- 卷积操作（Convolution）在数学、信号处理、图像处理以及深度学习领域都有广泛的应用。它是一种数学运算，用于将两个函数或信号合并成一个新的函数或信号，表示其中一个函数如何修改另一个函数。在不同领域，卷积操作的具体实现和应用可能有所不同，但基本的数学原理是相通的。 定义和数学表达在数学上，两个实数函数 f 和 g 的卷积定义为：（f * g）(t) = ∫f(τ)g(t - τ)dτ，其... 卷积操作（Convolution）在数学、信号处理、图像处理以及深度学习领域都有广泛的应用。它是一种数学运算，用于将两个函数或信号合并成一个新的函数或信号，表示其中一个函数如何修改另一个函数。在不同领域，卷积操作的具体实现和应用可能有所不同，但基本的数学原理是相通的。 定义和数学表达在数学上，两个实数函数 f 和 g 的卷积定义为：（f * g）(t) = ∫f(τ)g(t - τ)dτ，其...
- 卷积神经网络是一种深度学习模型，它在处理具有网格拓扑结构的数据，如图像（2D网格）和音频（1D网格）时，表现出色。CNN 通过模仿生物视觉系统的工作原理，能够从图像中自动学习和提取有用的特征，这一能力使其成为视觉识别任务中的首选模型。 CNN 的关键构件卷积层：这是 CNN 的核心，负责从输入图像中提取特征。每个卷积层包含若干卷积核，这些卷积核通过在输入数据上滑动并计算核与数据的点积，从而产... 卷积神经网络是一种深度学习模型，它在处理具有网格拓扑结构的数据，如图像（2D网格）和音频（1D网格）时，表现出色。CNN 通过模仿生物视觉系统的工作原理，能够从图像中自动学习和提取有用的特征，这一能力使其成为视觉识别任务中的首选模型。 CNN 的关键构件卷积层：这是 CNN 的核心，负责从输入图像中提取特征。每个卷积层包含若干卷积核，这些卷积核通过在输入数据上滑动并计算核与数据的点积，从而产...
- 在深度学习中，尤其是在卷积神经网络（CNN）的结构里，池化层（Pooling Layer）扮演着重要的角色。池化层通常跟在卷积层之后，其主要目的是减少卷积层输出的特征图（Feature Maps）的空间大小，同时保留最重要的信息。这一过程不仅有助于减少计算量，还能提高模型的泛化能力，减少过拟合的风险。 池化层的工作原理池化层通过对输入特征图的每个小区域进行下采样（subsampling）或池... 在深度学习中，尤其是在卷积神经网络（CNN）的结构里，池化层（Pooling Layer）扮演着重要的角色。池化层通常跟在卷积层之后，其主要目的是减少卷积层输出的特征图（Feature Maps）的空间大小，同时保留最重要的信息。这一过程不仅有助于减少计算量，还能提高模型的泛化能力，减少过拟合的风险。 池化层的工作原理池化层通过对输入特征图的每个小区域进行下采样（subsampling）或池...
- 全连接层是深度学习中常见的一种网络层，特别是在卷积神经网络（CNN）中。在这个层中，神经元与前一层中的每一个神经元都有连接，因此称为全连接。全连接层的主要作用是对前面卷积层或池化层提取到的特征进行整合，并最终输出一个固定大小的向量。这个向量通常用于分类或回归任务的最终决策。 全连接层的工作机制全连接层的工作原理基于线性变换和激活函数。具体来说，它将输入特征向量与权重矩阵相乘，再加上一个偏置项... 全连接层是深度学习中常见的一种网络层，特别是在卷积神经网络（CNN）中。在这个层中，神经元与前一层中的每一个神经元都有连接，因此称为全连接。全连接层的主要作用是对前面卷积层或池化层提取到的特征进行整合，并最终输出一个固定大小的向量。这个向量通常用于分类或回归任务的最终决策。 全连接层的工作机制全连接层的工作原理基于线性变换和激活函数。具体来说，它将输入特征向量与权重矩阵相乘，再加上一个偏置项...
- 在深入探讨卷积层如何提取图片中的特征之前，我们需要理解卷积神经网络（CNN）在图像处理中的核心作用。CNN 是一种专门为处理具有类似网格结构的数据设计的神经网络，例如图像数据，可以视为一个二维的像素网格。卷积层，作为 CNN 的基础构件，通过卷积操作来提取图片中的低级到高级特征，这些特征对于图像的分类、识别等任务至关重要。 卷积层的工作原理卷积层工作的基本单位是 卷积核 或 滤波器，它是一个... 在深入探讨卷积层如何提取图片中的特征之前，我们需要理解卷积神经网络（CNN）在图像处理中的核心作用。CNN 是一种专门为处理具有类似网格结构的数据设计的神经网络，例如图像数据，可以视为一个二维的像素网格。卷积层，作为 CNN 的基础构件，通过卷积操作来提取图片中的低级到高级特征，这些特征对于图像的分类、识别等任务至关重要。 卷积层的工作原理卷积层工作的基本单位是 卷积核 或 滤波器，它是一个...
