- 一、液体神经网络是什么？为什么值得关注· 液体神经网络（Liquid Neural Networks, LNN）的核心思想是用连续时间的微分方程来描述神经元状态随输入而变的动态，并允许时间常数随输入自适应（“液体”）。这类模型最早以 Liquid Time-Constant (LTC) 形式提出；后续又发展出闭式解连续网络（Closed-form Continuous-time,... 一、液体神经网络是什么？为什么值得关注· 液体神经网络（Liquid Neural Networks, LNN）的核心思想是用连续时间的微分方程来描述神经元状态随输入而变的动态，并允许时间常数随输入自适应（“液体”）。这类模型最早以 Liquid Time-Constant (LTC) 形式提出；后续又发展出闭式解连续网络（Closed-form Continuous-time,...
- 在卷积神经网络（CNN）中，激活函数层通过引入非线性变换，使模型能够学习复杂的数据模式（如图像中的边缘、纹理组合等）。没有激活函数，CNN将退化为线性模型，无法解决非线性问题。以下是CNN中常用的激活函数及其特性、应用场景和代码示例的详细解析： 1. 为什么需要激活函数？线性模型的局限性：若仅使用卷积层和全连接层（均为线性变换），堆叠多层网络仍等价于单层线性模型（如 y = W_n...W_... 在卷积神经网络（CNN）中，激活函数层通过引入非线性变换，使模型能够学习复杂的数据模式（如图像中的边缘、纹理组合等）。没有激活函数，CNN将退化为线性模型，无法解决非线性问题。以下是CNN中常用的激活函数及其特性、应用场景和代码示例的详细解析： 1. 为什么需要激活函数？线性模型的局限性：若仅使用卷积层和全连接层（均为线性变换），堆叠多层网络仍等价于单层线性模型（如 y = W_n...W_...
- 卷积神经网络（CNN）通常由多种类型的层组合而成，每层承担特定功能，共同完成特征提取和分类任务。以下是CNN中常见的核心层及其作用： 1. 卷积层（Convolutional Layer）功能：通过卷积核（Filter）提取输入数据的局部空间特征（如边缘、纹理、形状）。关键操作：卷积核在输入上滑动，计算局部区域的加权和（点积）。输出特征图（Feature Map），通道数由卷积核数量决定。超... 卷积神经网络（CNN）通常由多种类型的层组合而成，每层承担特定功能，共同完成特征提取和分类任务。以下是CNN中常见的核心层及其作用： 1. 卷积层（Convolutional Layer）功能：通过卷积核（Filter）提取输入数据的局部空间特征（如边缘、纹理、形状）。关键操作：卷积核在输入上滑动，计算局部区域的加权和（点积）。输出特征图（Feature Map），通道数由卷积核数量决定。超...
- 卷积层（Convolutional Layer）是卷积神经网络（CNN）的核心组件，主要用于通过局部感受野和权重共享机制自动提取输入数据的空间特征（如图像中的边缘、纹理、形状等）。以下是卷积层的详细解析： 1. 基本操作卷积层通过**卷积核（Filter/Kernel）**在输入数据上滑动，计算局部区域的加权和（点积运算），生成特征图（Feature Map）。具体步骤如下：输入：形状为 (... 卷积层（Convolutional Layer）是卷积神经网络（CNN）的核心组件，主要用于通过局部感受野和权重共享机制自动提取输入数据的空间特征（如图像中的边缘、纹理、形状等）。以下是卷积层的详细解析： 1. 基本操作卷积层通过**卷积核（Filter/Kernel）**在输入数据上滑动，计算局部区域的加权和（点积运算），生成特征图（Feature Map）。具体步骤如下：输入：形状为 (...
- 1. 引言在人工智能技术深度融入智能终端的今天，神经网络计算（如图像识别、语音处理、自然语言理解）已成为设备智能化的核心驱动力。然而，传统的CPU或GPU在执行复杂的神经网络推理任务时，往往面临 计算效率低、功耗高、实时性差 等问题——例如，运行一个轻量级的图像分类模型可能需要数百毫秒的延迟，或消耗大量电量，严重影响用户体验。华为鸿蒙操作系统（HarmonyOS）针对这一挑战... 1. 引言在人工智能技术深度融入智能终端的今天，神经网络计算（如图像识别、语音处理、自然语言理解）已成为设备智能化的核心驱动力。然而，传统的CPU或GPU在执行复杂的神经网络推理任务时，往往面临 计算效率低、功耗高、实时性差 等问题——例如，运行一个轻量级的图像分类模型可能需要数百毫秒的延迟，或消耗大量电量，严重影响用户体验。华为鸿蒙操作系统（HarmonyOS）针对这一挑战...
