- 一部关于人类如何赋予机器“智能”的漫长故事，本质上也是一部人类重新认识自身智能的历史。 引言：机器能思考吗？1946年，世界上第一台通用计算机ENIAC在美国宾夕法尼亚大学问世。这台重达30吨、占地170平方米的庞然大物，每秒只能进行5000次加法运算——今天你口袋里的手机，算力是它的上亿倍。但正是在这台笨重的机器诞生前后，一群科学家开始追问一个更根本的问题：机器能思考吗？ 奠基：思想的种子... 一部关于人类如何赋予机器“智能”的漫长故事，本质上也是一部人类重新认识自身智能的历史。 引言：机器能思考吗？1946年，世界上第一台通用计算机ENIAC在美国宾夕法尼亚大学问世。这台重达30吨、占地170平方米的庞然大物，每秒只能进行5000次加法运算——今天你口袋里的手机，算力是它的上亿倍。但正是在这台笨重的机器诞生前后，一群科学家开始追问一个更根本的问题：机器能思考吗？ 奠基：思想的种子...
- 一、数据不是资产，能"说话"的数据才是过去十年，企业的终端管理系统完成了一个伟大的使命：记录。文件操作、代码提交、邮件往来、U盘插拔、项目文档流转……一切都被忠实地存档。但记录不等于理解，存档不等于洞察。固信XTCM平台积累的终端行为数据，是一座沉睡的金矿。AI Insight的发布，就是那座金矿的唤醒器。作为国内第一家、也是截至目前唯一一家将AI大模型深度嵌入终端管理内核的厂商，固信做的不... 一、数据不是资产，能"说话"的数据才是过去十年，企业的终端管理系统完成了一个伟大的使命：记录。文件操作、代码提交、邮件往来、U盘插拔、项目文档流转……一切都被忠实地存档。但记录不等于理解，存档不等于洞察。固信XTCM平台积累的终端行为数据，是一座沉睡的金矿。AI Insight的发布，就是那座金矿的唤醒器。作为国内第一家、也是截至目前唯一一家将AI大模型深度嵌入终端管理内核的厂商，固信做的不...
- 很多开发者第一次学习 CNN 时，容易停留在“卷积层提特征、池化层降维、全连接层分类”的概念层面；真正写训练代码时，却会遇到一组更工程化的问题：数据目录怎么组织、输入尺寸如何统一、训练和验证如何拆分、模型参数怎样保存、推理脚本如何复用训练时的预处理逻辑。本文不追求刷榜精度，也不编造某个数据集上的测试结果，而是搭建一个可复用的最小训练闭环。你可以先用自己的小型图片数据跑通流程，再替换模型结构、... 很多开发者第一次学习 CNN 时，容易停留在“卷积层提特征、池化层降维、全连接层分类”的概念层面；真正写训练代码时，却会遇到一组更工程化的问题：数据目录怎么组织、输入尺寸如何统一、训练和验证如何拆分、模型参数怎样保存、推理脚本如何复用训练时的预处理逻辑。本文不追求刷榜精度，也不编造某个数据集上的测试结果，而是搭建一个可复用的最小训练闭环。你可以先用自己的小型图片数据跑通流程，再替换模型结构、...
- 一、深度学习行业标准：只有带可学习参数的层才算 “网络层”能更新权重、参与反向传播优化的才算层：卷积层 Conv2d：有卷积核权重、偏置 → 算层全连接 Linear：有权重矩阵、偏置 → 算层BatchNorm、ConvTranspose 等带参数层 → 算层无参数，只做固定数学运算，不算独立网络层MaxPool2d（最大池化）、AvgPool：窗口大小 / 步长写死，全程不训练、无参数R... 一、深度学习行业标准：只有带可学习参数的层才算 “网络层”能更新权重、参与反向传播优化的才算层：卷积层 Conv2d：有卷积核权重、偏置 → 算层全连接 Linear：有权重矩阵、偏置 → 算层BatchNorm、ConvTranspose 等带参数层 → 算层无参数，只做固定数学运算，不算独立网络层MaxPool2d（最大池化）、AvgPool：窗口大小 / 步长写死，全程不训练、无参数R...
