- 综合排序
- 最热优先
- 最新优先
- 来自专栏神经网络和深度学习
8 神经网络：表达(Neural Networks: Representation)
8 神经网络：表达(Neural Networks: Representation) 8.1 非线性假设(Non-linear Hypotheses) 8.2 神经网络和大脑(Neurons and Examples and Intuitions I) 8.6 例子和直观理解2(Examples and Intuitions II) 8.7 多类别分类(Multiclass Classification) 8 8.3 模型表示1(Model Representation I) 既然神经网络模仿的是大脑神经元，那就先看一下大脑的神经元长什么样吧： [fhz61uhqto.jpg] 想象一下印刷厂中流水线的工人（ [cej8blrfx8.jpg] 再举一例，逻辑或(OR)运算（有一个真值则结果就为真）神经网络： [6f89cw74vy.jpg] 8.6 例子和直观理解2(Examples and Intuitions 而如此不断组合，我们就可以逐渐构造出越来越复杂、强大的神经网络，比如用于手写识别的神经网络。
82940发布于 2020-07-07 - 来自专栏GiantPandaCV
F8Net:只有8比特乘法的神经网络量化
【GaintPandaCV导语】F8Net用定点化量化方法对DNN进行量化，在模型推理只有8-bit的乘法，没有16-bit/32-bit的乘法，采用非学习的方法即标准差来定小数位宽。 目前是我看到的第一篇硬件层面全8-bit乘法的模型推理的方法。 论文出处：ICLR2022 Oral《F8Net: Fixed-Point 8-bit Only Multiplication for Network Quantization》 问题1：什么是定点化( PACT的方法结合，推导出这样的优化公式； 4、定点化有效权重和有效偏差，有效权重和有效偏差指的是fold bn的con-bn的参数； 5、对残差块的d定点化参数对齐方法的实验和探究； 6、高精度的乘法对神经网络的性能来说 F8Net: Fixed-Point 8-bit Only Multiplication for Network Quantization | OpenReview
1.8K20编辑于 2022-04-06 - 来自专栏机器学习算法与Python学习
必须了解的8种神经网络架构
下面是8种核心神经网络架构 1. 感知机（Perceptrons） 感知机可以称为第一代的神经网络，主要包括输入的多个特征单元（人工定义或程序寻找），中间由学习权重连接，最后由决策单元输出。 在循环神经网络之前主要使用无记忆模型处理这类任务。 循环神经网络是一种十分有力的武器，它包含了两个重要的特点。 神经网络是以学习为中心的，自己死记硬背的知识并不酷，因为知识来自于学习训练数据。神经网络的目的不是为了便于解释，也不是为了让推理变得简单。但即便如此，还是有神经网络版本的信念网络。 由随机二元神经元组成的生成神经网络有两种。一个是基于能量的，在此基础上，我们利用对称连接将二元随机神经元连接到一个波耳兹曼机器上。 另一个是基于因果关系，我们在一个有向无环图中连接二元随机神经元，得到一个s型信念网络。这两种类型的具体描述不再赘述。 8. 深度自动编码器（Deep Auto-encoders） ?
2.2K50发布于 2018-04-24 - 来自专栏PPV课数据科学社区
必须了解的8种神经网络架构
下面是8种核心神经网络架构 1. 感知机（Perceptrons） 感知机可以称为第一代的神经网络，主要包括输入的多个特征单元（人工定义或程序寻找），中间由学习权重连接，最后由决策单元输出。 在循环神经网络之前主要使用无记忆模型处理这类任务。 循环神经网络是一种十分有力的武器，它包含了两个重要的特点。 神经网络是以学习为中心的，自己死记硬背的知识并不酷，因为知识来自于学习训练数据。神经网络的目的不是为了便于解释，也不是为了让推理变得简单。但即便如此，还是有神经网络版本的信念网络。 由随机二元神经元组成的生成神经网络有两种。一个是基于能量的，在此基础上，我们利用对称连接将二元随机神经元连接到一个波耳兹曼机器上。 另一个是基于因果关系，我们在一个有向无环图中连接二元随机神经元，得到一个s型信念网络。这两种类型的具体描述不再赘述。 8.
