- 本实验主要介绍了如何在昇腾上，使用pytorch对经典的图神经网络GAT在论文引用数据集Pubmed上进行分类训练的实战讲解。内容包括GAT网络创新点分析、图注意力机制原理与架构剖析、多头注意力机制分析与GAT网络模型代码实战分析等等。本实验的目录结构安排如下所示：GAT网络创新点分析图注意力机制原理与架构分析多头注意力机制分析GAT网络用于Pubmed数据集分类实战 GAT网络创新点分析注... 本实验主要介绍了如何在昇腾上，使用pytorch对经典的图神经网络GAT在论文引用数据集Pubmed上进行分类训练的实战讲解。内容包括GAT网络创新点分析、图注意力机制原理与架构剖析、多头注意力机制分析与GAT网络模型代码实战分析等等。本实验的目录结构安排如下所示：GAT网络创新点分析图注意力机制原理与架构分析多头注意力机制分析GAT网络用于Pubmed数据集分类实战 GAT网络创新点分析注...
- 本文主要介绍了如何在昇腾上，使用pytorch对图像分割任务的开山之作FCN网络在VOC2012数据集上进行训练的实战过程讲解。主要内容包括FCN网络的创新点分析、FCN网络架构分析，实战训练代码分析等等。本文的目录结构安排如下所示：FCN创新点分析FCN网络架构分析FCN网络搭建过程及代码详解端到端训练Voc2012数据集全过程分析 FCN（Fully Convolutional Netw... 本文主要介绍了如何在昇腾上，使用pytorch对图像分割任务的开山之作FCN网络在VOC2012数据集上进行训练的实战过程讲解。主要内容包括FCN网络的创新点分析、FCN网络架构分析，实战训练代码分析等等。本文的目录结构安排如下所示：FCN创新点分析FCN网络架构分析FCN网络搭建过程及代码详解端到端训练Voc2012数据集全过程分析 FCN（Fully Convolutional Netw...
- 神经符号混合系统融合了神经网络与符号推理的优势，旨在赋予智能体大模型媲美人类的推理能力。神经网络擅长从数据中学习特征，但决策过程缺乏可解释性；符号推理基于规则和逻辑，具有高度可解释性，却难以应对复杂不确定性。神经符号混合系统通过结合两者，不仅提升了知识表示、推理决策和泛化能力，还在自动驾驶、金融预测、科学研究、智能教育和工业制造等领域展现出广泛应用前景。 神经符号混合系统融合了神经网络与符号推理的优势，旨在赋予智能体大模型媲美人类的推理能力。神经网络擅长从数据中学习特征，但决策过程缺乏可解释性；符号推理基于规则和逻辑，具有高度可解释性，却难以应对复杂不确定性。神经符号混合系统通过结合两者，不仅提升了知识表示、推理决策和泛化能力，还在自动驾驶、金融预测、科学研究、智能教育和工业制造等领域展现出广泛应用前景。
- 全文给出三种模型的代码示例，以GraphSage为例主要讲解 GraphSage因为昇腾暂时还不支持PyG的torch_scatter,torch_sparse等加速库，所以还不能使用mini-batch方式训练GNN，此处都是in-memory的全图训练方式。首先构建一个GraphSAGE网络以下代码是一个两层的GraphSAGE网络，利用PyG提供的SAGEConv进行构建。class ... 全文给出三种模型的代码示例，以GraphSage为例主要讲解 GraphSage因为昇腾暂时还不支持PyG的torch_scatter,torch_sparse等加速库，所以还不能使用mini-batch方式训练GNN，此处都是in-memory的全图训练方式。首先构建一个GraphSAGE网络以下代码是一个两层的GraphSAGE网络，利用PyG提供的SAGEConv进行构建。class ...
- 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vivado2019.2 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）`timescale 1ns / 1ps//// Company: // Engineer: // // Create Date: 2020/07/21 07:25:33// Design Name: // Module Name: SNN_... 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vivado2019.2 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）`timescale 1ns / 1ps//// Company: // Engineer: // // Create Date: 2020/07/21 07:25:33// Design Name: // Module Name: SNN_...
- 在当今数字化高速发展的时代，多模态技术正逐渐成为人工智能领域的核心研究方向。通过整合不同类型的数据源——包括文字、图像、音频、视频及传感器信号，多模态技术正在重塑我们与机器交互、处理信息的方式，为各行各业带来前所未有的创新可能。 多模态技术的基本概念多模态技术指的是同时处理和理解多种不同形式数据输入的系统。与传统单一模态技术相比，多模态系统能够更全面地捕捉和解析信息，就像人类感知世界时会同时... 在当今数字化高速发展的时代，多模态技术正逐渐成为人工智能领域的核心研究方向。通过整合不同类型的数据源——包括文字、图像、音频、视频及传感器信号，多模态技术正在重塑我们与机器交互、处理信息的方式，为各行各业带来前所未有的创新可能。 多模态技术的基本概念多模态技术指的是同时处理和理解多种不同形式数据输入的系统。与传统单一模态技术相比，多模态系统能够更全面地捕捉和解析信息，就像人类感知世界时会同时...
- 新药研发是典型的“高风险、高投入、长周期”领域，传统流程平均耗时10-15年、成本超26亿美元。AI通过数据驱动、模型预测、自动化优化三大核心能力，正在重塑药物研发的每个关键环节，显著提升效率并降低失败率。以下是AI在各阶段的核心应用场景与价值分析： 一、靶点发现与验证：从“大海捞针”到精准定位传统痛点：生物靶点数量超10万种，但仅有约500个被成功开发为药物靶点传统实验筛选成本高昂（单个靶... 新药研发是典型的“高风险、高投入、长周期”领域，传统流程平均耗时10-15年、成本超26亿美元。AI通过数据驱动、模型预测、自动化优化三大核心能力，正在重塑药物研发的每个关键环节，显著提升效率并降低失败率。以下是AI在各阶段的核心应用场景与价值分析： 一、靶点发现与验证：从“大海捞针”到精准定位传统痛点：生物靶点数量超10万种，但仅有约500个被成功开发为药物靶点传统实验筛选成本高昂（单个靶...
