- CNN（卷积神经网络）在深度学习图像处理任务中的核心地位源于其独特的仿生架构设计，该设计针对图像数据的空间特性进行了优化，使其在特征提取、计算效率和泛化能力上显著超越传统方法。 一、核心原理——仿生机制与结构设计局部感知与权重共享局部感知：CNN通过卷积核（如3×3或5×5）在图像局部区域滑动（感受野），提取边缘、纹理等基础特征，模拟生物视觉神经元对局部刺激的响应。... CNN（卷积神经网络）在深度学习图像处理任务中的核心地位源于其独特的仿生架构设计，该设计针对图像数据的空间特性进行了优化，使其在特征提取、计算效率和泛化能力上显著超越传统方法。 一、核心原理——仿生机制与结构设计局部感知与权重共享局部感知：CNN通过卷积核（如3×3或5×5）在图像局部区域滑动（感受野），提取边缘、纹理等基础特征，模拟生物视觉神经元对局部刺激的响应。...
- 全连接层（Fully Connected Layer, FC）是卷积神经网络（CNN）中的关键组件，通常位于网络末端，负责将卷积层和池化层提取的局部特征整合为全局特征，并完成分类或回归任务。 一、核心的作用和功能特征整合与全局表示卷积层和池化层提取的是图像的局部特征（如边缘、纹理），而全连接层通过密集连接将这些分散的局部特征整合为全局特征，形成对物体整体的高级... 全连接层（Fully Connected Layer, FC）是卷积神经网络（CNN）中的关键组件，通常位于网络末端，负责将卷积层和池化层提取的局部特征整合为全局特征，并完成分类或回归任务。 一、核心的作用和功能特征整合与全局表示卷积层和池化层提取的是图像的局部特征（如边缘、纹理），而全连接层通过密集连接将这些分散的局部特征整合为全局特征，形成对物体整体的高级...
- 卷积神经网络（CNN）相比传统机器学习方法在图像和空间数据处理中具有显著优势 1. 自动特征提取能力传统方法：依赖人工设计特征（如SIFT、HOG或颜色直方图），需专业领域知识且特征泛化性差。CNN：通过卷积层自动学习图像中的局部特征（如边缘、纹理、形状），无需人工干预。例如：低层卷积核识别简单边缘和角点。高层卷积核组合基础特征，形成复杂语义（如物体部件）。优势... 卷积神经网络（CNN）相比传统机器学习方法在图像和空间数据处理中具有显著优势 1. 自动特征提取能力传统方法：依赖人工设计特征（如SIFT、HOG或颜色直方图），需专业领域知识且特征泛化性差。CNN：通过卷积层自动学习图像中的局部特征（如边缘、纹理、形状），无需人工干预。例如：低层卷积核识别简单边缘和角点。高层卷积核组合基础特征，形成复杂语义（如物体部件）。优势...
- 学习率的核心作用与影响学习率通过优化器（如SGD、Adam）控制参数更新幅度：参数更新公式：是损失函数的梯度。影响：过⼤LR：参数更新步长过大，可能跳过最优解，导致损失震荡甚至发散（Loss上升）。过⼩LR：参数更新缓慢，训练耗时增加，易陷入局部极小值（验证集精度停滞）。一、学习率初始值与预热策略学习率范围测试（LR Range Test）操作步骤：初始学习率设为极小... 学习率的核心作用与影响学习率通过优化器（如SGD、Adam）控制参数更新幅度：参数更新公式：是损失函数的梯度。影响：过⼤LR：参数更新步长过大，可能跳过最优解，导致损失震荡甚至发散（Loss上升）。过⼩LR：参数更新缓慢，训练耗时增加，易陷入局部极小值（验证集精度停滞）。一、学习率初始值与预热策略学习率范围测试（LR Range Test）操作步骤：初始学习率设为极小...
