- 随着电动汽车、便携式电子设备及航空航天领域的快速发展，锂离子电池的健康状态（SOH）在线精确估算对保障系统安全运行至关重要。然而，现有的高精度深度学习模型通常结构复杂，计算和存储资源消耗大，难以直接部署在资源受限的电池管理系统（BMS）中。近期，发表在《Energy》期刊上的学术论文“BMSFormer: An efficient deep learning model for online... 随着电动汽车、便携式电子设备及航空航天领域的快速发展，锂离子电池的健康状态（SOH）在线精确估算对保障系统安全运行至关重要。然而，现有的高精度深度学习模型通常结构复杂，计算和存储资源消耗大，难以直接部署在资源受限的电池管理系统（BMS）中。近期，发表在《Energy》期刊上的学术论文“BMSFormer: An efficient deep learning model for online...
- 锂离子电池因其高能量密度和长寿命，已广泛应用于电动汽车和移动设备等领域。然而，复杂的内部化学反应和多变的工作环境使得精准的电池健康状态（SOH）在线估算面临巨大挑战。传统深度学习模型虽然在估算精度上有所突破，但其庞大的参数量和计算复杂度限制了其在资源受限的电池管理系统（BMS）中的实际应用。针对这一痛点，国内研究团队发表了学术论文《BMSFormer: An efficient deep l... 锂离子电池因其高能量密度和长寿命，已广泛应用于电动汽车和移动设备等领域。然而，复杂的内部化学反应和多变的工作环境使得精准的电池健康状态（SOH）在线估算面临巨大挑战。传统深度学习模型虽然在估算精度上有所突破，但其庞大的参数量和计算复杂度限制了其在资源受限的电池管理系统（BMS）中的实际应用。针对这一痛点，国内研究团队发表了学术论文《BMSFormer: An efficient deep l...
- 一部关于人类如何赋予机器“智能”的漫长故事，本质上也是一部人类重新认识自身智能的历史。 引言：机器能思考吗？1946年，世界上第一台通用计算机ENIAC在美国宾夕法尼亚大学问世。这台重达30吨、占地170平方米的庞然大物，每秒只能进行5000次加法运算——今天你口袋里的手机，算力是它的上亿倍。但正是在这台笨重的机器诞生前后，一群科学家开始追问一个更根本的问题：机器能思考吗？ 奠基：思想的种子... 一部关于人类如何赋予机器“智能”的漫长故事，本质上也是一部人类重新认识自身智能的历史。 引言：机器能思考吗？1946年，世界上第一台通用计算机ENIAC在美国宾夕法尼亚大学问世。这台重达30吨、占地170平方米的庞然大物，每秒只能进行5000次加法运算——今天你口袋里的手机，算力是它的上亿倍。但正是在这台笨重的机器诞生前后，一群科学家开始追问一个更根本的问题：机器能思考吗？ 奠基：思想的种子...
- 一、数据不是资产，能"说话"的数据才是过去十年，企业的终端管理系统完成了一个伟大的使命：记录。文件操作、代码提交、邮件往来、U盘插拔、项目文档流转……一切都被忠实地存档。但记录不等于理解，存档不等于洞察。固信XTCM平台积累的终端行为数据，是一座沉睡的金矿。AI Insight的发布，就是那座金矿的唤醒器。作为国内第一家、也是截至目前唯一一家将AI大模型深度嵌入终端管理内核的厂商，固信做的不... 一、数据不是资产，能"说话"的数据才是过去十年，企业的终端管理系统完成了一个伟大的使命：记录。文件操作、代码提交、邮件往来、U盘插拔、项目文档流转……一切都被忠实地存档。但记录不等于理解，存档不等于洞察。固信XTCM平台积累的终端行为数据，是一座沉睡的金矿。AI Insight的发布，就是那座金矿的唤醒器。作为国内第一家、也是截至目前唯一一家将AI大模型深度嵌入终端管理内核的厂商，固信做的不...
- 很多开发者第一次学习 CNN 时，容易停留在“卷积层提特征、池化层降维、全连接层分类”的概念层面；真正写训练代码时，却会遇到一组更工程化的问题：数据目录怎么组织、输入尺寸如何统一、训练和验证如何拆分、模型参数怎样保存、推理脚本如何复用训练时的预处理逻辑。本文不追求刷榜精度，也不编造某个数据集上的测试结果，而是搭建一个可复用的最小训练闭环。你可以先用自己的小型图片数据跑通流程，再替换模型结构、... 很多开发者第一次学习 CNN 时，容易停留在“卷积层提特征、池化层降维、全连接层分类”的概念层面；真正写训练代码时，却会遇到一组更工程化的问题：数据目录怎么组织、输入尺寸如何统一、训练和验证如何拆分、模型参数怎样保存、推理脚本如何复用训练时的预处理逻辑。本文不追求刷榜精度，也不编造某个数据集上的测试结果，而是搭建一个可复用的最小训练闭环。你可以先用自己的小型图片数据跑通流程，再替换模型结构、...
