- 池化层（Pooling Layer）是卷积神经网络（CNN）中的一种关键结构，主要用于对特征图进行下采样（Downsampling），通过压缩空间尺寸来提取核心特征并优化计算效率。一、池化层的定义与工作原理基本操作池化层通过滑动固定大小的窗口（如2×2或3×3），对输入特征图的局部区域进行聚合操作，生成更小的特征图。主要分为两类：最大池化（Max Pooling）：取... 池化层（Pooling Layer）是卷积神经网络（CNN）中的一种关键结构，主要用于对特征图进行下采样（Downsampling），通过压缩空间尺寸来提取核心特征并优化计算效率。一、池化层的定义与工作原理基本操作池化层通过滑动固定大小的窗口（如2×2或3×3），对输入特征图的局部区域进行聚合操作，生成更小的特征图。主要分为两类：最大池化（Max Pooling）：取...
- 一、数据增强（Data Augmentation）通过扩充训练数据多样性，迫使模型学习本质特征而非噪声细节：基础几何变换旋转/翻转：随机水平/垂直翻转（RandomHorizontalFlip、RandomVerticalFlip）。裁剪/缩放：随机裁剪后缩放到固定尺寸（RandomResizedCrop），模拟物体位置变化。平移/旋转：小幅平移（<10%... 一、数据增强（Data Augmentation）通过扩充训练数据多样性，迫使模型学习本质特征而非噪声细节：基础几何变换旋转/翻转：随机水平/垂直翻转（RandomHorizontalFlip、RandomVerticalFlip）。裁剪/缩放：随机裁剪后缩放到固定尺寸（RandomResizedCrop），模拟物体位置变化。平移/旋转：小幅平移（<10%...
- 卷积核（Convolutional Kernel，也称Filter或滤波器）是卷积神经网络（CNN）中的核心组件，本质是一个可学习的小型权重矩阵（如3×3、5×5）。它通过在输入数据（如图像）上滑动并进行局部计算，实现特征提取和抽象。 一、卷积核的本质与结构基本定义卷积核是一个包含权重的多维矩阵（常见为2D或3D），其尺寸（如3×3）定义了局部感受野的大小。输入数据（如图像）的每个局... 卷积核（Convolutional Kernel，也称Filter或滤波器）是卷积神经网络（CNN）中的核心组件，本质是一个可学习的小型权重矩阵（如3×3、5×5）。它通过在输入数据（如图像）上滑动并进行局部计算，实现特征提取和抽象。 一、卷积核的本质与结构基本定义卷积核是一个包含权重的多维矩阵（常见为2D或3D），其尺寸（如3×3）定义了局部感受野的大小。输入数据（如图像）的每个局...
- 随着人工智能的不断进步，传统的深度学习方法在感知类任务（如图像识别、语音识别）上取得了重大突破，但却难以胜任需要高阶逻辑推理的任务。为了解决这个问题，“神经符号 AI（Neuro-Symbolic AI）”应运而生，它旨在融合神经网络的感知能力与符号推理系统的逻辑表达能力，从而打造更具智能、更可解释、更强泛化能力的AI系统。 随着人工智能的不断进步，传统的深度学习方法在感知类任务（如图像识别、语音识别）上取得了重大突破，但却难以胜任需要高阶逻辑推理的任务。为了解决这个问题，“神经符号 AI（Neuro-Symbolic AI）”应运而生，它旨在融合神经网络的感知能力与符号推理系统的逻辑表达能力，从而打造更具智能、更可解释、更强泛化能力的AI系统。
- 批归一化（Batch Normalization，BN）是卷积神经网络（CNN）中的一种关键技术，由Google于2015年提出，旨在解决深度神经网络训练中的内部协变量偏移（Internal Covariate Shift） 问题，显著加速收敛并提升模型稳定性。 一、批归一化的核心机制批归一化通过标准化每一层输入的分布（均值为0、方差为1），并引入可学习参数调整数据尺度与偏移... 批归一化（Batch Normalization，BN）是卷积神经网络（CNN）中的一种关键技术，由Google于2015年提出，旨在解决深度神经网络训练中的内部协变量偏移（Internal Covariate Shift） 问题，显著加速收敛并提升模型稳定性。 一、批归一化的核心机制批归一化通过标准化每一层输入的分布（均值为0、方差为1），并引入可学习参数调整数据尺度与偏移...