- AI望远镜：人工智能是如何发现“藏在宇宙角落的新星系”的？ AI望远镜：人工智能是如何发现“藏在宇宙角落的新星系”的？
- 本章系统介绍了数据驱动、知识驱动及双驱动人工智能的理论与应用。数据驱动方法依赖大数据和深度学习，在图像识别、自然语言处理等领域取得突破，但面临标注成本高、可解释性差等问题。知识驱动方法通过知识表示与推理提升系统理解能力，却在泛化性和适应性上受限。为弥补单一范式的不足，数据与知识双驱动融合两者优势，致力于构建更智能、可解释且安全可靠的AI系统，兼顾伦理与隐私保护。 本章系统介绍了数据驱动、知识驱动及双驱动人工智能的理论与应用。数据驱动方法依赖大数据和深度学习，在图像识别、自然语言处理等领域取得突破，但面临标注成本高、可解释性差等问题。知识驱动方法通过知识表示与推理提升系统理解能力，却在泛化性和适应性上受限。为弥补单一范式的不足，数据与知识双驱动融合两者优势，致力于构建更智能、可解释且安全可靠的AI系统，兼顾伦理与隐私保护。
- 在计算机视觉领域，SIFT（Scale-Invariant Feature Transform）是一种用于检测和描述图像中的局部特征的经典算法。David Lowe 在 1999 年提出的 SIFT 算法在很多场景中被广泛应用，特别是在物体识别、拼接、3D 重建等任务中。这一算法的核心在于它能够提取图像中的 keypoint，并将其表示为对尺度和旋转不敏感的特征描述符。然而，SIFT 并不是... 在计算机视觉领域，SIFT（Scale-Invariant Feature Transform）是一种用于检测和描述图像中的局部特征的经典算法。David Lowe 在 1999 年提出的 SIFT 算法在很多场景中被广泛应用，特别是在物体识别、拼接、3D 重建等任务中。这一算法的核心在于它能够提取图像中的 keypoint，并将其表示为对尺度和旋转不敏感的特征描述符。然而，SIFT 并不是...
- 本文将从原理到实践深入剖析自然语言处理与计算机视觉两大里程碑技术——BERT的Masked LM和YOLO的Anchor Box机制，揭示其如何解决各自领域的核心挑战。 一、BERT的Masked Language Model：语言理解的革命 1. 核心原理Masked LM通过随机掩盖输入文本中的部分词汇（通常15%），强制模型基于上下文预测被掩盖的内容：输入： "The [MASK] s... 本文将从原理到实践深入剖析自然语言处理与计算机视觉两大里程碑技术——BERT的Masked LM和YOLO的Anchor Box机制，揭示其如何解决各自领域的核心挑战。 一、BERT的Masked Language Model：语言理解的革命 1. 核心原理Masked LM通过随机掩盖输入文本中的部分词汇（通常15%），强制模型基于上下文预测被掩盖的内容：输入： "The [MASK] s...
- 在人工智能的广阔领域中，深度神经网络（Deep Neural Networks, DNNs）、卷积神经网络（Convolutional Neural Networks, CNNs）和循环神经网络（Recurrent Neural Networks, RNNs）是三大基石，它们各自在图像识别、自然语言处理等众多领域发挥着不可替代的作用。本文将深入探讨这三种神经网络的基本原理、结构特点及应用场... 在人工智能的广阔领域中，深度神经网络（Deep Neural Networks, DNNs）、卷积神经网络（Convolutional Neural Networks, CNNs）和循环神经网络（Recurrent Neural Networks, RNNs）是三大基石，它们各自在图像识别、自然语言处理等众多领域发挥着不可替代的作用。本文将深入探讨这三种神经网络的基本原理、结构特点及应用场...
- 1.算法运行效果图预览(完整程序运行后无水印) 2.算法运行软件版本matlab2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频） X = woa_idx;%设置网络参数 %卷积核Nfilter = floor(X(1));%8; %卷积核大小Sfilter = floor(X(2));%5; %丢失因子drops = X(3);%0.025... 1.算法运行效果图预览(完整程序运行后无水印) 2.算法运行软件版本matlab2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频） X = woa_idx;%设置网络参数 %卷积核Nfilter = floor(X(1));%8; %卷积核大小Sfilter = floor(X(2));%5; %丢失因子drops = X(3);%0.025...
- 多智能体协作中的MCP调度框架-从工程实现到智能优化的演进路径随着大语言模型（LLMs）与自主智能体（Autonomous Agents）技术的飞速发展，如何高效地调度多个异构智能体成为了构建复杂任务系统的关键问题。本文介绍一种基于 MCP（Multi-agent Control Plane） 的多智能体编排架构，通过构建统一通信协议、任务接口与资源协调机制，实现智能体之间的高效协同。 一... 多智能体协作中的MCP调度框架-从工程实现到智能优化的演进路径随着大语言模型（LLMs）与自主智能体（Autonomous Agents）技术的飞速发展，如何高效地调度多个异构智能体成为了构建复杂任务系统的关键问题。本文介绍一种基于 MCP（Multi-agent Control Plane） 的多智能体编排架构，通过构建统一通信协议、任务接口与资源协调机制，实现智能体之间的高效协同。 一...