- 一、深度学习行业标准：只有带可学习参数的层才算 “网络层”能更新权重、参与反向传播优化的才算层：卷积层 Conv2d：有卷积核权重、偏置 → 算层全连接 Linear：有权重矩阵、偏置 → 算层BatchNorm、ConvTranspose 等带参数层 → 算层无参数，只做固定数学运算，不算独立网络层MaxPool2d（最大池化）、AvgPool：窗口大小 / 步长写死，全程不训练、无参数R... 一、深度学习行业标准：只有带可学习参数的层才算 “网络层”能更新权重、参与反向传播优化的才算层：卷积层 Conv2d：有卷积核权重、偏置 → 算层全连接 Linear：有权重矩阵、偏置 → 算层BatchNorm、ConvTranspose 等带参数层 → 算层无参数，只做固定数学运算，不算独立网络层MaxPool2d（最大池化）、AvgPool：窗口大小 / 步长写死，全程不训练、无参数R...
- HarmonyOS开发：AI未来趋势与大模型端侧化核心要点：大模型端侧化是AI发展的必然趋势，它将云端大模型的推理能力迁移到终端设备，实现低延迟、高隐私、离线可用的AI体验。本文将深入探讨大模型端侧化的技术路线、HarmonyOS的端侧推理架构、分布式协同推理以及未来AI生态的演进方向。 一、背景与动机2024年，ChatGPT引爆了大模型时代。但一个尴尬的现实是：大模型基本只能跑在云端。... HarmonyOS开发：AI未来趋势与大模型端侧化核心要点：大模型端侧化是AI发展的必然趋势，它将云端大模型的推理能力迁移到终端设备，实现低延迟、高隐私、离线可用的AI体验。本文将深入探讨大模型端侧化的技术路线、HarmonyOS的端侧推理架构、分布式协同推理以及未来AI生态的演进方向。 一、背景与动机2024年，ChatGPT引爆了大模型时代。但一个尴尬的现实是：大模型基本只能跑在云端。...
- HarmonyOS开发：HMS Core AI能力集成全指南核心要点：HMS Core为HarmonyOS开发者提供了一套完整的AI能力开放接口，涵盖语音、视觉、自然语言处理、推荐等多个领域。本文将系统讲解HMS Core AI能力的架构设计、集成流程与实战代码，帮助开发者快速将AI能力融入HarmonyOS应用。 一、背景与动机想象一下这个场景：你刚做完一道菜，想识别一下热量——打开AP... HarmonyOS开发：HMS Core AI能力集成全指南核心要点：HMS Core为HarmonyOS开发者提供了一套完整的AI能力开放接口，涵盖语音、视觉、自然语言处理、推荐等多个领域。本文将系统讲解HMS Core AI能力的架构设计、集成流程与实战代码，帮助开发者快速将AI能力融入HarmonyOS应用。 一、背景与动机想象一下这个场景：你刚做完一道菜，想识别一下热量——打开AP...
- HarmonyOS开发：AI性能优化与推理加速核心要点：AI推理不是"能跑就行"，而是要"跑得飞快"。本文深入讲解算子融合、内存优化、NPU加速、动态Batch、流水线并行等核心优化技术，以及在HarmonyOS设备上实现毫秒级推理的完整方案。 一、背景与动机你有没有这样的体验？打开一个拍照APP，点击AI美颜，画面卡了0.5秒才出效果。这0.5秒的卡顿，用户就会觉得这个APP"不够丝滑"... HarmonyOS开发：AI性能优化与推理加速核心要点：AI推理不是"能跑就行"，而是要"跑得飞快"。本文深入讲解算子融合、内存优化、NPU加速、动态Batch、流水线并行等核心优化技术，以及在HarmonyOS设备上实现毫秒级推理的完整方案。 一、背景与动机你有没有这样的体验？打开一个拍照APP，点击AI美颜，画面卡了0.5秒才出效果。这0.5秒的卡顿，用户就会觉得这个APP"不够丝滑"...
