- 综合排序
- 最热优先
- 最新优先
- 来自专栏ACM算法日常
图灵奖11 Michael Rabin，素数测试与自动机理论
迈克尔讲述了下面的故事来解释他是如何在10岁或11岁时对数学产生兴趣的。在学校的走廊上，他遇到几个年纪较大的学生，他们正试图证明一个初等几何问题。 自动机理论真正开始于1943年沃尔特·皮茨和沃伦·麦卡洛克对人工神经网络的研究。其他人则继续这项受生物启发的工作。拉宾和斯科特放弃了神经网络，转而使用一种被称为有限状态机的计算模型。
74200编辑于 2022-05-05 - 来自专栏SuperFeng
机器学习系列11：神经网络
什么是神经网络（Neural Networks）呢？最开始科学家想用算法去模拟大脑达到人工智能。通过一系列的实验发现，大脑是通过神经元进行工作的，神经元之间通过电信号传递信息。 于是他们就开始模拟神经元的工作过程，用算法去模拟神经元，这就形成了神经网络。神经网络可以用来学习复杂的非线性假设模型。 那么现在一个神经元模拟好了，但是大脑肯定不是靠一个神经元工作的，现在开始模拟多个神经元的工作过程，如下图： ? 其中 Layer 1 层模拟输入信号，连线代表信号传递的方向。 每一个神经元也就是假设函数 h_θ(x) 的构造如下： ? ? 表示第 j 层第 i 个神经元。 ? 表示第 j 层神经元的参数矩阵。 类似地，神经网络的代价函数如下： ? 其中： L = 神经网络的层数； S_l= l 层有多少个单元； K = 输出单元的数目。 乍一眼看上去挺复杂，其实类比逻辑回归的代价函数来看，思想都是一样的。
57530发布于 2019-09-26 - 来自专栏JNing的专栏
【tensorflow】TFRecord读写机理
1.tfrecord，写的时候是一行一行地写的，读的时候是每batch个行地读的。
74110发布于 2020-03-17 - 来自专栏机器学习之禅
11 | PyTorch使用nn模块、手工实现神经网络
上一小节对神经网络有了基本的了解，这一小节就看一下如何用代码来实现一个神经网络。 我们所用的案例还是那个温度转换的案例，只不过需要我们把之前的线性模型替换成神经网络模型，并重新训练以找到适合神经网络的权重。 ，目的是把数据转化成单个的样本，如果这里不太明白不要紧，后面会讲 t_u = torch.tensor(t_u).unsqueeze(1) t_u.shape outs: torch.Size([11 就像我们开头的代码里缩写的 t_c = torch.tensor(t_c).unsqueeze(1) 我们用了unsqueeze方法给数据进行升维，升维完成之后就成了一个11 * 1的tensor。 output tensor([[-1.5225], [12.1985]], grad_fn=<AddmmBackward0>) answer tensor([[-4.], [11
69420编辑于 2022-07-11 - 来自专栏Golang语言社区
channel机理及调度理解
{ 3Channel *c; 4void *v; 5unsigned int op; 6Task *task; 7Alt *xalt; 8}; 9struct Altarray 10{ 11Alt
52430发布于 2018-07-26 - 来自专栏Golang语言社区
channel机理及调度理解
{ 3Channel *c; 4void *v; 5unsigned int op; 6Task *task; 7Alt *xalt; 8}; 9struct Altarray 10{ 11Alt
43330发布于 2018-07-26 - 来自专栏PyVision
11种主要神经网络结构图解
---- 标准网络 1 | 感知器（Perceptron） 感知器是所有神经网络中最基本的，也是更复杂的神经网络的基本组成部分。它只连接一个输入神经元和一个输出神经元。 ? 神经元的连通性和权重是随机分配的，忽略层和神经元的差异(跳过连接)。通过学习输出神经元的权重，使网络能够产生和再现特定的时间模式。 8 | 反卷积神经网络(Deconvolutional Neural Network/DNN) 正如它的名字所暗示的那样，反卷积神经网络与卷积神经网络操作相反。 11 | 变分自动编码器(Variational Auto Encoder/VAE) 自动编码器学习一个输入（可以是图像或文本序列）的压缩表示，例如，压缩输入，然后解压缩回来匹配原始输入，而变分自动编码器学习表示的数据的概率分布的参数 原文：https://towardsdatascience.com/11-essential-neural-network-architectures-visualized-explained-7fc7da3486d8
9.9K20发布于 2020-09-02 - 来自专栏AustinDatabases
PostgresQL MVCC 机理与 还得学习
昨天写了些 MYSQL MVCC ，今天就的搞搞 PostgresQL 的MVCC ，最近从某些网站上获得的信息，PostgresQL的 相关人员的需求量在国内开始增加，但和需求相比，会的人少，所以你懂得。
83830发布于 2019-09-05 - 来自专栏自然语言处理
图神经网络11-GCN落地的必读论文：GraphSAGE
3 相关工作 GraphSAGE算法在概念上与以前的节点embedding方法、一般的图形学习监督方法以及最近将卷积神经网络应用于图形结构化数据的进展有关。 一些神经网络方法用于图结构上的监督学习，本文的方法在概念上受到了这些算法的启发 Discriminative embeddings of latent variable models for structured 3.3 Graph convolutional networks 近年来，提出了几种用于图上学习的卷积神经网络结构 Spectral networks and locally connected networks 该f_update功能为任何可微函数，可以再次，是一样简单的平均函数，或复杂如神经网络。 根据节点v的邻域聚合表示和节点v的先前表示，为节点v创建更新的表示： ? label一共七种，包括遗传算法，神经网络，强化学习等7个领域。特征是已经经过stemming和stopwords处理过的词表，每列表示一个词是否出现。
3.5K30发布于 2021-04-27 - 来自专栏网络信息安全
熊猫烧香（中）病毒释放机理
熊猫烧香（中）病毒释放机理 1、sub_40277C子函数 2、sub_405684子函数 3、sub_403ED4子函数 4、sub_4057A4子函数 5.分析sub_4057A4后续删除功能 6.