- 卷积神经网络（CNN）中的“步长”（Stride）和“填充”（Padding）是两个核心超参数，直接影响特征图的空间维度、计算效率及信息保留程度。 一、步长（Stride）1. 定义与作用定义：步长是卷积核在输入数据（如图像）上滑动时的跳跃距离。核心作用：降采样：减少特征图尺寸（如步长为2时，输出尺寸减半），降低计算量和内存占用。扩大感受野：每... 卷积神经网络（CNN）中的“步长”（Stride）和“填充”（Padding）是两个核心超参数，直接影响特征图的空间维度、计算效率及信息保留程度。 一、步长（Stride）1. 定义与作用定义：步长是卷积核在输入数据（如图像）上滑动时的跳跃距离。核心作用：降采样：减少特征图尺寸（如步长为2时，输出尺寸减半），降低计算量和内存占用。扩大感受野：每...
- 卷积神经网络（CNN）作为深度学习的代表模型，在处理具有空间结构或局部相关性的数据（如图像、视频、音频、文本等）时，相比传统机器学习方法（如SVM、随机森林、逻辑回归等）具有显著优势。以下是CNN的核心优势及对比分析： 1. 自动特征提取（端到端学习）传统方法：需要手动设计特征（如SIFT、HOG、LBP等），依赖领域知识和大量人工调参，且特征工程的质量直接影响模型性能。CNN优势：通过卷积... 卷积神经网络（CNN）作为深度学习的代表模型，在处理具有空间结构或局部相关性的数据（如图像、视频、音频、文本等）时，相比传统机器学习方法（如SVM、随机森林、逻辑回归等）具有显著优势。以下是CNN的核心优势及对比分析： 1. 自动特征提取（端到端学习）传统方法：需要手动设计特征（如SIFT、HOG、LBP等），依赖领域知识和大量人工调参，且特征工程的质量直接影响模型性能。CNN优势：通过卷积...
- 在卷积神经网络（CNN）中，卷积核大小的选择将会直接影响模型的特征提取能力、计算效率和泛化性能，这些指标。⚖️ 1. 基本原则：奇数尺寸优先奇数尺寸优势：卷积核通常为奇数（如3×3、5×5），便于确定中心锚点（Anchor Point），并实现输入输出尺寸对齐（通过padding = (k-1)/2）。若使用偶数尺寸，则无法对称填充，导致特征图边缘信息处理困难。常见尺寸... 在卷积神经网络（CNN）中，卷积核大小的选择将会直接影响模型的特征提取能力、计算效率和泛化性能，这些指标。⚖️ 1. 基本原则：奇数尺寸优先奇数尺寸优势：卷积核通常为奇数（如3×3、5×5），便于确定中心锚点（Anchor Point），并实现输入输出尺寸对齐（通过padding = (k-1)/2）。若使用偶数尺寸，则无法对称填充，导致特征图边缘信息处理困难。常见尺寸...
- 残差网络（Residual Network，ResNet）是卷积神经网络（CNN）领域里程碑式的架构创新，由何恺明（Kaiming He）等人于2015年提出。其核心目标是通过残差学习（Residual Learning）解决深度网络训练中的退化问题（Degradation Problem），即当网络层数增加时，性能不升反降的现象，而梯度消失正是退化问题的主因之一。 传统深... 残差网络（Residual Network，ResNet）是卷积神经网络（CNN）领域里程碑式的架构创新，由何恺明（Kaiming He）等人于2015年提出。其核心目标是通过残差学习（Residual Learning）解决深度网络训练中的退化问题（Degradation Problem），即当网络层数增加时，性能不升反降的现象，而梯度消失正是退化问题的主因之一。 传统深...
- CNN（卷积神经网络）在深度学习图像处理任务中的核心地位源于其独特的仿生架构设计，该设计针对图像数据的空间特性进行了优化，使其在特征提取、计算效率和泛化能力上显著超越传统方法。 一、核心原理——仿生机制与结构设计局部感知与权重共享局部感知：CNN通过卷积核（如3×3或5×5）在图像局部区域滑动（感受野），提取边缘、纹理等基础特征，模拟生物视觉神经元对局部刺激的响应。... CNN（卷积神经网络）在深度学习图像处理任务中的核心地位源于其独特的仿生架构设计，该设计针对图像数据的空间特性进行了优化，使其在特征提取、计算效率和泛化能力上显著超越传统方法。 一、核心原理——仿生机制与结构设计局部感知与权重共享局部感知：CNN通过卷积核（如3×3或5×5）在图像局部区域滑动（感受野），提取边缘、纹理等基础特征，模拟生物视觉神经元对局部刺激的响应。...