- 1.算法运行效果图预览(完整程序运行后无水印) 本课题所用步态数据库： 测试结果如下： 步态能量图 识别率对比 上图识别率含义是： 1.使用0度的数据库进行训练，分别测试0度，45度，90度。 2.使用45度的数据库进行训练，分别测试0度，45度，90度。 3.使用90度的数据库进行训练，分别测试0度，45度，90度。 4.使用0度，45度，90度三种样本混合进行训练，分别测试混合样... 1.算法运行效果图预览(完整程序运行后无水印) 本课题所用步态数据库： 测试结果如下： 步态能量图 识别率对比 上图识别率含义是： 1.使用0度的数据库进行训练，分别测试0度，45度，90度。 2.使用45度的数据库进行训练，分别测试0度，45度，90度。 3.使用90度的数据库进行训练，分别测试0度，45度，90度。 4.使用0度，45度，90度三种样本混合进行训练，分别测试混合样...
- 少样本与零样本学习的新支撑—自监督机制的理论基础与实战深度学习已经从最初的多层感知器（MLP）发展出复杂的神经网络体系，如卷积神经网络（CNN）、循环神经网络（RNN）乃至Transformer架构。但近年来，自监督学习（Self-Supervised Learning, SSL） 正逐渐成为推动深度学习前沿的新范式。本文将系统回顾从基础网络演进到自监督学习的过程，并通过代码实例展示核心思... 少样本与零样本学习的新支撑—自监督机制的理论基础与实战深度学习已经从最初的多层感知器（MLP）发展出复杂的神经网络体系，如卷积神经网络（CNN）、循环神经网络（RNN）乃至Transformer架构。但近年来，自监督学习（Self-Supervised Learning, SSL） 正逐渐成为推动深度学习前沿的新范式。本文将系统回顾从基础网络演进到自监督学习的过程，并通过代码实例展示核心思...
- 【AI大模型入门指南】概念与专有名词详解 （二） 一 、前言当你和聊天机器人聊得天花乱坠时，当你用文字让AI生成精美图片时，当手机相册自动帮你分类照片时 —— 这些看似智能的操作背后，都藏着 AI 大模型的身影。本文将用最接地气的比喻和案例，带新手穿透专业术语的迷雾：从大模型家族，再到模型调教的核心逻辑（如何给模型喂数据、怎么让它瘦身提速）。无论你是对 AI 好奇的小白，还是想梳理知识框架... 【AI大模型入门指南】概念与专有名词详解 （二） 一 、前言当你和聊天机器人聊得天花乱坠时，当你用文字让AI生成精美图片时，当手机相册自动帮你分类照片时 —— 这些看似智能的操作背后，都藏着 AI 大模型的身影。本文将用最接地气的比喻和案例，带新手穿透专业术语的迷雾：从大模型家族，再到模型调教的核心逻辑（如何给模型喂数据、怎么让它瘦身提速）。无论你是对 AI 好奇的小白，还是想梳理知识框架...
- 图神经网络（GNN）是专门处理非欧几里得结构数据（如社交网络、分子结构、知识图谱等图数据）的深度学习框架。其核心优势在于通过消息传递机制动态聚合节点的邻居信息，从而捕捉图的结构依赖关系。以下从非欧几里得数据特性、消息传递机制、图卷积数学原理三个维度展开解析。一、非欧几里得数据与GNN的适配性1. 非欧几里得数据的特性传统欧几里得数据（如图像、文... 图神经网络（GNN）是专门处理非欧几里得结构数据（如社交网络、分子结构、知识图谱等图数据）的深度学习框架。其核心优势在于通过消息传递机制动态聚合节点的邻居信息，从而捕捉图的结构依赖关系。以下从非欧几里得数据特性、消息传递机制、图卷积数学原理三个维度展开解析。一、非欧几里得数据与GNN的适配性1. 非欧几里得数据的特性传统欧几里得数据（如图像、文...
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