- Involution的一个特点：输入通道和输出通道必须是一样的，如果想实现输入和输出不一样，文末有方法。 实现1： https://github.com/d-li14/involution/blob/21c3158fcbb4ecda8ed4626fcae8b01be511a598/cls/mmcls/models/utils/involution_naive.py... Involution的一个特点：输入通道和输出通道必须是一样的，如果想实现输入和输出不一样，文末有方法。 实现1： https://github.com/d-li14/involution/blob/21c3158fcbb4ecda8ed4626fcae8b01be511a598/cls/mmcls/models/utils/involution_naive.py...
- 在目前基于深度学习的语言模型结构主要包括三个类别：基于RNN的语言模型，基于CNN的语言模型和基于Transformer的语言模型。接下来我会对它们进行依次介绍，并且逐一分析他们的优缺点。1．通过RNN的语言模型结构图1 基于RNN的语言模型结构随着深度学习的发展，在受到NLP(Natural Language Processing)等任务的启发，Lee等人在视觉特征建模之后，通过引入RN... 在目前基于深度学习的语言模型结构主要包括三个类别：基于RNN的语言模型，基于CNN的语言模型和基于Transformer的语言模型。接下来我会对它们进行依次介绍，并且逐一分析他们的优缺点。1．通过RNN的语言模型结构图1 基于RNN的语言模型结构随着深度学习的发展，在受到NLP(Natural Language Processing)等任务的启发，Lee等人在视觉特征建模之后，通过引入RN...
- 翻译仅为学习，欢迎转载。【题目】Deep Residual Shrinkage Networks for Fault Diagnosis【翻译】基于深度残差收缩网络的故障诊断Abstract (摘要)【翻译】本文提出了一种新的深度学习方法，即深度残差收缩网络，以增强深度学习方法从强噪声信号中学习特征的能力，并且取得较高的故障诊断准确率。软阈值化作为非线性层，嵌入到深度神经网络之中，以去除不重... 翻译仅为学习，欢迎转载。【题目】Deep Residual Shrinkage Networks for Fault Diagnosis【翻译】基于深度残差收缩网络的故障诊断Abstract (摘要)【翻译】本文提出了一种新的深度学习方法，即深度残差收缩网络，以增强深度学习方法从强噪声信号中学习特征的能力，并且取得较高的故障诊断准确率。软阈值化作为非线性层，嵌入到深度神经网络之中，以去除不重...
- 故障诊断入门级选手提个问题，振动信号分析直接做频谱分析就好了，为啥需要人工智能? - amaze2的回答 - 知乎https://www.zhihu.com/question/332473558/answer/1349385215 对于简单的机械设备，比如一级平行齿轮箱，信号比较简单，直接频谱分析就可以满足需求。但是，如果是复杂的设备，比如多级行星齿轮传动、强环境噪声、而且故障处在早期阶段、... 故障诊断入门级选手提个问题，振动信号分析直接做频谱分析就好了，为啥需要人工智能? - amaze2的回答 - 知乎https://www.zhihu.com/question/332473558/answer/1349385215 对于简单的机械设备，比如一级平行齿轮箱，信号比较简单，直接频谱分析就可以满足需求。但是，如果是复杂的设备，比如多级行星齿轮传动、强环境噪声、而且故障处在早期阶段、...
- 主流的人脸识别技术基本上可以归结为三类 主流的人脸识别技术基本上可以归结为三类
- 本章将介绍卷积神经网络，它是近年来深度学习能在计算机视觉领域取得突破性成果的基石。它也逐渐在被其他诸如自然语言处理、推荐系统和语音识别等领域广泛使用。我们将先描述卷积神经网络中卷积层和池化层的工作原理，并解释填充、步幅、输入通道和输出通道的含义。在掌握了这些基础知识以后，我们将探究数个具有代表性的深度卷积神经网络的设计思路。这些模型包括最早提出的AlexNet，以及后来的使用重复元素的网络（... 本章将介绍卷积神经网络，它是近年来深度学习能在计算机视觉领域取得突破性成果的基石。它也逐渐在被其他诸如自然语言处理、推荐系统和语音识别等领域广泛使用。我们将先描述卷积神经网络中卷积层和池化层的工作原理，并解释填充、步幅、输入通道和输出通道的含义。在掌握了这些基础知识以后，我们将探究数个具有代表性的深度卷积神经网络的设计思路。这些模型包括最早提出的AlexNet，以及后来的使用重复元素的网络（...
