网络，遗传优化bp神经网络以及改进遗传优化BP神经网络。2.测试软件版本以及运行结果展示MATLAB2022A版本运行三个算法的误差对比：三个算法的数据预测曲线对比：3.核心程序%构建BP网络net = newff(train_data,train_aim,Num_Hidd...
- 摘要https://openaccess.thecvf.com/content/CVPR2024/papers/Chen_Frequency-Adaptive_Dilated_Convolution_for_Semantic_Segmentation_CVPR_2024_paper.pdf膨胀卷积通过在连续元素之间插入间隔来扩大感受野，在计算机视觉中被广泛应用。在本研究中，我们从频谱分析的... 摘要https://openaccess.thecvf.com/content/CVPR2024/papers/Chen_Frequency-Adaptive_Dilated_Convolution_for_Semantic_Segmentation_CVPR_2024_paper.pdf膨胀卷积通过在连续元素之间插入间隔来扩大感受野，在计算机视觉中被广泛应用。在本研究中，我们从频谱分析的...
- 摘要最近看到有人使用到了stride为1的MaxPool，作为特征融合的一个分支。今天做了实验。验证一下stride为1的MaxPool的作用。 Max Pooling在卷积神经网络（CNN）中，最大池化（Max Pooling）层是一个重要的组成部分，它通常用于降低特征图的维度（即高度和宽度），同时保留最重要的信息。Max Pooling层有两个主要参数：池化窗口的大小（如2x2、3x3... 摘要最近看到有人使用到了stride为1的MaxPool，作为特征融合的一个分支。今天做了实验。验证一下stride为1的MaxPool的作用。 Max Pooling在卷积神经网络（CNN）中，最大池化（Max Pooling）层是一个重要的组成部分，它通常用于降低特征图的维度（即高度和宽度），同时保留最重要的信息。Max Pooling层有两个主要参数：池化窗口的大小（如2x2、3x3...
- @[toc] 激活函数在神经网络中的作用 一、引入非线性特征激活函数的主要作用之一是引入非线性特征，这是神经网络能够处理复杂任务的关键。如果没有激活函数，多层神经网络将退化为单个线性变换，无法捕捉数据中的非线性关系。而激活函数通过非线性映射，使得神经网络能够学习复杂的模式和关系，从而具备解决复杂分类或回归问题的能力。 二、解决梯度消失问题在深层神经网络中，梯度消失是一个常见的问题。梯度消失指... @[toc] 激活函数在神经网络中的作用 一、引入非线性特征激活函数的主要作用之一是引入非线性特征，这是神经网络能够处理复杂任务的关键。如果没有激活函数，多层神经网络将退化为单个线性变换，无法捕捉数据中的非线性关系。而激活函数通过非线性映射，使得神经网络能够学习复杂的模式和关系，从而具备解决复杂分类或回归问题的能力。 二、解决梯度消失问题在深层神经网络中，梯度消失是一个常见的问题。梯度消失指...
- 一、前向传播（Forward Propagation）1. 定义与过程前向传播是神经网络进行预测或分类的基础过程。它从输入层开始，通过网络的每一层逐层计算每个神经元的输出，直到到达输出层并生成最终的预测结果。这个过程中，每一层的输入是上一层的输出，每一层的输出则是下一层的输入，如此逐层传递，直到输出层。如下图：2. 重要性预测与分类：在推理阶段，神经网络仅使用前向传播过程来生成预测结果。输... 一、前向传播（Forward Propagation）1. 定义与过程前向传播是神经网络进行预测或分类的基础过程。它从输入层开始，通过网络的每一层逐层计算每个神经元的输出，直到到达输出层并生成最终的预测结果。这个过程中，每一层的输入是上一层的输出，每一层的输出则是下一层的输入，如此逐层传递，直到输出层。如下图：2. 重要性预测与分类：在推理阶段，神经网络仅使用前向传播过程来生成预测结果。输...