- 在神经网络中，激活函数通过引入非线性变换，使模型能够学习复杂的数据模式。以下是常见的激活函数分类及其详细说明，包括公式、特性、应用场景和优缺点： 一、基础激活函数 1. Sigmoid（Logistic）公式：σ(x)=11+e−x\sigma(x) = \frac{1}{1 + e^{-x}}σ(x)=1+e−x1输出范围：(0, 1)特性：连续、光滑、可微。将输入压缩到0到1之间，适合... 在神经网络中，激活函数通过引入非线性变换，使模型能够学习复杂的数据模式。以下是常见的激活函数分类及其详细说明，包括公式、特性、应用场景和优缺点： 一、基础激活函数 1. Sigmoid（Logistic）公式：σ(x)=11+e−x\sigma(x) = \frac{1}{1 + e^{-x}}σ(x)=1+e−x1输出范围：(0, 1)特性：连续、光滑、可微。将输入压缩到0到1之间，适合...
- 卷积神经网络（CNN）是一种专门用于处理网格化数据（如图像、视频、音频等）的深度学习模型，其核心思想是通过局部感受野、权重共享和层次化特征提取来高效学习数据的空间特征。CNN的每一层都有特定的功能，通常包括卷积层（Convolutional Layer）、激活函数层（Activation Layer）、池化层（Pooling Layer）、**全连接层（Fully Connected Lay... 卷积神经网络（CNN）是一种专门用于处理网格化数据（如图像、视频、音频等）的深度学习模型，其核心思想是通过局部感受野、权重共享和层次化特征提取来高效学习数据的空间特征。CNN的每一层都有特定的功能，通常包括卷积层（Convolutional Layer）、激活函数层（Activation Layer）、池化层（Pooling Layer）、**全连接层（Fully Connected Lay...
- 卷积神经网络（Convolutional Neural Network, CNN）是一种专门为处理网格化数据（如图像、视频、音频、时间序列等）设计的深度学习模型。它通过局部感受野、权重共享和层次化特征提取等机制，高效地自动学习数据中的空间层次特征（如边缘、纹理、形状、语义对象等），在计算机视觉领域（如图像分类、目标检测、语义分割）中取得了巨大成功，并逐渐扩展到自然语言处理、语音识别等领域。 ... 卷积神经网络（Convolutional Neural Network, CNN）是一种专门为处理网格化数据（如图像、视频、音频、时间序列等）设计的深度学习模型。它通过局部感受野、权重共享和层次化特征提取等机制，高效地自动学习数据中的空间层次特征（如边缘、纹理、形状、语义对象等），在计算机视觉领域（如图像分类、目标检测、语义分割）中取得了巨大成功，并逐渐扩展到自然语言处理、语音识别等领域。 ...
- 卷积神经网络（Convolutional Neural Network, CNN）是一种专门为处理网格化数据（如图像、视频、音频、时间序列等）设计的深度学习模型。它通过局部感受野、权重共享和层次化特征提取等机制，高效地自动学习数据中的空间层次特征（如边缘、纹理、形状、语义对象等），在计算机视觉领域（如图像分类、目标检测、语义分割）中取得了巨大成功，并逐渐扩展到自然语言处理、语音识别等领域。 ... 卷积神经网络（Convolutional Neural Network, CNN）是一种专门为处理网格化数据（如图像、视频、音频、时间序列等）设计的深度学习模型。它通过局部感受野、权重共享和层次化特征提取等机制，高效地自动学习数据中的空间层次特征（如边缘、纹理、形状、语义对象等），在计算机视觉领域（如图像分类、目标检测、语义分割）中取得了巨大成功，并逐渐扩展到自然语言处理、语音识别等领域。 ...
- 多尺度特征在目标检测的卷积神经网络（CNN）中至关重要，主要原因在于自然场景中目标的尺度差异极大，而单一尺度的特征提取难以同时捕捉小目标的细节和大目标的语义信息。 一、目标尺度多样性带来的挑战尺度差异问题实际场景中目标尺寸差异显著（如遥感图像中的车辆与建筑、自然图像中的行人与车辆）。单一尺度特征无法覆盖所有目标：浅层特征（如Conv1-3）分辨率高，保留边缘和纹理细节，但感受... 多尺度特征在目标检测的卷积神经网络（CNN）中至关重要，主要原因在于自然场景中目标的尺度差异极大，而单一尺度的特征提取难以同时捕捉小目标的细节和大目标的语义信息。 一、目标尺度多样性带来的挑战尺度差异问题实际场景中目标尺寸差异显著（如遥感图像中的车辆与建筑、自然图像中的行人与车辆）。单一尺度特征无法覆盖所有目标：浅层特征（如Conv1-3）分辨率高，保留边缘和纹理细节，但感受...
