【Datewhale一起吃瓜 Task5】啃瓜第六章

最新推荐文章于 2026-07-18 12:12:08 发布
原创 最新推荐文章于 2026-07-18 12:12:08 发布 · 461 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文介绍了M-P神经元模型、多层前馈网络、BP算法等核心概念，并探讨了如何通过早停和正则化来缓解过拟合问题。

文章目录

M-P 神经元模型

神经元接受数据，根据各自权重输入进激活函数，输出值与阈值比较后，得出结果作为该神经元的输出结果
在这里插入图片描述

激活函数

在这里插入图片描述

多层前馈网络

多层网络：包括隐层的网络
前馈网络：神经元之间不存在同层连接也不存在跨层连接
隐层和输出层神经元亦称“功能单元”
在这里插入图片描述

万有逼近性

仅需一个包含足够多神经元的隐层，多层前馈神经网络就能以任意精度逼近任意复杂度的连续函数

但是，设置隐层神经元数是未决问题，实际常用试错法

BP算法推导

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

缓解过拟合

早停

  • 训练误差连续a轮的变化小于b，停止训练
  • 使用验证集，若训练误差降低，验证误差升高，则停止训练

正则化

误差目标函数中增加描述网络复杂度
在这里插入图片描述

标签
#深度学习 #人工智能
深度学习求职通关秘籍：Deep-Learning-Interview-Book开源项目深度解析与实战使用指南
wulechun的博客
07-14 319
例如，在目标检测章节，详细分析了预训练网络微调（Fine-tuning）的策略、模型压缩与加速方法（如TensorRT、剪枝、蒸馏），以及MobileNet、ShuffleNet等轻量级网络的设计准则。如果你发现了文档中的错误，或者有新的面试题想要分享，可以通过GitHub的Pull Request机制提交你的修改。该项目不仅系统梳理了从数学基础到前沿应用的庞大知识体系，更通过社区协作的方式，为AI从业者提供了一条清晰的职业进阶之路。项目内容涵盖了深度学习领域的方方面面，形成了严密的逻辑闭环。
高斯核是构建尺度（缩放）空间变换的唯一线性核（尺度空间 图像G(x,y,σ) 定义为原始图像 I(x,y) 与高斯核 σ 的卷积）筹备和证明整理
ganggangwawa的博客
07-14 86
第一：令k*k*k=2，，即k近似等于1.26，原图像=I(x,y)G(x,y,σ) = I(x,y)卷积σ高斯核G(x,y,kσ) = I(x,y)卷积kσ高斯核G(x,y,k*kσ) = I(x,y)卷积k*kσ高斯核G(x,y,k*k*kσ) = I(x,y)卷积k*k*kσ高斯核=I(x,y)卷积2σ高斯核第二：令F=G数学定义的推演推导得到的结论：这里边没有定义k即=σ*（lapulas==DOG第三：前人发现如下关系：表明图像G做差与数学推演推导的近似关系。
基于深度学习的泰文高精度识别系统，有效解决泰文上下叠加符号的识别问题
智能图像识别
07-14 194
摘要：针对泰语字符形态复杂、排版不规则导致的OCR识别难题，本研究开发了基于深度学习的泰文高精度识别系统。通过多阶段技术实现：图像预处理优化输入质量，目标检测定位文本区域，CNN-LSTM混合模型提取视觉特征并建模字符序列关系，结合CTC解码与语言模型后处理，有效解决泰文上下叠加符号的识别问题。系统在金融票据、证件处理、跨境电商等场景实现95%+识别准确率，支持古籍数字化、实时翻译等应用，助力中泰跨境信息互联互通。核心技术突破在于采用端到端训练策略，避免传统字符切分瓶颈，为东南亚小语种数字化提供AI视觉新方
26.AI大模型：RNN、LSTM、GRU
Tbisnic的博客
07-16 219
RNN 全称 Recurrent Neural Network（循环神经网络），核心设计思路：将上一个时间步的隐藏状态，作为下一个时间步的附加输入，形成循环记忆链路。普通网络：每次计算相互独立，没有历史信息留存；RNN 网络：每一步运算都会携带前文 / 前序时序的特征，天然适配有序数据。单时间步固定三层结构：输入层、隐藏层、输出层 输入分为两部分：当前时刻原始特征、上一步隐藏记忆；输出分为两部分：当前时刻预测结果、传递给下一阶段的隐藏记忆。模型门控数量记忆通道长序列建模能力训练速度。
VM深度学习
qqku321的博客
07-15 319
海康威视 VisionMaster (VM) 的深度学习功能使用流程主要分为和。
企业AI算力工作站DLTM深度学习推理工作站AI视觉检测助力医疗影像分析
AI与流媒体视频技术
07-17 221
