- 在人工智能的发展过程中，AI Agent 已经逐渐从单一任务执行者演化为具备自主学习、协作和推理能力的智能体。在应对复杂决策场景（如智能制造、金融交易、灾害应急、智能交通）时，仅依赖单个 Agent 的计算与感知能力往往难以满足高效、鲁棒的决策需求。 在人工智能的发展过程中，AI Agent 已经逐渐从单一任务执行者演化为具备自主学习、协作和推理能力的智能体。在应对复杂决策场景（如智能制造、金融交易、灾害应急、智能交通）时，仅依赖单个 Agent 的计算与感知能力往往难以满足高效、鲁棒的决策需求。
- Mixture of Experts架构的简要解析 MoE的起源与核心思想Mixture of Experts（MoE）架构的历史可以追溯到1991年，当时Robert Jacobs、Michael Jordan、Geoffrey Hinton等人在《Neural Computation》期刊上发表了开创性论文《Adaptive Mixtures of Local Experts》。这篇论... Mixture of Experts架构的简要解析 MoE的起源与核心思想Mixture of Experts（MoE）架构的历史可以追溯到1991年，当时Robert Jacobs、Michael Jordan、Geoffrey Hinton等人在《Neural Computation》期刊上发表了开创性论文《Adaptive Mixtures of Local Experts》。这篇论...
- Transformer架构的简要解析Transformer架构自2017年诞生以来，已经彻底革新了人工智能领域，从最初的机器翻译任务扩展到几乎所有的序列建模问题。这种架构通过纯注意力机制取代了传统的循环和卷积结构，实现了前所未有的并行化能力和长距离依赖建模能力。其核心创新在于自注意力机制能够让序列中的任意两个位置直接交互，打破了RNN的序列处理瓶颈。从GPT到BERT，从ChatGPT到C... Transformer架构的简要解析Transformer架构自2017年诞生以来，已经彻底革新了人工智能领域，从最初的机器翻译任务扩展到几乎所有的序列建模问题。这种架构通过纯注意力机制取代了传统的循环和卷积结构，实现了前所未有的并行化能力和长距离依赖建模能力。其核心创新在于自注意力机制能够让序列中的任意两个位置直接交互，打破了RNN的序列处理瓶颈。从GPT到BERT，从ChatGPT到C...
- 大语言模型的核心算法——简要解析 Transformer架构的数学本质与演进 自注意力机制的核心原理Transformer架构的灵魂在于自注意力机制，它允许模型在处理序列中的每个元素时，动态地关注序列中的所有其他位置。从数学角度看，自注意力的计算过程可以表达为：Attention(Q,K,V)=softmax(QKTdk)V\text{Attention}(Q,K,V) = \text{s... 大语言模型的核心算法——简要解析 Transformer架构的数学本质与演进 自注意力机制的核心原理Transformer架构的灵魂在于自注意力机制，它允许模型在处理序列中的每个元素时，动态地关注序列中的所有其他位置。从数学角度看，自注意力的计算过程可以表达为：Attention(Q,K,V)=softmax(QKTdk)V\text{Attention}(Q,K,V) = \text{s...
- ProxylessNAS：直接在目标任务和硬件上进行神经架构搜索Cai H, Zhu L, Han S. Proxylessnas: Direct neural architecture search on target task and hardware[J]. arXiv preprint arXiv:1812.00332, 2018. 第一章 引言与研究背景神经架构搜索（NAS）在自... ProxylessNAS：直接在目标任务和硬件上进行神经架构搜索Cai H, Zhu L, Han S. Proxylessnas: Direct neural architecture search on target task and hardware[J]. arXiv preprint arXiv:1812.00332, 2018. 第一章 引言与研究背景神经架构搜索（NAS）在自...