- 空洞卷积（Dilated Convolution）网络架构与PAMAP2数据集实验分析 空洞卷积（Dilated Convolution）网络架构与PAMAP2数据集实验分析
- 深度可分离卷积网络是一种高效的神经网络设计，尤其在计算机视觉领域中备受关注。它通过将传统卷积操作拆分为两个步骤——深度卷积和点卷积——大幅降低了计算量和参数量，同时保持了良好的特征提取能力。这种设计最早在 MobileNet V1 中得到了广泛应用，后来通过引入通道注意力机制（Channel Attention）演化成了 MobileNet V3，在移动设备等资源受限的场景中表现出色。 一、... 深度可分离卷积网络是一种高效的神经网络设计，尤其在计算机视觉领域中备受关注。它通过将传统卷积操作拆分为两个步骤——深度卷积和点卷积——大幅降低了计算量和参数量，同时保持了良好的特征提取能力。这种设计最早在 MobileNet V1 中得到了广泛应用，后来通过引入通道注意力机制（Channel Attention）演化成了 MobileNet V3，在移动设备等资源受限的场景中表现出色。 一、...
- 可变形卷积DCN的深入解析及在PAMAP2数据集上的实战 可变形卷积DCN的深入解析及在PAMAP2数据集上的实战
- q牌特征提取方法是一种全新的技术，突破了传统SIFT、SURF及深度学习CNN的局限。它通过多维度融合感知模块和自适应特征层级结构，高效提取全面且具代表性的特征，在复杂数据处理中表现出色。q牌可融合多模态数据，增强噪声环境下的特征识别能力，已在安防监控和自动驾驶等领域取得显著成效，检测速度与准确性大幅提升。作为一项创新技术，q牌正推动计算机视觉和机器学习迈向新高度。 q牌特征提取方法是一种全新的技术，突破了传统SIFT、SURF及深度学习CNN的局限。它通过多维度融合感知模块和自适应特征层级结构，高效提取全面且具代表性的特征，在复杂数据处理中表现出色。q牌可融合多模态数据，增强噪声环境下的特征识别能力，已在安防监控和自动驾驶等领域取得显著成效，检测速度与准确性大幅提升。作为一项创新技术，q牌正推动计算机视觉和机器学习迈向新高度。
- 华为人工智能 华为人工智能
- 神经符号计算是融合神经网络与符号推理的新兴技术，旨在解决深度学习可解释性差、逻辑推理能力弱等问题。它结合神经网络的数据处理优势和符号推理的规则清晰特性，在医疗诊断、自动驾驶、自然语言处理、智能机器人等领域展现出强大潜力。通过将先验知识融入神经网络，神经符号计算实现了更高效、准确的决策与推理，为AI发展开辟新方向，推动技术向更高层次迈进，为未来生活带来更多可能。 神经符号计算是融合神经网络与符号推理的新兴技术，旨在解决深度学习可解释性差、逻辑推理能力弱等问题。它结合神经网络的数据处理优势和符号推理的规则清晰特性，在医疗诊断、自动驾驶、自然语言处理、智能机器人等领域展现出强大潜力。通过将先验知识融入神经网络，神经符号计算实现了更高效、准确的决策与推理，为AI发展开辟新方向，推动技术向更高层次迈进，为未来生活带来更多可能。
- 图像超分辨率重建技术旨在将低分辨率图像转化为高分辨率图像，恢复更多细节与清晰度。传统方法如插值法、重建模型和稀疏编码虽有一定效果，但受限于复杂度或灵活性。深度学习兴起后，基于卷积神经网络（CNN）、递归神经网络（RNN）及生成对抗网络（GANs）的方法大幅提升了重建质量，如SRCNN、DRCN、SRGAN等模型实现更精细的纹理还原。 图像超分辨率重建技术旨在将低分辨率图像转化为高分辨率图像，恢复更多细节与清晰度。传统方法如插值法、重建模型和稀疏编码虽有一定效果，但受限于复杂度或灵活性。深度学习兴起后，基于卷积神经网络（CNN）、递归神经网络（RNN）及生成对抗网络（GANs）的方法大幅提升了重建质量，如SRCNN、DRCN、SRGAN等模型实现更精细的纹理还原。
- 目标检测是计算机视觉的重要技术，广泛应用于安防、自动驾驶和工业生产等领域。YOLO与Faster R-CNN是其中的两大代表算法。YOLO以速度见长，将目标检测转化为回归问题，通过一次前向传播实现快速检测，适合实时性要求高的场景，如自动驾驶和视频监控。Faster R-CNN则采用两阶段策略，先生成候选区域再精确定位，检测精度更高，适用于医学影像分析、工业缺陷检测等对准确性要求极高的领域。 目标检测是计算机视觉的重要技术，广泛应用于安防、自动驾驶和工业生产等领域。YOLO与Faster R-CNN是其中的两大代表算法。YOLO以速度见长，将目标检测转化为回归问题，通过一次前向传播实现快速检测，适合实时性要求高的场景，如自动驾驶和视频监控。Faster R-CNN则采用两阶段策略，先生成候选区域再精确定位，检测精度更高，适用于医学影像分析、工业缺陷检测等对准确性要求极高的领域。
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