医学影像AI正在从概念走向临床，从辅助工具走向核心竞争力。企业AI算力工作站DLTM以零代码、私有化、一站式的能力，为医疗机构和科研团队提供了一条安全、高效、可控的AI模型训练与部署路径。
RNN算法实战系列03 | 丙型肝炎预测
weixin_42517940的博客
07-16 229
本文介绍了在365天深度学习训练营中使用LSTM模型进行丙型肝炎分类任务的全过程。首先对数据进行预处理，包括处理缺失值、特征编码和标准化；然后通过随机森林模型分析特征重要性。接着构建了一个简单的LSTM网络模型，并利用Optuna进行超参数优化，确定最佳隐藏层大小和学习率。实验结果表明，该模型在测试集上达到了92.7%的准确率。文章详细记录了从数据准备到模型训练、评估的完整流程，并可视化呈现了训练过程中的准确率和损失变化曲线，为类似分类任务提供了可参考的实现方案。
06-LoRA参数高效微调
wykby的博客
07-15 846
文章摘要：LoRA参数高效微调技术详解 本文系统介绍了LoRA（Low-Rank Adaptation）参数高效微调技术。主要内容包括：LoRA通过低秩分解（B×A矩阵）近似权重变化ΔW，仅需训练2%参数（如rank=8时每层12k参数）；数学原理上，LoRA保持原始模型行为的同时添加可训练旁路，并设计了安全启动机制（B初始化为零）；实践层面详细展示了LoRA在Attention层和MLP层的应用实现、参数配置（rank/alpha）、训练及权重合并流程。实验对比表明，LoRA在显著降低显存占用（训练显存减
【深度学习实验】SE注意力机制
weixin_65899656的博客
07-14 202
项目内容模型SE-ResNet（Squeeze-and-Excitation 注意力 + ResNet-18）任务三分类图像分类（Normal / Mild / Severe）数据集1661 张图像，80/20 划分最优性能测试准确率 93.1%，测试损失 0.247实现带有SE（Squeeze-and-Excitation）注意力机制的 ResNet 模型，通过显式建模通道间的相互依赖关系，自适应地重新校准各通道的特征响应。三个核心组件组件作用。
LSTM-火灾温度预测
mioling3o的博客
07-17 39
1. 时序数据的降维与升维传统数据 vs. 时序数据： 与之前的体检表、化验单不同，温度数据不仅包含数值大小，还蕴含着严格的时间先后顺序。下一秒的温度高度依赖于上一秒的温度。核心转换逻辑：我们学习了create_dataset函数，通过设定时间步长（look_back），将原本一维的温度序列，强行切片成了 [历史温度X -> 未来温度Y] 的监督学习格式。
【深度学习新浪潮】从传统优化到扩散模型：照片去反光技术的深度学习演进之路
专注：太空算力、AI infra、异构调度、大模型成本工程
07-13 62
照片去反光技术经历了从传统优化到深度学习、从 CNN 到 Transformer、从判别式到生成式的多轮范式演进。RDNet 凭借可逆网络的信息保全特性在 NTIRE 2025 夺冠，合合信息的 RdNafNet 以两阶段级联设计在 NTIRE 2026 登顶，PRISM 则开创了隐空间分离的新范式。与此同时，华为、小米、苹果等厂商正将研究成果转化为消费级产品功能。更强大的先验建模（扩散模型、预训练隐空间）、更大规模的真实数据（RRW、DRR）、以及更精巧的架构设计（可逆网络、双流交互）
一种基于深度学习的高精度阿拉伯文OCR识别系统，有效提升了阿拉伯语文档的数字化处理效率
智能图像识别
07-13 272
本文介绍了一种基于深度学习的高精度阿拉伯文OCR识别系统，针对阿拉伯语从右向左书写、复杂连字规则和多样字体变体等独特挑战，提出"感知-理解-重构"三层架构解决方案。系统通过智能去噪、RTL布局解析、端到端序列识别等技术，攻克了双向排版、动态连字符、多字体混合等四大难题，支持结构化数据输出。该技术已应用于金融、政务、教育、物流等领域，有效提升了阿拉伯语文档的数字化处理效率，为跨语言信息处理提供了智能化解决方案。
基于量子深度学习的遥感图像处理研究进展
汉斯出版社旗下编辑，定期更新计算机前沿论文
07-17 358
摘要： 本文综述了混合量子-经典计算架构在遥感图像处理中的应用，重点探讨了量子深度学习（QDL）在NISQ时代的潜力与挑战。研究分析了量子数据编码策略（角度、振幅、基态编码）的优劣，并展示了QDL在图像分类、光谱降维及小样本生成等任务中的进展。当前瓶颈包括数据编码效率低、硬件噪声干扰及异构融合不足。未来方向涉及量子迁移学习、张量网络和量子架构搜索（QNAS）等技术的优化，以提升模型抗噪性和特征表征能力。通过软硬件协同与误差缓解，QDL有望成为多模态遥感数据处理的补充范式。
机器学习、神经网络（深度学习）常用算法汇总
雪的季节
07-15 222