- Edge Impulse：面向微型机器学习的MLOps平台深度解析Hymel S, Banbury C, Situnayake D, et al. Edge impulse: An mlops platform for tiny machine learning[J]. arXiv preprint arXiv:2212.03332, 2022. 一、引言与研究背景Edge Impulse... Edge Impulse：面向微型机器学习的MLOps平台深度解析Hymel S, Banbury C, Situnayake D, et al. Edge impulse: An mlops platform for tiny machine learning[J]. arXiv preprint arXiv:2212.03332, 2022. 一、引言与研究背景Edge Impulse...
- MINUN: 微控制器上的精确机器学习推理Jaiswal S, Goli R K K, Kumar A, et al. MinUn: Accurate ML inference on microcontrollers[C]//Proceedings of the 24th ACM SIGPLAN/SIGBED International Conference on Languages, C... MINUN: 微控制器上的精确机器学习推理Jaiswal S, Goli R K K, Kumar A, et al. MinUn: Accurate ML inference on microcontrollers[C]//Proceedings of the 24th ACM SIGPLAN/SIGBED International Conference on Languages, C...
- μNAS：面向微控制器的约束神经架构搜索Liberis E, Dudziak Ł, Lane N D. μnas: Constrained neural architecture search for microcontrollers[C]//Proceedings of the 1st Workshop on Machine Learning and Systems. 2021: 70-... μNAS：面向微控制器的约束神经架构搜索Liberis E, Dudziak Ł, Lane N D. μnas: Constrained neural architecture search for microcontrollers[C]//Proceedings of the 1st Workshop on Machine Learning and Systems. 2021: 70-...
- CMSIS-NN：ARM Cortex-M处理器的高效神经网络内核Lai L, Suda N, Chandra V. Cmsis-nn: Efficient neural network kernels for arm cortex-m cpus[J]. arXiv preprint arXiv:1801.06601, 2018. 引言与背景物联网设备正在快速增长，预计到2035年将在各个... CMSIS-NN：ARM Cortex-M处理器的高效神经网络内核Lai L, Suda N, Chandra V. Cmsis-nn: Efficient neural network kernels for arm cortex-m cpus[J]. arXiv preprint arXiv:1801.06601, 2018. 引言与背景物联网设备正在快速增长，预计到2035年将在各个...
- MCUNetV2：面向微型深度学习的内存高效分块推理方法Ji Lin, Wei-Ming Chen, Han Cai, Chuang Gan, and Song Han. 2021. MCUNetV2: memory-efficient patch-based inference for tiny deep learning. In Proceedings of the 35th Inte... MCUNetV2：面向微型深度学习的内存高效分块推理方法Ji Lin, Wei-Ming Chen, Han Cai, Chuang Gan, and Song Han. 2021. MCUNetV2: memory-efficient patch-based inference for tiny deep learning. In Proceedings of the 35th Inte...
- TensorFlow Lite Micro：嵌入式TinyML系统上的机器学习推理框架深度解析David R, Duke J, Jain A, et al. Tensorflow lite micro: Embedded machine learning for tinyml systems[J]. Proceedings of machine learning and systems, ... TensorFlow Lite Micro：嵌入式TinyML系统上的机器学习推理框架深度解析David R, Duke J, Jain A, et al. Tensorflow lite micro: Embedded machine learning for tinyml systems[J]. Proceedings of machine learning and systems, ...
- 一、液体神经网络是什么？为什么值得关注· 液体神经网络（Liquid Neural Networks, LNN）的核心思想是用连续时间的微分方程来描述神经元状态随输入而变的动态，并允许时间常数随输入自适应（“液体”）。这类模型最早以 Liquid Time-Constant (LTC) 形式提出；后续又发展出闭式解连续网络（Closed-form Continuous-time,... 一、液体神经网络是什么？为什么值得关注· 液体神经网络（Liquid Neural Networks, LNN）的核心思想是用连续时间的微分方程来描述神经元状态随输入而变的动态，并允许时间常数随输入自适应（“液体”）。这类模型最早以 Liquid Time-Constant (LTC) 形式提出；后续又发展出闭式解连续网络（Closed-form Continuous-time,...
