- 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 (...
- 1. 引言在人工智能技术深度融入智能终端的今天，神经网络计算（如图像识别、语音处理、自然语言理解）已成为设备智能化的核心驱动力。然而，传统的CPU或GPU在执行复杂的神经网络推理任务时，往往面临 计算效率低、功耗高、实时性差 等问题——例如，运行一个轻量级的图像分类模型可能需要数百毫秒的延迟，或消耗大量电量，严重影响用户体验。华为鸿蒙操作系统（HarmonyOS）针对这一挑战... 1. 引言在人工智能技术深度融入智能终端的今天，神经网络计算（如图像识别、语音处理、自然语言理解）已成为设备智能化的核心驱动力。然而，传统的CPU或GPU在执行复杂的神经网络推理任务时，往往面临 计算效率低、功耗高、实时性差 等问题——例如，运行一个轻量级的图像分类模型可能需要数百毫秒的延迟，或消耗大量电量，严重影响用户体验。华为鸿蒙操作系统（HarmonyOS）针对这一挑战...
- 在神经网络中，激活函数通过引入非线性变换，使模型能够学习复杂的数据模式。以下是常见的激活函数分类及其详细说明，包括公式、特性、应用场景和优缺点： 一、基础激活函数 1. Sigmoid（Logistic）公式：σ(x)=11+e−x\sigma(x) = \frac{1}{1 + e^{-x}}σ(x)=1+e−x1输出范围：(0, 1)特性：连续、光滑、可微。将输入压缩到0到1之间，适合... 在神经网络中，激活函数通过引入非线性变换，使模型能够学习复杂的数据模式。以下是常见的激活函数分类及其详细说明，包括公式、特性、应用场景和优缺点： 一、基础激活函数 1. Sigmoid（Logistic）公式：σ(x)=11+e−x\sigma(x) = \frac{1}{1 + e^{-x}}σ(x)=1+e−x1输出范围：(0, 1)特性：连续、光滑、可微。将输入压缩到0到1之间，适合...
- 卷积神经网络（CNN）是一种专门用于处理网格化数据（如图像、视频、音频等）的深度学习模型，其核心思想是通过局部感受野、权重共享和层次化特征提取来高效学习数据的空间特征。CNN的每一层都有特定的功能，通常包括卷积层（Convolutional Layer）、激活函数层（Activation Layer）、池化层（Pooling Layer）、**全连接层（Fully Connected Lay... 卷积神经网络（CNN）是一种专门用于处理网格化数据（如图像、视频、音频等）的深度学习模型，其核心思想是通过局部感受野、权重共享和层次化特征提取来高效学习数据的空间特征。CNN的每一层都有特定的功能，通常包括卷积层（Convolutional Layer）、激活函数层（Activation Layer）、池化层（Pooling Layer）、**全连接层（Fully Connected Lay...
- 卷积神经网络（Convolutional Neural Network, CNN）是一种专门为处理网格化数据（如图像、视频、音频、时间序列等）设计的深度学习模型。它通过局部感受野、权重共享和层次化特征提取等机制，高效地自动学习数据中的空间层次特征（如边缘、纹理、形状、语义对象等），在计算机视觉领域（如图像分类、目标检测、语义分割）中取得了巨大成功，并逐渐扩展到自然语言处理、语音识别等领域。 ... 卷积神经网络（Convolutional Neural Network, CNN）是一种专门为处理网格化数据（如图像、视频、音频、时间序列等）设计的深度学习模型。它通过局部感受野、权重共享和层次化特征提取等机制，高效地自动学习数据中的空间层次特征（如边缘、纹理、形状、语义对象等），在计算机视觉领域（如图像分类、目标检测、语义分割）中取得了巨大成功，并逐渐扩展到自然语言处理、语音识别等领域。 ...
- 卷积神经网络（Convolutional Neural Network, CNN）是一种专门为处理网格化数据（如图像、视频、音频、时间序列等）设计的深度学习模型。它通过局部感受野、权重共享和层次化特征提取等机制，高效地自动学习数据中的空间层次特征（如边缘、纹理、形状、语义对象等），在计算机视觉领域（如图像分类、目标检测、语义分割）中取得了巨大成功，并逐渐扩展到自然语言处理、语音识别等领域。 ... 卷积神经网络（Convolutional Neural Network, CNN）是一种专门为处理网格化数据（如图像、视频、音频、时间序列等）设计的深度学习模型。它通过局部感受野、权重共享和层次化特征提取等机制，高效地自动学习数据中的空间层次特征（如边缘、纹理、形状、语义对象等），在计算机视觉领域（如图像分类、目标检测、语义分割）中取得了巨大成功，并逐渐扩展到自然语言处理、语音识别等领域。 ...
- 多尺度特征在目标检测的卷积神经网络（CNN）中至关重要，主要原因在于自然场景中目标的尺度差异极大，而单一尺度的特征提取难以同时捕捉小目标的细节和大目标的语义信息。 一、目标尺度多样性带来的挑战尺度差异问题实际场景中目标尺寸差异显著（如遥感图像中的车辆与建筑、自然图像中的行人与车辆）。单一尺度特征无法覆盖所有目标：浅层特征（如Conv1-3）分辨率高，保留边缘和纹理细节，但感受... 多尺度特征在目标检测的卷积神经网络（CNN）中至关重要，主要原因在于自然场景中目标的尺度差异极大，而单一尺度的特征提取难以同时捕捉小目标的细节和大目标的语义信息。 一、目标尺度多样性带来的挑战尺度差异问题实际场景中目标尺寸差异显著（如遥感图像中的车辆与建筑、自然图像中的行人与车辆）。单一尺度特征无法覆盖所有目标：浅层特征（如Conv1-3）分辨率高，保留边缘和纹理细节，但感受...
- 卷积神经网络（CNN）的未来突破方向将围绕效率、能力边界拓展、跨模态融合及伦理可靠性展开，结合最新研究进展与行业需求，主要聚焦以下五大方向：一、架构创新：突破感受野与计算效率的平衡渐进式感受野扩展问题：传统CNN通过堆叠小卷积核或使用大核扩展感受野，但前者范围有限，后者破坏渐近高斯分布（AGD），导致计算成本激增且性能不稳定。方案：ICCV 2025提... 卷积神经网络（CNN）的未来突破方向将围绕效率、能力边界拓展、跨模态融合及伦理可靠性展开，结合最新研究进展与行业需求，主要聚焦以下五大方向：一、架构创新：突破感受野与计算效率的平衡渐进式感受野扩展问题：传统CNN通过堆叠小卷积核或使用大核扩展感受野，但前者范围有限，后者破坏渐近高斯分布（AGD），导致计算成本激增且性能不稳定。方案：ICCV 2025提...
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