KNN：传统监督机器学习、手写数字识别KMeans：传统无监督机器学习、点集聚类、图像分割GoogLeNet：深度学习CNN、图像1000分类：深度学习生成网络、图像风格迁移SSD+CNN：深度学习目标检测、人脸检测+性别识别1.传统机器学习：KNN、SVM、决策树、KMeans（无神经网络、人工/简单特征）2.深度学习（神经网络）：CNN、YOLO、Inception、风格迁移网络（多层网络、自动学特征）3. 所有神经网络算法都属于机器学习，但传统机器学习不属于深度学习。
2025深度学习智能车调试问题（opencv版本）
yechen1的博客
07-16 59
scripts：里面有个binhsv的代码（/src/opencv_detection/scripts）catkin_make(这个不需要每次都编译，你先运行代码，能正常运行就不需要打这个指令)我这里一直是vidio1 ：把一个叫index的改为0就可以了。调好了之后只有黄线是一条完美的白线哦，其他的杂点应该不能有的。还有一个红线的阈值的；摄像头的高度改成离地面大概是个23-25cm。拉到黄线是一条白线，其他都没有就比较好；调红灯和绿灯：都是这个binhsv调的。启动程序命令（进入pycuda环境）
金士顿高性能内存打造暑期AI深度学习主机
RoboWizard的博客
07-14 169
内存选用Kingston FURY野兽6000 32GB×2 64GB内存，高速度搭配大容量规格，彻底解决多LoRA模型堆叠、大模型微调、多任务并行运算的内存瓶颈，无论是批量高清图像生成、长篇文献知识库解析，还是4K素材实时渲染，都能全程流畅运行，无卡顿、无掉帧。整套配置性能均衡，兼顾创作、科研与实训，是多数AI专业学生的主流优选。当下AI学习早已告别云端受限体验，本地部署大模型、AI绘图创作、模型参数微调、语音AI训练、4K/8K视频AI剪辑，成为人工智能、数字媒体、编程科研等专业学生的核心实操内容。
深度学习深度信念网络与深度玻尔兹曼机 —— RBM 的深层扩展（一百零二）
hello.reader
07-14 55
本文介绍了深度信念网络（DBN）和深度玻尔兹曼机（DBM）这两种深度生成模型。DBN是混合模型，顶部两层为无向RBM，下层为有向网络；DBM则是完全无向的多层模型。DBN在2006年的提出开启了深度学习复兴。文章详细分析了两者的结构、概率分布、采样方法及推断复杂性，并指出DBM通过二部图结构实现高效的块Gibbs采样。最后对比了RBM、DBN和DBM在隐层数、连接类型、推断难度等方面的差异，突出了它们在深度学习发展史上的重要地位。
基于深度学习的AI降噪在矿山强噪环境下的语音增强方案
最新发布
深圳德宇科创官方博客
07-18 20
大型机械运转产生的持续噪声、风钻设备的冲击声、金属碰撞的尖锐噪音、以及爆破作业的突发高噪，使得传统对讲设备几乎无法实现清晰通话。实测数据显示，AI-ENC降噪深度可达45-90dB，覆盖风扇声、空调声、敲击声、风噪、汽车鸣笛、金属碰撞声等多种工业噪声类型，甚至对直接拍打麦克风本身产生的冲击噪声也能有效抑制。接口方面，WX-0813实现了USB UAC免驱接入，兼容Windows、macOS、Linux、Android、树莓派、Ubuntu等主流平台，即插即用无需驱动开发。
AI基本结构8、9-cnn实现图像识别
xx_xxxxx_的博客
07-14 195
本文介绍了CNN和ResNet的PyTorch实现，包括基础CNN模型（两个卷积池化层+全连接层）和残差网络结构。CNN通过卷积核提取特征，使用最大池化降维；ResNet通过残差块缓解深层网络退化问题，每个块包含主路径（卷积+BN+ReLU）和跳跃连接，通过1x1卷积调整维度后相加。ResNet实现中堆叠6个残差块，逐步增加通道数并降低空间分辨率，最终展平后通过线性层分类。残差结构使梯度传导更顺畅，支持训练更深的网络。
A100作为深度学习基础计算节点的原因
LIUMAO99的博客
07-14 388
NVIDIA A100基于安培架构，是深度学习领域的标杆级计算节点，通过全链路优化实现从训练到推理的全场景覆盖。其第三代TensorCore支持多种精度计算，80GB HBM2e显存解决大模型访存瓶颈，NVLink3.0和NVSwitch技术支撑高效分布式训练。MIG技术提升资源利用率，CUDA生态确保工业级兼容性。A100在计算、存储、互联等维度均针对深度学习优化，成为行业通用基础计算单元。与V100和H100相比，A100在算力、带宽和扩展性方面表现均衡，是大模型时代的核心硬件选择。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

有理想、有本领、有担当的有志青年

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值