- HarmonyOS APP开发：模型量化技术（INT8/FP16）与精度保持核心要点：模型量化是端侧AI部署的"必选项"——一个FP32的ResNet-50要100MB，量化为INT8后只有25MB，推理速度提升2-4倍。但量化不是免费的午餐，精度损失是最大的代价。本文深入讲解INT8/FP16量化原理、校准策略、精度评估方法，以及在HarmonyOS上的完整实战。 一、背景与动机先算一笔... HarmonyOS APP开发：模型量化技术（INT8/FP16）与精度保持核心要点：模型量化是端侧AI部署的"必选项"——一个FP32的ResNet-50要100MB，量化为INT8后只有25MB，推理速度提升2-4倍。但量化不是免费的午餐，精度损失是最大的代价。本文深入讲解INT8/FP16量化原理、校准策略、精度评估方法，以及在HarmonyOS上的完整实战。 一、背景与动机先算一笔...
- HarmonyOS开发：AI推理引擎与计算图优化核心要点：推理引擎是端侧AI的"心脏"，计算图优化是让这颗心脏跳得更快更稳的关键。本文深入剖析MindSpore Lite推理引擎的内部机制，详解算子融合、常量折叠、内存复用等核心优化策略，并通过实战代码展示如何在HarmonyOS上榨干每一滴推理性能。 一、背景与动机先说个真实的故事。我有个朋友做端侧AI，他训练了一个图像分割模型，在服务器... HarmonyOS开发：AI推理引擎与计算图优化核心要点：推理引擎是端侧AI的"心脏"，计算图优化是让这颗心脏跳得更快更稳的关键。本文深入剖析MindSpore Lite推理引擎的内部机制，详解算子融合、常量折叠、内存复用等核心优化策略，并通过实战代码展示如何在HarmonyOS上榨干每一滴推理性能。 一、背景与动机先说个真实的故事。我有个朋友做端侧AI，他训练了一个图像分割模型，在服务器...
- 使用python来实现一个RBF神经网络，代码如下 使用python来实现一个RBF神经网络，代码如下
- RBF（Radial Basis Function）神经网络全称径向基函数神经网络，它1988年由布鲁姆赫德(Broomhead)和洛维(Lowe)首次提出的一种以RBF函数作为隐层激活函数的人工神经网络模型，它能以任意精度逼近任意连续函数，在机器学习领域广泛应用于曲线拟合、回归任务。 01.RBF神经网络-模型解说下面就是RBF神经网络的模型结构了：RBF神经网络是典型的三层神经网络结 RBF（Radial Basis Function）神经网络全称径向基函数神经网络，它1988年由布鲁姆赫德(Broomhead)和洛维(Lowe)首次提出的一种以RBF函数作为隐层激活函数的人工神经网络模型，它能以任意精度逼近任意连续函数，在机器学习领域广泛应用于曲线拟合、回归任务。 01.RBF神经网络-模型解说下面就是RBF神经网络的模型结构了：RBF神经网络是典型的三层神经网络结
- MindSpore 神经网络架构搜索（NAS）实战 引言深度学习模型的性能在很大程度上取决于网络架构的设计。传统的模型开发流程中，网络架构的设计往往依赖于研究人员的经验和大量试错，这不仅耗时耗力，而且难以保证找到最优的架构。神经网络架构搜索（Neural Architecture Search，NAS）作为一种自动化方法，通过算法在预设的搜索空间中自动寻找最优的网络结构，彻底改变了这一局面... MindSpore 神经网络架构搜索（NAS）实战 引言深度学习模型的性能在很大程度上取决于网络架构的设计。传统的模型开发流程中，网络架构的设计往往依赖于研究人员的经验和大量试错，这不仅耗时耗力，而且难以保证找到最优的架构。神经网络架构搜索（Neural Architecture Search，NAS）作为一种自动化方法，通过算法在预设的搜索空间中自动寻找最优的网络结构，彻底改变了这一局面...
- 深度学习的工程化落地，早已不是纸上谈兵的事。从卷积神经网络到Transformer，从目标检测到大模型私有化部署，技术栈不断延伸，工程师面临的知识体系也越来越庞杂。现根据中际赛威工程师培训老师的一份深度学习进阶的技术路线图，来分析解读一下从基础原理到前沿应用的多个关键节点。一、从基础到进阶：构建深度学习的完整认知深度学习的起点，是对神经网络基本结构的理解。BP神经网络、卷积神经网络（CNN）... 深度学习的工程化落地，早已不是纸上谈兵的事。从卷积神经网络到Transformer，从目标检测到大模型私有化部署，技术栈不断延伸，工程师面临的知识体系也越来越庞杂。现根据中际赛威工程师培训老师的一份深度学习进阶的技术路线图，来分析解读一下从基础原理到前沿应用的多个关键节点。一、从基础到进阶：构建深度学习的完整认知深度学习的起点，是对神经网络基本结构的理解。BP神经网络、卷积神经网络（CNN）...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签