72910编辑于 2024-03-12 - 来自专栏ShowMeAI研究中心
深度学习与CV教程(11) | 循环神经网络及视觉应用
自然语言处理教程中的文章 NLP教程(5) - 语言模型、RNN、GRU与LSTM 和 斯坦福NLP课程 | 第6讲 - 循环神经网络与语言模型 1.1 形式 普通的神经网络会有1个固定维度的输入（如1 即使是输入输出尺寸都是固定的情形也可以使用循环神经网络 RNN。 ，让神经网络在一定程度上学会字词的组合规律并能生成自然语言。 深度学习与CV教程(5) | 卷积神经网络 深度学习与CV教程(6) | 神经网络训练技巧 (上) 深度学习与CV教程(7) | 神经网络训练技巧 (下) 深度学习与CV教程(8) | 常见深度学习框架介绍 , VGG, Googlenet, Restnet等) 深度学习与CV教程(10) | 轻量化CNN架构 (SqueezeNet, ShuffleNet, MobileNet等) 深度学习与CV教程(11
1.4K41编辑于 2022-06-09 - 来自专栏贾志刚-OpenCV学堂
使用NNCF(神经网络压缩框架)量化与压缩YOLO11
NNCF提供了一系列的训练时量化与训练后量化神经网络的接口支持，支持ONNX、OpenVINO、Pytorch等多种模型格式的压缩与量化。 pytorch2.6 openvino2025.1 opencv-python4.10 安装NNCF pip install nncf 模型量化与压缩 训练后量化（PTQ）YOLO系列INT8 这里以YOLO11 为例，实现自定义YOLO11对象检测模型的训练后量化，通过PTQ在维持精度的同时大幅提升推理速度。 还是以YOLO11为例， 权重压缩INT8对称模式： 权重压缩INT8非对称模式 运行对比 CPU 酷睿i7 11th 直接同步推理模式下： 使用FP32的流水线异步推理 使用INT8量化版本的YOLO11
19510编辑于 2026-04-02 - 来自专栏全栈程序员必看
RAII机制_机制与机理的区别
下面说一个具有实际意义的例子： /* ** FileName : RAII ** Author : Jelly Young ** Date : 2013/11/24
75720编辑于 2022-11-16 方法论|机理分析法
为什么需要机理分析法 在现实生活中，影响一个问题的因素往往不止一个，分析问题时就需要从不同方向考虑，所以就引入了机理分析法 算法分析过程和应用步骤： 首先分析现象和结果的影响因素；然后在合理的假设条件下做出各种因素与现象和结果的关系 结语 在运用机理分析法时需要考虑各个因素，对于不同的因素可能需要不同的思考方式，最后得出结果时，还要结合实际情况验证分析的正确性。 END
1.4K20发布于 2019-10-14- 来自专栏贾维斯Echo的博客
计算机理论基础
IBM服务器提供商 O---Oracle数据库软件 EMC--储存设备提供商 用PC服务器代替IBM服务器，MYSQL代替Oracle，消除这三家企业对商用数据库市场的垄断，降低企业费用成本 11
63730编辑于 2023-10-18 - 来自专栏炼丹笔记
炼丹侠必知的11大神经网络结构汇总！
时晴,文章框架源于引文[1] 炼丹侠必知的11大神经网络结构汇总！ 简 介 随着深度学习的快速发展，目前已经出现了海量的不同结构的神经网络，本文介绍11种炼丹师都需要知道一点的神经网络结构。 神经元的连接和权值是随机分配的，忽略层和神经元的差异（跳跃连接）。ESN将隐藏层设计成一个具有很多神经元组成的稀疏网络，通过调整网络内部权值的特性达到记忆数据的功能。 ? 8.Deconvolutional Neural Network (DNN) 反卷积神经网络，顾名思义，其性能与卷积神经网络相反。 11.Variational Auto Encoder (VAE) 自动编码器学习输入的压缩表示，而变分自动编码器（VAE）学习表示数据的概率分布的参数。 参考文献 11 Essential Neural Network Architectures, Visualized & Explained deconvolutional networks
1.8K20发布于 2021-05-14 - 来自专栏全栈程序员必看
多层感知机理解(多层感知机原理)