- 摘要https://arxiv.org/pdf/2302.01791作为一种实际解决方案，鼓励基础视觉变换器（Vision Transformers, ViTs）对任意图像块之间的长距离依赖性进行建模，但全局注意力感受野会导致二次方的计算成本。视觉变换器的另一分支则借鉴卷积神经网络（Convolutional Neural Networks, CNNs）利用局部注意力，仅对小块邻域内的图像... 摘要https://arxiv.org/pdf/2302.01791作为一种实际解决方案，鼓励基础视觉变换器（Vision Transformers, ViTs）对任意图像块之间的长距离依赖性进行建模，但全局注意力感受野会导致二次方的计算成本。视觉变换器的另一分支则借鉴卷积神经网络（Convolutional Neural Networks, CNNs）利用局部注意力，仅对小块邻域内的图像...
- 深度学习算法：从基础到实践 深度学习算法：从基础到实践
- 深度学习算法：开启智能时代的钥匙 深度学习算法：开启智能时代的钥匙
- Python从0到100（七十八）：神经网络--从0开始搭建全连接网络和CNN网络 Python从0到100（七十八）：神经网络--从0开始搭建全连接网络和CNN网络
- 在机器学习和深度学习领域，TensorFlow与Keras是最常用的框架之一。TensorFlow提供了一个高效且可扩展的计算图，而Keras则作为高级API提供了简洁且易用的接口，特别适合快速构建和训练深度学习模型。在本博客中，我们将介绍如何使用TensorFlow与Keras分析大规模数据集，重点介绍数据预处理、模型构建、训练和评估的全过程。项目背景随着深度学习技术的广泛应用，处理和分析... 在机器学习和深度学习领域，TensorFlow与Keras是最常用的框架之一。TensorFlow提供了一个高效且可扩展的计算图，而Keras则作为高级API提供了简洁且易用的接口，特别适合快速构建和训练深度学习模型。在本博客中，我们将介绍如何使用TensorFlow与Keras分析大规模数据集，重点介绍数据预处理、模型构建、训练和评估的全过程。项目背景随着深度学习技术的广泛应用，处理和分析...
- 多智能体近端策略优化算法MAPPO（Multi-Agent Proximal Policy Optimization）是PPO（Proximal Policy Optimization）在多智能体环境中的一种扩展，它通过在多智能体系统中引入PPO的策略优化机制，实现了在协作和竞争环境中更加高效的策略学习。MAPPO是一种基于策略梯度的多智能体强化学习算法，特别适用于混合协作和竞争的多智能体场景。 多智能体近端策略优化算法MAPPO（Multi-Agent Proximal Policy Optimization）是PPO（Proximal Policy Optimization）在多智能体环境中的一种扩展，它通过在多智能体系统中引入PPO的策略优化机制，实现了在协作和竞争环境中更加高效的策略学习。MAPPO是一种基于策略梯度的多智能体强化学习算法，特别适用于混合协作和竞争的多智能体场景。
- 多智能体强化学习（MARL, Multi-Agent Reinforcement Learning）中，一个关键挑战是如何在多个智能体的协作环境下学习有效的策略。价值分解网络（VDN, Value Decomposition Network）是解决这一问题的一种重要方法，特别是在 集中训练，分散执行 多智能体强化学习（MARL, Multi-Agent Reinforcement Learning）中，一个关键挑战是如何在多个智能体的协作环境下学习有效的策略。价值分解网络（VDN, Value Decomposition Network）是解决这一问题的一种重要方法，特别是在 集中训练，分散执行
- MATD3（Multi-Agent Twin Delayed Deep Deterministic Policy Gradient）是基于TD3（Twin Delayed DDPG）算法的多智能体版本。TD3是深度确定性策略梯度（DDPG）算法的一个改进版本，主要针对其在确定性策略学习中的一些不稳定性进行了增强。MATD3则扩展了TD3，使其能够在多智能体环境下进行训练和执行。 DDPG算法用于连 MATD3（Multi-Agent Twin Delayed Deep Deterministic Policy Gradient）是基于TD3（Twin Delayed DDPG）算法的多智能体版本。TD3是深度确定性策略梯度（DDPG）算法的一个改进版本，主要针对其在确定性策略学习中的一些不稳定性进行了增强。MATD3则扩展了TD3，使其能够在多智能体环境下进行训练和执行。 DDPG算法用于连
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