- HarmonyOS开发：AI未来趋势与大模型端侧化核心要点：大模型端侧化是AI发展的必然趋势，它将云端大模型的推理能力迁移到终端设备，实现低延迟、高隐私、离线可用的AI体验。本文将深入探讨大模型端侧化的技术路线、HarmonyOS的端侧推理架构、分布式协同推理以及未来AI生态的演进方向。 一、背景与动机2024年，ChatGPT引爆了大模型时代。但一个尴尬的现实是：大模型基本只能跑在云端。... HarmonyOS开发：AI未来趋势与大模型端侧化核心要点：大模型端侧化是AI发展的必然趋势，它将云端大模型的推理能力迁移到终端设备，实现低延迟、高隐私、离线可用的AI体验。本文将深入探讨大模型端侧化的技术路线、HarmonyOS的端侧推理架构、分布式协同推理以及未来AI生态的演进方向。 一、背景与动机2024年，ChatGPT引爆了大模型时代。但一个尴尬的现实是：大模型基本只能跑在云端。...
- HarmonyOS开发：HMS Core AI能力集成全指南核心要点：HMS Core为HarmonyOS开发者提供了一套完整的AI能力开放接口，涵盖语音、视觉、自然语言处理、推荐等多个领域。本文将系统讲解HMS Core AI能力的架构设计、集成流程与实战代码，帮助开发者快速将AI能力融入HarmonyOS应用。 一、背景与动机想象一下这个场景：你刚做完一道菜，想识别一下热量——打开AP... HarmonyOS开发：HMS Core AI能力集成全指南核心要点：HMS Core为HarmonyOS开发者提供了一套完整的AI能力开放接口，涵盖语音、视觉、自然语言处理、推荐等多个领域。本文将系统讲解HMS Core AI能力的架构设计、集成流程与实战代码，帮助开发者快速将AI能力融入HarmonyOS应用。 一、背景与动机想象一下这个场景：你刚做完一道菜，想识别一下热量——打开AP...
- HarmonyOS开发：AI性能优化与推理加速核心要点：AI推理不是"能跑就行"，而是要"跑得飞快"。本文深入讲解算子融合、内存优化、NPU加速、动态Batch、流水线并行等核心优化技术，以及在HarmonyOS设备上实现毫秒级推理的完整方案。 一、背景与动机你有没有这样的体验？打开一个拍照APP，点击AI美颜，画面卡了0.5秒才出效果。这0.5秒的卡顿，用户就会觉得这个APP"不够丝滑"... HarmonyOS开发：AI性能优化与推理加速核心要点：AI推理不是"能跑就行"，而是要"跑得飞快"。本文深入讲解算子融合、内存优化、NPU加速、动态Batch、流水线并行等核心优化技术，以及在HarmonyOS设备上实现毫秒级推理的完整方案。 一、背景与动机你有没有这样的体验？打开一个拍照APP，点击AI美颜，画面卡了0.5秒才出效果。这0.5秒的卡顿，用户就会觉得这个APP"不够丝滑"...
- HarmonyOS APP开发：模型量化技术（INT8/FP16）与精度保持核心要点：模型量化是端侧AI部署的"必选项"——一个FP32的ResNet-50要100MB，量化为INT8后只有25MB，推理速度提升2-4倍。但量化不是免费的午餐，精度损失是最大的代价。本文深入讲解INT8/FP16量化原理、校准策略、精度评估方法，以及在HarmonyOS上的完整实战。 一、背景与动机先算一笔... HarmonyOS APP开发：模型量化技术（INT8/FP16）与精度保持核心要点：模型量化是端侧AI部署的"必选项"——一个FP32的ResNet-50要100MB，量化为INT8后只有25MB，推理速度提升2-4倍。但量化不是免费的午餐，精度损失是最大的代价。本文深入讲解INT8/FP16量化原理、校准策略、精度评估方法，以及在HarmonyOS上的完整实战。 一、背景与动机先算一笔...
- HarmonyOS开发：AI推理引擎与计算图优化核心要点：推理引擎是端侧AI的"心脏"，计算图优化是让这颗心脏跳得更快更稳的关键。本文深入剖析MindSpore Lite推理引擎的内部机制，详解算子融合、常量折叠、内存复用等核心优化策略，并通过实战代码展示如何在HarmonyOS上榨干每一滴推理性能。 一、背景与动机先说个真实的故事。我有个朋友做端侧AI，他训练了一个图像分割模型，在服务器... HarmonyOS开发：AI推理引擎与计算图优化核心要点：推理引擎是端侧AI的"心脏"，计算图优化是让这颗心脏跳得更快更稳的关键。本文深入剖析MindSpore Lite推理引擎的内部机制，详解算子融合、常量折叠、内存复用等核心优化策略，并通过实战代码展示如何在HarmonyOS上榨干每一滴推理性能。 一、背景与动机先说个真实的故事。我有个朋友做端侧AI，他训练了一个图像分割模型，在服务器...