- 卷积神经网络（CNN）的未来突破方向将围绕效率、能力边界拓展、跨模态融合及伦理可靠性展开，结合最新研究进展与行业需求，主要聚焦以下五大方向：一、架构创新：突破感受野与计算效率的平衡渐进式感受野扩展问题：传统CNN通过堆叠小卷积核或使用大核扩展感受野，但前者范围有限，后者破坏渐近高斯分布（AGD），导致计算成本激增且性能不稳定。方案：ICCV 2025提... 卷积神经网络（CNN）的未来突破方向将围绕效率、能力边界拓展、跨模态融合及伦理可靠性展开，结合最新研究进展与行业需求，主要聚焦以下五大方向：一、架构创新：突破感受野与计算效率的平衡渐进式感受野扩展问题：传统CNN通过堆叠小卷积核或使用大核扩展感受野，但前者范围有限，后者破坏渐近高斯分布（AGD），导致计算成本激增且性能不稳定。方案：ICCV 2025提...
- 卷积神经网络（CNN）能够显著减少模型参数量的核心机制源于其独特的结构设计，主要包括参数共享、局部连接、池化层操作以及其他优化策略。 1. 参数共享（Parameter Sharing）核心原理：卷积层使用相同的卷积核在输入数据的不同位置滑动计算，所有位置共享同一组权重参数。示例：输入图像为 32×32×3（RGB三通道），使用一个 5×5×3 的卷积... 卷积神经网络（CNN）能够显著减少模型参数量的核心机制源于其独特的结构设计，主要包括参数共享、局部连接、池化层操作以及其他优化策略。 1. 参数共享（Parameter Sharing）核心原理：卷积层使用相同的卷积核在输入数据的不同位置滑动计算，所有位置共享同一组权重参数。示例：输入图像为 32×32×3（RGB三通道），使用一个 5×5×3 的卷积...
- 在卷积神经网络（CNN）中使用 Stride（步幅） 会显著影响模型的性能、计算效率和特征提取能力。 1. 控制输出特征图的尺寸公式关系：输出特征图尺寸由输入尺寸 n×n、卷积核尺寸 f×f、步幅 s和填充量 p共同决定。计算公式为：O=⌊sn+2p−f⌋+1增大步幅（如 s=2）会显著减小输出尺寸。例如：输入 7×7，卷积核 3×3，步幅 s=1→ 输出 ... 在卷积神经网络（CNN）中使用 Stride（步幅） 会显著影响模型的性能、计算效率和特征提取能力。 1. 控制输出特征图的尺寸公式关系：输出特征图尺寸由输入尺寸 n×n、卷积核尺寸 f×f、步幅 s和填充量 p共同决定。计算公式为：O=⌊sn+2p−f⌋+1增大步幅（如 s=2）会显著减小输出尺寸。例如：输入 7×7，卷积核 3×3，步幅 s=1→ 输出 ...
- 在目标检测任务中，卷积神经网络（CNN）与区域提议方法的结合是实现高效、精准检测的核心技术路线。其演进过程经历了从传统方法到深度学习端到端优化的质变，核心思想是通过区域提议缩小检测范围，再利用CNN提取特征进行分类与定位。 一、传统区域提议方法（如Selective Search）与CNN的初步结合1. R-CNN：分阶段处理的开创性框架区域提议生成：使用传统算法（如... 在目标检测任务中，卷积神经网络（CNN）与区域提议方法的结合是实现高效、精准检测的核心技术路线。其演进过程经历了从传统方法到深度学习端到端优化的质变，核心思想是通过区域提议缩小检测范围，再利用CNN提取特征进行分类与定位。 一、传统区域提议方法（如Selective Search）与CNN的初步结合1. R-CNN：分阶段处理的开创性框架区域提议生成：使用传统算法（如...
- 在深层卷积神经网络（CNN）中，激活函数不仅是必需的组件，更是实现高性能模型的核心机制。其核心价值源于对非线性建模、梯度传播和特征表达的支撑作用。 一、引入非线性建模能力打破线性约束卷积层本质是线性操作（加权求和），若无激活函数，无论叠加多少层，整个网络仍等效于单层线性变换（即 f(x)=Wx+b），无法拟合复杂非线性数据（如图像中的曲线边界、纹理变化）。逼近任意函数... 在深层卷积神经网络（CNN）中，激活函数不仅是必需的组件，更是实现高性能模型的核心机制。其核心价值源于对非线性建模、梯度传播和特征表达的支撑作用。 一、引入非线性建模能力打破线性约束卷积层本质是线性操作（加权求和），若无激活函数，无论叠加多少层，整个网络仍等效于单层线性变换（即 f(x)=Wx+b），无法拟合复杂非线性数据（如图像中的曲线边界、纹理变化）。逼近任意函数...
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