- 在计算机发展的历史长河中，图灵和冯·诺依曼的理论构建了现代计算机的基础，使我们得以划定哪些问题是“可计算”的，哪些则是“不可计算”的。图灵提出的停机问题揭示了计算的局限性，而冯·诺依曼体系结构则定义了计算机硬件的运行规则。这些理论和架构为后来的计算发展奠定了坚实的基础。然而，随着人工智能，特别是深度学习技术的崛起，以Transformer为代表的现代计算模型挑战了我们对“计算”的传统认知，模... 在计算机发展的历史长河中，图灵和冯·诺依曼的理论构建了现代计算机的基础，使我们得以划定哪些问题是“可计算”的，哪些则是“不可计算”的。图灵提出的停机问题揭示了计算的局限性，而冯·诺依曼体系结构则定义了计算机硬件的运行规则。这些理论和架构为后来的计算发展奠定了坚实的基础。然而，随着人工智能，特别是深度学习技术的崛起，以Transformer为代表的现代计算模型挑战了我们对“计算”的传统认知，模...
- 3D U-Net 实现 3D 医学影像的有效分割 介绍3D U-Net 是一种基于卷积神经网络（CNN）的深度学习架构，专门用于处理三维医学影像的分割任务。与传统的 2D 图像分割不同，3D U-Net 可以处理体积数据（如 MRI、CT 扫描），捕捉更全面的空间信息。 应用使用场景肿瘤检测：精确分割和识别肿瘤边界。器官自动分割：辅助医生快速标记重要器官。病灶分析：实现对疾病区域的精细化研... 3D U-Net 实现 3D 医学影像的有效分割 介绍3D U-Net 是一种基于卷积神经网络（CNN）的深度学习架构，专门用于处理三维医学影像的分割任务。与传统的 2D 图像分割不同，3D U-Net 可以处理体积数据（如 MRI、CT 扫描），捕捉更全面的空间信息。 应用使用场景肿瘤检测：精确分割和识别肿瘤边界。器官自动分割：辅助医生快速标记重要器官。病灶分析：实现对疾病区域的精细化研...
- 前言transformer是目前NLP甚至是整个深度学习领域不能不提到的框架，同时大部分LLM也是使用其进行训练生成模型，所以transformer几乎是目前每一个机器人开发者或者人工智能开发者不能越过的一个框架。接下来本文将从顶层往下去一步步掀开transformer的面纱。transformer概述Transformer模型来自论文Attention Is All You Need 。在... 前言transformer是目前NLP甚至是整个深度学习领域不能不提到的框架，同时大部分LLM也是使用其进行训练生成模型，所以transformer几乎是目前每一个机器人开发者或者人工智能开发者不能越过的一个框架。接下来本文将从顶层往下去一步步掀开transformer的面纱。transformer概述Transformer模型来自论文Attention Is All You Need 。在...
- 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（完整版代码包含操作步骤视频）for t=1:Iterst for i=1:Num [pa(i)] = func_obj(xwoa(i,:)); Fitout = pa(i); %更新 if Fitout < woa_g... 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（完整版代码包含操作步骤视频）for t=1:Iterst for i=1:Num [pa(i)] = func_obj(xwoa(i,:)); Fitout = pa(i); %更新 if Fitout < woa_g...
- DeepSeek是一款基于Transformer架构的大语言模型，以其在复杂逻辑推理任务上的卓越表现成为行业焦点。它通过自注意力机制高效捕捉长距离依赖关系，结合强化学习优化推理策略，利用思维链技术拆解复杂问题，并经过多阶段训练与精调提升推理能力。此外，DeepSeek融合知识图谱和外部知识，拓宽推理边界，使其在处理专业领域问题时更加准确和全面。 DeepSeek是一款基于Transformer架构的大语言模型，以其在复杂逻辑推理任务上的卓越表现成为行业焦点。它通过自注意力机制高效捕捉长距离依赖关系，结合强化学习优化推理策略，利用思维链技术拆解复杂问题，并经过多阶段训练与精调提升推理能力。此外，DeepSeek融合知识图谱和外部知识，拓宽推理边界，使其在处理专业领域问题时更加准确和全面。
- 深度Q网络（DQN）结合深度学习与Q学习，通过神经网络逼近Q值函数，指导智能体在不同状态下选择最优动作。其核心优势在于解决高维状态空间下的决策问题，利用经验回放机制和目标网络提高训练稳定性。设计高效DQN需考虑输入层、隐藏层及输出层结构，针对不同任务选择合适的网络架构，如CNN处理图像数据，MLP应对数值型状态。 深度Q网络（DQN）结合深度学习与Q学习，通过神经网络逼近Q值函数，指导智能体在不同状态下选择最优动作。其核心优势在于解决高维状态空间下的决策问题，利用经验回放机制和目标网络提高训练稳定性。设计高效DQN需考虑输入层、隐藏层及输出层结构，针对不同任务选择合适的网络架构，如CNN处理图像数据，MLP应对数值型状态。
- 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） a=2*(1-(t/Iters)); for i=1:Num for j=1:dim r1 = rand; r2 = rand;... 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） a=2*(1-(t/Iters)); for i=1:Num for j=1:dim r1 = rand; r2 = rand;...