- 使用python来实现一个RBF神经网络，代码如下 使用python来实现一个RBF神经网络，代码如下
- RBF（Radial Basis Function）神经网络全称径向基函数神经网络，它1988年由布鲁姆赫德(Broomhead)和洛维(Lowe)首次提出的一种以RBF函数作为隐层激活函数的人工神经网络模型，它能以任意精度逼近任意连续函数，在机器学习领域广泛应用于曲线拟合、回归任务。 01.RBF神经网络-模型解说下面就是RBF神经网络的模型结构了：RBF神经网络是典型的三层神经网络结 RBF（Radial Basis Function）神经网络全称径向基函数神经网络，它1988年由布鲁姆赫德(Broomhead)和洛维(Lowe)首次提出的一种以RBF函数作为隐层激活函数的人工神经网络模型，它能以任意精度逼近任意连续函数，在机器学习领域广泛应用于曲线拟合、回归任务。 01.RBF神经网络-模型解说下面就是RBF神经网络的模型结构了：RBF神经网络是典型的三层神经网络结
- MindSpore 神经网络架构搜索（NAS）实战 引言深度学习模型的性能在很大程度上取决于网络架构的设计。传统的模型开发流程中，网络架构的设计往往依赖于研究人员的经验和大量试错，这不仅耗时耗力，而且难以保证找到最优的架构。神经网络架构搜索（Neural Architecture Search，NAS）作为一种自动化方法，通过算法在预设的搜索空间中自动寻找最优的网络结构，彻底改变了这一局面... MindSpore 神经网络架构搜索（NAS）实战 引言深度学习模型的性能在很大程度上取决于网络架构的设计。传统的模型开发流程中，网络架构的设计往往依赖于研究人员的经验和大量试错，这不仅耗时耗力，而且难以保证找到最优的架构。神经网络架构搜索（Neural Architecture Search，NAS）作为一种自动化方法，通过算法在预设的搜索空间中自动寻找最优的网络结构，彻底改变了这一局面...
- 深度学习的工程化落地，早已不是纸上谈兵的事。从卷积神经网络到Transformer，从目标检测到大模型私有化部署，技术栈不断延伸，工程师面临的知识体系也越来越庞杂。现根据中际赛威工程师培训老师的一份深度学习进阶的技术路线图，来分析解读一下从基础原理到前沿应用的多个关键节点。一、从基础到进阶：构建深度学习的完整认知深度学习的起点，是对神经网络基本结构的理解。BP神经网络、卷积神经网络（CNN）... 深度学习的工程化落地，早已不是纸上谈兵的事。从卷积神经网络到Transformer，从目标检测到大模型私有化部署，技术栈不断延伸，工程师面临的知识体系也越来越庞杂。现根据中际赛威工程师培训老师的一份深度学习进阶的技术路线图，来分析解读一下从基础原理到前沿应用的多个关键节点。一、从基础到进阶：构建深度学习的完整认知深度学习的起点，是对神经网络基本结构的理解。BP神经网络、卷积神经网络（CNN）...
- 下面开始系统的学习一下tutorials.先看下基本概念。Tensor的形状，以(D0, D1, … ,Dn-1)的形式表示，D0到Dn是任意的正整数。如形状(3,4)表示第一维有3个元素，第二维有4个元素，是一个3行4列的矩阵数组。 张量 形状 1 (0,) [1,2,3] (3,) [[1,2],[3,4]] (2,2) [[[1,2],[3,4]], [[5,6],[... 下面开始系统的学习一下tutorials.先看下基本概念。Tensor的形状，以(D0, D1, … ,Dn-1)的形式表示，D0到Dn是任意的正整数。如形状(3,4)表示第一维有3个元素，第二维有4个元素，是一个3行4列的矩阵数组。 张量 形状 1 (0,) [1,2,3] (3,) [[1,2],[3,4]] (2,2) [[[1,2],[3,4]], [[5,6],[...
- MindSpore 快速入门：从零到第一个神经网络 MindSpore 快速入门：从零到第一个神经网络
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第三期2026/08/21 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；念擎-华为云AI开发者运营案例开发专家
本期直播内容：AI六层能力首次详细解读 + 新一代华为云开发者空间亮相 + 校园案例直播带练
回顾中
热门标签