- 在卷积神经网络（CNN）中，激活函数层通过引入非线性变换，使模型能够学习复杂的数据模式（如图像中的边缘、纹理组合等）。没有激活函数，CNN将退化为线性模型，无法解决非线性问题。以下是CNN中常用的激活函数及其特性、应用场景和代码示例的详细解析： 1. 为什么需要激活函数？线性模型的局限性：若仅使用卷积层和全连接层（均为线性变换），堆叠多层网络仍等价于单层线性模型（如 y = W_n...W_... 在卷积神经网络（CNN）中，激活函数层通过引入非线性变换，使模型能够学习复杂的数据模式（如图像中的边缘、纹理组合等）。没有激活函数，CNN将退化为线性模型，无法解决非线性问题。以下是CNN中常用的激活函数及其特性、应用场景和代码示例的详细解析： 1. 为什么需要激活函数？线性模型的局限性：若仅使用卷积层和全连接层（均为线性变换），堆叠多层网络仍等价于单层线性模型（如 y = W_n...W_...
- 卷积神经网络（CNN）通常由多种类型的层组合而成，每层承担特定功能，共同完成特征提取和分类任务。以下是CNN中常见的核心层及其作用： 1. 卷积层（Convolutional Layer）功能：通过卷积核（Filter）提取输入数据的局部空间特征（如边缘、纹理、形状）。关键操作：卷积核在输入上滑动，计算局部区域的加权和（点积）。输出特征图（Feature Map），通道数由卷积核数量决定。超... 卷积神经网络（CNN）通常由多种类型的层组合而成，每层承担特定功能，共同完成特征提取和分类任务。以下是CNN中常见的核心层及其作用： 1. 卷积层（Convolutional Layer）功能：通过卷积核（Filter）提取输入数据的局部空间特征（如边缘、纹理、形状）。关键操作：卷积核在输入上滑动，计算局部区域的加权和（点积）。输出特征图（Feature Map），通道数由卷积核数量决定。超...
- 卷积层（Convolutional Layer）是卷积神经网络（CNN）的核心组件，主要用于通过局部感受野和权重共享机制自动提取输入数据的空间特征（如图像中的边缘、纹理、形状等）。以下是卷积层的详细解析： 1. 基本操作卷积层通过**卷积核（Filter/Kernel）**在输入数据上滑动，计算局部区域的加权和（点积运算），生成特征图（Feature Map）。具体步骤如下：输入：形状为 (... 卷积层（Convolutional Layer）是卷积神经网络（CNN）的核心组件，主要用于通过局部感受野和权重共享机制自动提取输入数据的空间特征（如图像中的边缘、纹理、形状等）。以下是卷积层的详细解析： 1. 基本操作卷积层通过**卷积核（Filter/Kernel）**在输入数据上滑动，计算局部区域的加权和（点积运算），生成特征图（Feature Map）。具体步骤如下：输入：形状为 (...
上滑加载中
推荐直播
-
华为云码道Skill实战与极速交付，智能开发全链路实战2026/07/22 周三 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；姜浩-华为云HCDG核心组成员
直播深度解读华为云码道6月产品新特性，从Skill市场安装专家技能，带你零距离体验从需求，开发，审查，重构全链路闭环的开发过程。从零构建并交付一个完整项目，让您体验从代码提交到服务上线的“极速”之旅。
回顾中 -
聚开发者之力，创具身新未来2026/07/23 周四 15:00-17:00
张豪杰/程文/王军/刘新春/黄钦开 /张晓天
本次华为云具身智能开发平台CloudRobo培训面向具身智能开发者，带您全流程体验机器人本体R2C小时级接入、环境重建与轨迹生成仿真数据生产、PB级数据管理、数据评测、模型训推、强化学习和Benchmark一键评测等功能，并体验业界主流具身模型应用。
回顾中
热门标签