- 下面是在神经网络方面的论文提出了些先进方法：彩票假设和有序神经元：将树结构集成到循环神经网络。 下面是在神经网络方面的论文提出了些先进方法：彩票假设和有序神经元：将树结构集成到循环神经网络。
- 这篇论文是第一个提出Graph Neural Network模型的论文，它将神经网络使用在图结构数据上，并细述了神经网络模型了结构组成、计算方法、优化算法、流程实现等等。论文后面还对模型的复杂度进行了评估，以及在现实任务上进行了实验和比较(比较算法为NL、L、FNN)。 这篇论文是第一个提出Graph Neural Network模型的论文，它将神经网络使用在图结构数据上，并细述了神经网络模型了结构组成、计算方法、优化算法、流程实现等等。论文后面还对模型的复杂度进行了评估，以及在现实任务上进行了实验和比较(比较算法为NL、L、FNN)。
- 2018年图灵奖得主，“深度学习三巨头”Geoffrey Hinton, Yann LeCun和Yoshua Bengio早年也曾饱受嘲笑，但终于熬过寒冬。近日，ACM通讯对三人进行了专访。 2018年图灵奖得主，“深度学习三巨头”Geoffrey Hinton, Yann LeCun和Yoshua Bengio早年也曾饱受嘲笑，但终于熬过寒冬。近日，ACM通讯对三人进行了专访。
- 本节书摘来自华章计算机《深度学习与图像识别：原理与实践》一书中的第3章，第3.3.1节，作者是魏溪含 涂铭 张修鹏。 本节书摘来自华章计算机《深度学习与图像识别：原理与实践》一书中的第3章，第3.3.1节，作者是魏溪含 涂铭 张修鹏。
- 本节书摘来自华章计算机《深度学习与图像识别：原理与实践》一书中的第3章，第3.1.2节，作者是魏溪含 涂铭 张修鹏。 本节书摘来自华章计算机《深度学习与图像识别：原理与实践》一书中的第3章，第3.1.2节，作者是魏溪含 涂铭 张修鹏。
- 本节书摘来自华章计算机《深度学习与图像识别：原理与实践》一书中的第3章，第3.1.1节，作者是魏溪含 涂铭 张修鹏。 本节书摘来自华章计算机《深度学习与图像识别：原理与实践》一书中的第3章，第3.1.1节，作者是魏溪含 涂铭 张修鹏。
- 本节书摘来自华章计算机《TensorFlow自然语言处理》一书中的第3章，第3.4.2节，［澳］ 图珊·加内格达拉（Thushan Ganegedara） 著 马恩驰 陆 健 译。 本节书摘来自华章计算机《TensorFlow自然语言处理》一书中的第3章，第3.4.2节，［澳］ 图珊·加内格达拉（Thushan Ganegedara） 著 马恩驰 陆 健 译。
- 本节书摘来自华章计算机《TensorFlow自然语言处理》一书中的第3章，第3.3.1节，［澳］ 图珊·加内格达拉（Thushan Ganegedara） 著 马恩驰 陆 健 译。 本节书摘来自华章计算机《TensorFlow自然语言处理》一书中的第3章，第3.3.1节，［澳］ 图珊·加内格达拉（Thushan Ganegedara） 著 马恩驰 陆 健 译。
- 本节书摘来自华章计算机《TensorFlow自然语言处理》一书中的第2章，第2.2.4节，［澳］ 图珊·加内格达拉（Thushan Ganegedara） 著 马恩驰 陆 健 译。 本节书摘来自华章计算机《TensorFlow自然语言处理》一书中的第2章，第2.2.4节，［澳］ 图珊·加内格达拉（Thushan Ganegedara） 著 马恩驰 陆 健 译。
上滑加载中
推荐直播
-
华为云码道-玩转OpenClaw，在线养虾2026/03/11 周三 19:00-21:00
刘昱，华为云高级工程师/谈心，华为云技术专家/李海仑，上海圭卓智能科技有限公司CEO
OpenClaw 火爆开发者圈，华为云码道最新推出 Skill ——开发者只需输入一句口令，即可部署一个功能完整的「小龙虾」智能体。直播带你玩转华为云码道，玩转OpenClaw
回顾中 -
华为云码道-AI时代应用开发利器2026/03/18 周三 19:00-20:00
童得力，华为云开发者生态运营总监/姚圣伟，华为云HCDE开发者专家
本次直播由华为专家带你实战应用开发，看华为云码道(CodeArts)代码智能体如何在AI时代让你的创意应用快速落地。更有华为云HCDE开发者专家带你用码道玩转JiuwenClaw，让小艺成为你的AI助理。
回顾中 -
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中
热门标签