- 全连接层（Fully Connected Layer, FC）是卷积神经网络（CNN）中的关键组件，通常位于网络末端，负责将卷积层和池化层提取的局部特征整合为全局特征，并完成分类或回归任务。 一、核心的作用和功能特征整合与全局表示卷积层和池化层提取的是图像的局部特征（如边缘、纹理），而全连接层通过密集连接将这些分散的局部特征整合为全局特征，形成对物体整体的高级... 全连接层（Fully Connected Layer, FC）是卷积神经网络（CNN）中的关键组件，通常位于网络末端，负责将卷积层和池化层提取的局部特征整合为全局特征，并完成分类或回归任务。 一、核心的作用和功能特征整合与全局表示卷积层和池化层提取的是图像的局部特征（如边缘、纹理），而全连接层通过密集连接将这些分散的局部特征整合为全局特征，形成对物体整体的高级...
- 卷积神经网络（CNN）相比传统机器学习方法在图像和空间数据处理中具有显著优势 1. 自动特征提取能力传统方法：依赖人工设计特征（如SIFT、HOG或颜色直方图），需专业领域知识且特征泛化性差。CNN：通过卷积层自动学习图像中的局部特征（如边缘、纹理、形状），无需人工干预。例如：低层卷积核识别简单边缘和角点。高层卷积核组合基础特征，形成复杂语义（如物体部件）。优势... 卷积神经网络（CNN）相比传统机器学习方法在图像和空间数据处理中具有显著优势 1. 自动特征提取能力传统方法：依赖人工设计特征（如SIFT、HOG或颜色直方图），需专业领域知识且特征泛化性差。CNN：通过卷积层自动学习图像中的局部特征（如边缘、纹理、形状），无需人工干预。例如：低层卷积核识别简单边缘和角点。高层卷积核组合基础特征，形成复杂语义（如物体部件）。优势...
- 学习率的核心作用与影响学习率通过优化器（如SGD、Adam）控制参数更新幅度：参数更新公式：是损失函数的梯度。影响：过⼤LR：参数更新步长过大，可能跳过最优解，导致损失震荡甚至发散（Loss上升）。过⼩LR：参数更新缓慢，训练耗时增加，易陷入局部极小值（验证集精度停滞）。一、学习率初始值与预热策略学习率范围测试（LR Range Test）操作步骤：初始学习率设为极小... 学习率的核心作用与影响学习率通过优化器（如SGD、Adam）控制参数更新幅度：参数更新公式：是损失函数的梯度。影响：过⼤LR：参数更新步长过大，可能跳过最优解，导致损失震荡甚至发散（Loss上升）。过⼩LR：参数更新缓慢，训练耗时增加，易陷入局部极小值（验证集精度停滞）。一、学习率初始值与预热策略学习率范围测试（LR Range Test）操作步骤：初始学习率设为极小...
- AI望远镜：人工智能是如何发现“藏在宇宙角落的新星系”的？ AI望远镜：人工智能是如何发现“藏在宇宙角落的新星系”的？
- 本章系统介绍了数据驱动、知识驱动及双驱动人工智能的理论与应用。数据驱动方法依赖大数据和深度学习，在图像识别、自然语言处理等领域取得突破，但面临标注成本高、可解释性差等问题。知识驱动方法通过知识表示与推理提升系统理解能力，却在泛化性和适应性上受限。为弥补单一范式的不足，数据与知识双驱动融合两者优势，致力于构建更智能、可解释且安全可靠的AI系统，兼顾伦理与隐私保护。 本章系统介绍了数据驱动、知识驱动及双驱动人工智能的理论与应用。数据驱动方法依赖大数据和深度学习，在图像识别、自然语言处理等领域取得突破，但面临标注成本高、可解释性差等问题。知识驱动方法通过知识表示与推理提升系统理解能力，却在泛化性和适应性上受限。为弥补单一范式的不足，数据与知识双驱动融合两者优势，致力于构建更智能、可解释且安全可靠的AI系统，兼顾伦理与隐私保护。
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签