- 大模型中的“自组织临界性”：智能涌现的统计物理机制 摘要随着大规模语言模型的参数量突破千亿级别，研究者们开始从复杂系统的视角审视智能涌现现象。本文探讨了大模型训练动态与“自组织临界性”理论之间的深刻联系，提出了智能涌现可能遵循类似沙堆崩塌的统计物理机制。我们将通过理论分析和代码实验，揭示大模型如何通过简单的梯度下降达到临界状态，从而产生突现能力。 一、自组织临界性：从沙堆模型到神经网络 1... 大模型中的“自组织临界性”：智能涌现的统计物理机制 摘要随着大规模语言模型的参数量突破千亿级别，研究者们开始从复杂系统的视角审视智能涌现现象。本文探讨了大模型训练动态与“自组织临界性”理论之间的深刻联系，提出了智能涌现可能遵循类似沙堆崩塌的统计物理机制。我们将通过理论分析和代码实验，揭示大模型如何通过简单的梯度下降达到临界状态，从而产生突现能力。 一、自组织临界性：从沙堆模型到神经网络 1...
- 当算力变成“新石油”：AI 芯片的战争、底层逻辑与未来爆点 当算力变成“新石油”：AI 芯片的战争、底层逻辑与未来爆点
- 一、引言：当观测不等于真实——测量误差的幽灵在因果推断的理想世界中，我们假设能够精确观测所有变量。然而，真实业务与科研场景充斥着测量误差：医疗场景：患者自我报告的"每日吸烟量"与实际生化指标存在30-50%偏差经济研究：企业申报的"研发投入"与真实支出因会计准则差异偏离20%用户行为：APP记录的"使用时长"因后台运行、统计口径问题虚高40%临床试验：血压测量因"白大褂效应"单次读数波动达... 一、引言：当观测不等于真实——测量误差的幽灵在因果推断的理想世界中，我们假设能够精确观测所有变量。然而，真实业务与科研场景充斥着测量误差：医疗场景：患者自我报告的"每日吸烟量"与实际生化指标存在30-50%偏差经济研究：企业申报的"研发投入"与真实支出因会计准则差异偏离20%用户行为：APP记录的"使用时长"因后台运行、统计口径问题虚高40%临床试验：血压测量因"白大褂效应"单次读数波动达...
- Ascend CANN 深度算子开发实践：以 Conv2D 为例解析架构原理与实战【华为根技术】卷积运算（Conv2D）是计算机视觉与深度学习模型中最具代表性、计算最密集的核心算子之一。从经典的 ResNet 到前沿的 Vision Transformer，卷积层始终是模型效率和性能的关键决定因素。在 GPU 上，你可以依赖 cuDNN；在 CPU 上，可以调用 OneDNN。但在昇腾（A... Ascend CANN 深度算子开发实践：以 Conv2D 为例解析架构原理与实战【华为根技术】卷积运算（Conv2D）是计算机视觉与深度学习模型中最具代表性、计算最密集的核心算子之一。从经典的 ResNet 到前沿的 Vision Transformer，卷积层始终是模型效率和性能的关键决定因素。在 GPU 上，你可以依赖 cuDNN；在 CPU 上，可以调用 OneDNN。但在昇腾（A...
- 神经符号混合架构：破解大模型“黑箱”的新思路 引言：大模型的“黑箱”困境当前的大型语言模型在感知和生成能力上取得了令人瞩目的成就，但它们的推理过程仍然是一个不透明的“黑箱”。这种黑箱特性带来了三大关键问题：可解释性缺失、逻辑推理薄弱和事实一致性差。神经符号混合架构（Neural-Symbolic AI）正在成为破解这一困境的突破性方向，它将神经网络的感知能力与符号系统的推理能力相结合，开辟... 神经符号混合架构：破解大模型“黑箱”的新思路 引言：大模型的“黑箱”困境当前的大型语言模型在感知和生成能力上取得了令人瞩目的成就，但它们的推理过程仍然是一个不透明的“黑箱”。这种黑箱特性带来了三大关键问题：可解释性缺失、逻辑推理薄弱和事实一致性差。神经符号混合架构（Neural-Symbolic AI）正在成为破解这一困境的突破性方向，它将神经网络的感知能力与符号系统的推理能力相结合，开辟...