这两种网络都属于前馈型网络(Feedforward network)，其中多层感知器(MLP)是最简单也是最常见的一种神经网络结构，它是所有其他神经网络结构的基础， 好在我对神经网络的了解是从卷积神经网络开始的 ，对基本的原理和模型已经有了了解，所以学习起来相对容易，先看多层感知机的模型： 如何设计一个网络，输入代表像素的值，输出0-9之间的一个正确的数字 先把神经元当做数字 每个神经元里面是我们要提取的特征值，即像素的灰度值，0表示纯黑，1 表示纯白 这784个神经元组成了第一层，即神经网络的输入层 网络的最后一层是输出层，输出的是可能的概率，哪个概率最大，就代表识别的结果是哪个数字 ， 权重代表我们关注什么样的图案，而偏置值代表加权和有多大激活神经元才有意义 在网络的第二层，每一个神经元都和上一层的784个神经元保持全连接 每个神经元都带一个权重和偏置值 ，对应的权重对结果影响相对更大，所以增加相对亮的神经元，训练的效率会更高 所以当反向传播的时候，不仅要看高边哪些权重，还要看改变那些权重性价比高 如何改变上一层的输出 和更改权重一样
2K50编辑于 2022-07-26 - 来自专栏量子位
提前11秒，AI让神经科学家预知了你的决定
当你在鸡肉饭和牛肉面之间徘徊不定的时候，神经科学家出现了： “别纠结了，你会在11秒之后决定选鸡肉饭。” 诶？我还没决定呢，你怎么知道我会选鸡肉饭？ 一个选择实验 神经科学家的研究来自一项有14名人类受试者参与的实验，当然，这次的选择不是鸡肉饭和牛肉面，而是： ? 根据实时记录下来的大脑活动，使用SVM分类器对10秒的感知或图像数据进行了训练和测试并交叉验证，将四个重点区域逐一分析后，研究人员可以平均提前11秒预知受试者会做出何种选择。 为什么我们明明没有作出选择，神经科学家就知道我们要选什么了呢？ ? 最后，这项研究的相关学者警告，并非所有选择都是由大脑活动提前决定的，所以，你的思维和想法都是自由的，没有什么冥冥中的神经科学想法在指引着你。
54610发布于 2019-04-23 - 来自专栏ShowMeAI研究中心
斯坦福NLP课程 | 第11讲 - NLP中的卷积神经网络
[NLP中的卷积神经网络] 本讲内容的深度总结教程可以在这里 查看。 引言 [NLP中的卷积神经网络] 授课计划 [授课计划] Announcements Intro to CNNs / 卷积神经网络介绍 Simple CNN for Sentence Classification (卷积神经网络相关内容也可以参考ShowMeAI的对吴恩达老师课程的总结文章 深度学习教程 | 卷积神经网络解读 1.1 从RNN到CNN [从RNN到CNN] 循环神经网络不能捕获没有前缀上下文的短语 [CNN卷积神经网络] 1.3 什么是卷积 [什么是卷积？] 例如 POS、NER 卷积神经网络 / CNN：适合分类，较短的短语需要零填充，难以解释，易于在 gpu 上并行化 循环神经网络 / RNN：从左到右的认知更加具有可信度，不适合分类 (如果只使用最后一种状态
1.2K61编辑于 2022-05-16 - 来自专栏脑机接口
拟资助1500万元！2022年度国家自然科学基金专项项目“音乐与脑科学”项目指南
一、科学目标 本专项项目基于音乐的声学特性、音乐要素及其类别的映射关系，通过音乐、声学、脑科学和人工智能等方法，研究音乐基本要素加工和复杂音乐认知行为的神经机理，探究音乐作为高级听觉认知过程区别于普通听觉信息处理的微观神经结构 （二）编码音乐基本要素的多尺度神经机理研究 通过音乐专家和人工智能筛选音乐节奏、旋律等基本要素，在突触、细胞、神经通路等尺度揭示这些要素的神经编码机制，研究音乐对早期生命和个体生长发育等生理过程中大脑可塑化的影响 （三）个性化音乐治疗及其作用机理研究 基于脑科学原理和人工智能的音乐治疗量化技术，研究不同类型音乐和大脑动态功能联结的对应关系及其作用机制，探索睡眠障碍、焦虑和抑郁等症状的音乐干预方案。 （三）申请注意事项 1.申请书报送时间为2022年11月10日－11月14日。 2.本专项项目申请书采用在线方式撰写。 国家自然科学基金委员会 交叉科学部 2022年11月1日 ---- 仅用于学术交流，若侵权，请后台留言，管理员即时删侵！
56030编辑于 2023-02-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号