- 梯度下降算法是优化模型参数的核心工具，包括批量梯度下降（BGD）、随机梯度下降（SGD）和小批量梯度下降（MBGD）。BGD使用全部数据计算梯度，收敛稳定但计算量大；SGD每次仅用一个样本，更新快但波动大；MBGD则取两者折中，使用小批量样本，兼具稳定性和效率。选择合适的变体需考虑数据规模、计算资源及精度要求。 梯度下降算法是优化模型参数的核心工具，包括批量梯度下降（BGD）、随机梯度下降（SGD）和小批量梯度下降（MBGD）。BGD使用全部数据计算梯度，收敛稳定但计算量大；SGD每次仅用一个样本，更新快但波动大；MBGD则取两者折中，使用小批量样本，兼具稳定性和效率。选择合适的变体需考虑数据规模、计算资源及精度要求。
- 在数字化时代，图像质量常受噪声、雾气等因素影响。深度学习通过卷积神经网络（CNN）、自动编码器和生成对抗网络（GAN）等技术，为图像去噪、去雾和增强提供了高效解决方案。CNN自动提取特征，去除噪声和雾气；自动编码器通过低维表示重构图像；GAN通过对抗训练生成高质量图像。实践中需注重数据预处理、选择合适架构、模型训练及评估优化，以提升图像质量。深度学习正不断推动图像处理技术的进步。 在数字化时代，图像质量常受噪声、雾气等因素影响。深度学习通过卷积神经网络（CNN）、自动编码器和生成对抗网络（GAN）等技术，为图像去噪、去雾和增强提供了高效解决方案。CNN自动提取特征，去除噪声和雾气；自动编码器通过低维表示重构图像；GAN通过对抗训练生成高质量图像。实践中需注重数据预处理、选择合适架构、模型训练及评估优化，以提升图像质量。深度学习正不断推动图像处理技术的进步。
- 目标检测是计算机视觉的重要任务，旨在识别图像或视频中的目标及其类别。早期依赖滑动窗口和人工特征（如HOG、SIFT），结合SVM等分类器，但计算量大、精度有限。随着深度学习兴起，R-CNN系列（R-CNN、Fast R-CNN、Faster R-CNN）逐步引入CNN和区域提议网络（RPN），显著提升速度和精度。YOLO系列（v1-v8）将检测视为回归问题，直接预测边界框和类别，以速度快著称。 目标检测是计算机视觉的重要任务，旨在识别图像或视频中的目标及其类别。早期依赖滑动窗口和人工特征（如HOG、SIFT），结合SVM等分类器，但计算量大、精度有限。随着深度学习兴起，R-CNN系列（R-CNN、Fast R-CNN、Faster R-CNN）逐步引入CNN和区域提议网络（RPN），显著提升速度和精度。YOLO系列（v1-v8）将检测视为回归问题，直接预测边界框和类别，以速度快著称。
- 前言 transformer是目前NLP甚至是整个深度学习领域不能不提到的框架，同时大部分LLM也是使用其进行训练生成模型，所以transformer几乎是目前每一个机器人开发者或者人工智能开发者不能越过的一个框架。接下来本文将从顶层往下去一步步掀开transformer的面纱。 transformer概述 Transformer模型来自论文Attention Is All You Need 前言 transformer是目前NLP甚至是整个深度学习领域不能不提到的框架，同时大部分LLM也是使用其进行训练生成模型，所以transformer几乎是目前每一个机器人开发者或者人工智能开发者不能越过的一个框架。接下来本文将从顶层往下去一步步掀开transformer的面纱。 transformer概述 Transformer模型来自论文Attention Is All You Need
- 在计算机视觉中，理解图像动态场景并捕捉时间变化信息极具挑战。LSTM作为一种深度学习模型，通过将图像帧序列化并结合CNN提取的空间特征，有效捕捉帧间的时间依赖关系。LSTM的门控机制（遗忘门、输入门和输出门）能智能处理图像序列中的信息，过滤无关数据，保留关键变化。该方法广泛应用于自动驾驶、视频监控及虚拟现实等领域，提升了动态场景的理解与预测能力。 在计算机视觉中，理解图像动态场景并捕捉时间变化信息极具挑战。LSTM作为一种深度学习模型，通过将图像帧序列化并结合CNN提取的空间特征，有效捕捉帧间的时间依赖关系。LSTM的门控机制（遗忘门、输入门和输出门）能智能处理图像序列中的信息，过滤无关数据，保留关键变化。该方法广泛应用于自动驾驶、视频监控及虚拟现实等领域，提升了动态场景的理解与预测能力。
- 震撼发布！让你的电脑智商飙升，DeepSeek-R1+Ollama+ChatboxAI合体教程，打造私人智能神器！ 震撼发布！让你的电脑智商飙升，DeepSeek-R1+Ollama+ChatboxAI合体教程，打造私人智能神器！
- 逆天改变！VSCode+Cline+DeepSeek-V3，编程界的新王者就是你 逆天改变！VSCode+Cline+DeepSeek-V3，编程界的新王者就是你
- 神经架构搜索（NAS）在卷积神经网络（CNN）领域掀起革新，自动化生成最优架构，改变传统设计方式。其特点包括扩展搜索空间、优化搜索策略、提升性能、模型压缩及跨领域应用。NAS发现了超越人工设计的高性能架构，如EfficientNet，并在图像分类、目标检测和分割中取得显著成果。尽管面临计算资源消耗大和可解释性差的挑战，NAS仍为CNN的发展带来重大突破，推动深度学习广泛应用。 神经架构搜索（NAS）在卷积神经网络（CNN）领域掀起革新，自动化生成最优架构，改变传统设计方式。其特点包括扩展搜索空间、优化搜索策略、提升性能、模型压缩及跨领域应用。NAS发现了超越人工设计的高性能架构，如EfficientNet，并在图像分类、目标检测和分割中取得显著成果。尽管面临计算资源消耗大和可解释性差的挑战，NAS仍为CNN的发展带来重大突破，推动深度学习广泛应用。
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