- 神经辐射场(NeRF)的逆渲染：可识别性与非凸优化landscape 引言：NeRF与逆渲染的交叉领域神经辐射场（Neural Radiance Fields, NeRF）自2020年提出以来，已成为三维场景表示与视图合成的革命性技术。其核心思想是使用多层感知机（MLP）将三维坐标和观察方向映射为体积密度和颜色值。然而，逆渲染（Inverse Rendering）视角下的NeRF提出了更深... 神经辐射场(NeRF)的逆渲染：可识别性与非凸优化landscape 引言：NeRF与逆渲染的交叉领域神经辐射场（Neural Radiance Fields, NeRF）自2020年提出以来，已成为三维场景表示与视图合成的革命性技术。其核心思想是使用多层感知机（MLP）将三维坐标和观察方向映射为体积密度和颜色值。然而，逆渲染（Inverse Rendering）视角下的NeRF提出了更深...
- 首先，自然语言处理（NLP）涉及文本分析、机器翻译、情感分析等，用户可能想知道最新的进展，比如Transformer模型和BERT、GPT等预训练模型的应用。计算机视觉方面，可能涉及图像识别、目标检测、生成对抗网络（GANs）等，用户可能对最新的CV技术如Vision Transformer感兴趣。强化学习则是关于智能体在环境中学习最优策略，可能涉及深度强化学习（DRL）在游戏、机器人控制等... 首先，自然语言处理（NLP）涉及文本分析、机器翻译、情感分析等，用户可能想知道最新的进展，比如Transformer模型和BERT、GPT等预训练模型的应用。计算机视觉方面，可能涉及图像识别、目标检测、生成对抗网络（GANs）等，用户可能对最新的CV技术如Vision Transformer感兴趣。强化学习则是关于智能体在环境中学习最优策略，可能涉及深度强化学习（DRL）在游戏、机器人控制等...
- 在探讨人工智能领域的神经网络之前，我们需要明确什么是人工智能（AI）。人工智能是计算机科学的一个分支，旨在创建能够执行通常需要人类智能的任务的机器。这些任务包括但不限于视觉感知、语言理解、决策和翻译之间的语言。神经网络，或称为人工神经网络（ANN），是人工智能中的一项关键技术，它受到生物神经网络的启发。生物神经网络是构成大脑的基础，由数十亿个神经元和突触组成，负责处理和传输神经信号。类似地，... 在探讨人工智能领域的神经网络之前，我们需要明确什么是人工智能（AI）。人工智能是计算机科学的一个分支，旨在创建能够执行通常需要人类智能的任务的机器。这些任务包括但不限于视觉感知、语言理解、决策和翻译之间的语言。神经网络，或称为人工神经网络（ANN），是人工智能中的一项关键技术，它受到生物神经网络的启发。生物神经网络是构成大脑的基础，由数十亿个神经元和突触组成，负责处理和传输神经信号。类似地，...
- I. 引言：高维因果推断的挑战与机遇在数字经济时代，因果推断正面临前所未有的维度爆炸。金融科技公司的用户行为数据包含数千维特征，医疗影像分析涉及百万级像素点，电商平台的推荐系统需处理数百个用户-商品交互变量。传统因果推断方法——无论是倾向得分匹配还是双重差分——均基于"低维可观测假设"，即研究者能穷尽所有混淆因素。但当特征维度p超过样本量n（p>>n），或协变量存在高度多重共线性时，传统方... I. 引言：高维因果推断的挑战与机遇在数字经济时代，因果推断正面临前所未有的维度爆炸。金融科技公司的用户行为数据包含数千维特征，医疗影像分析涉及百万级像素点，电商平台的推荐系统需处理数百个用户-商品交互变量。传统因果推断方法——无论是倾向得分匹配还是双重差分——均基于"低维可观测假设"，即研究者能穷尽所有混淆因素。但当特征维度p超过样本量n（p>>n），或协变量存在高度多重共线性时，传统方...
- KNN（K Near Neighbor）：k个最近的邻居，即每个样本都可以用它最接近的k个邻居来代表。KNN算法属于监督学习方式的分类算法，我的理解就是计算某给点到每个点的距离作为相似度的反馈。简单来讲，KNN就是“近朱者赤，近墨者黑”的一种分类算法。KNN是一种基于实例的学习，属于懒惰学习，即没有显式学习过程。要区分一下聚类（如Kmeans等），KNN是监督学习分类，而Kmeans是无监督... KNN（K Near Neighbor）：k个最近的邻居，即每个样本都可以用它最接近的k个邻居来代表。KNN算法属于监督学习方式的分类算法，我的理解就是计算某给点到每个点的距离作为相似度的反馈。简单来讲，KNN就是“近朱者赤，近墨者黑”的一种分类算法。KNN是一种基于实例的学习，属于懒惰学习，即没有显式学习过程。要区分一下聚类（如Kmeans等），KNN是监督学习分类，而Kmeans是无监督...
上滑加载中
推荐直播
-
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 -
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中
热门标签