2.6K50发布于 2018-04-24 - 来自专栏ShowMeAI研究中心
NLP教程(8) - NLP中的卷积神经网络
点击 第11讲-NLP中的卷积神经网络 查看的课件注释与带学解读。 本篇笔记对应斯坦福CS224n自然语言处理专项课程的知识板块：NLP中的卷积神经网络。主要讲解卷积神经网络的结构，及其在NLP场景下的使用方式，一些模块和可调结构。 笔记核心词 卷积神经网络 / CNN 卷积层 池化层 多卷积核 多通道 / Multiple-Channels 卷积核 N-gram filter k-max pooling 文本分类 1.NLP中的卷积神经网络 1.1 为什么使用CNN 卷积神经网络是一种特殊结构的神经网络，最早被广泛应用于计算机视觉领域，但在NLP领域同样有着显著的应用效果。 这两个集合同时作为神经网络的输入。因此，初始化的词向量在神经网络的训练中始终起着重要的作用。在测试中给出看不见的单词可以提高正确理解的几率。
97941编辑于 2022-05-16 - 来自专栏新智元
远程操控神经的高科技诞生
，可以通过智能手机控制的微型大脑植入物来控制神经回路。 向大脑输送药物和光线 在现代生物学研究中，为了理解神经元的功能、帮助寻找针对神经疾病的药物，科学家往往需要直接向活体动物的脑部传输特定的药物与光线并追踪这些药物与光线对生物体的后续影响，即通过药物理解不同的脑细胞在特定生理活动 光遗传学是一门新兴的生物技术领域，神经科学家可以往受试者的神经元注入视蛋白基因，然后利用光线控制活体组织中的神经元。 向大脑传输药物和光的传统方法通常会利用刚性金属管和光纤。 其中，神经器件是光流控的；药物输送则通过加热器的热驱动实现。 ? “无线光流控脑探头”组装图像 由于可替换药盒的存在，神经科学家不用担心药物耗尽。 “它让我们能够更好地剖析行为的神经回路基础，以及大脑中特定神经调节器的作用，”Bruchas说，“我们也渴望将该设备用于复杂的药理学研究，帮助我们开发新的治疗疼痛、成瘾和情绪障碍的方法。”
1.4K10发布于 2019-08-20 - 来自专栏ATYUN订阅号
【科技】神经网络使我们能够以新的方式“读懂人脸”
其他由神经网络驱动的图像识别技术正在开发中，包括阅读自动驾驶标志和自动检测机场安全扫描仪中的武器。 近年来，神经网络也使得面部分析等技术更加精确。 在这种情况下，神经网络可以把注意力集中在亮度而不是面部表情上，但似乎可以看到面部的链接。 让神经网络来解释他们如何分析图像是他目前研究的重点。 Yilun Wang 表示：“我可以看到改善(视觉图像和面部识别神经网络)性能的方法，但却没有看到达到百分之百的方法。” 研究人员说，在神经网络能够可靠地用于更多安全关键领域的面部识别之前，可能还需要一段时间。
78350发布于 2018-03-02 - 来自专栏GiantPandaCV
卷积神经网络学习路线（十九） | 旷世科技 2017 ShuffleNetV1
前言 这是卷积神经网络学习路线的第19篇文章，主要为大家介绍一下旷世科技在2017年发表的ShuffleNet V1，和MobileNet V1/V2一样，也是一个轻量级的卷积神经网络，专用于计算力受限的移动设备 相关工作 高效模型设计：卷积神经网络在CV任务中取得了极大的成功，在嵌入式设备上运行高质量深度神经网络需求越来越大，这也促进了对高效模型的研究。 方法 针对组卷积的通道混洗 现代卷积神经网络会包含多个重复模块。 逐点卷积的重要性 为了评估逐点卷积的重要性，比较相同复杂度下组数从1到8的ShuffleNet模型，同时论文通过放缩因子s来控制网络宽度，扩展为3种： ? 三个不同复杂度下带Shuffle的都表现出更优异的性能，尤其是当组更大(arch2, g=8)，具有shuffle操作性能提升较多，这表现出Shuffle操作的重要性。
1.3K20发布于 2020-02-21 - 来自专栏北京马哥教育
8分钟掌握Linux内核分析的核心科技
setup.S <5> /include/ asm/segment.h <6> /arch/i386/kernel/traps.c <7> /include/i386/desc.h <8>
1.6K50发布于 2018-05-02 - 来自专栏大数据文摘
AI = 神经网络？这8个技术就不是！
大数据文摘作品 编译：傅一洋、丁慧、Aileen AI热潮中，有关神经网络的声音最大。然而，AI远远不止如此。 目前在AI技术领域中，投入资金最多的当属对神经网络的研究了。 在众人眼中，神经网络技术貌似就是“程序构造的大脑”（虽然比喻很不准确）。 神经网络的概念早在20世纪40年代就被提出，但直到现在，人们对于神经元及大脑的工作方式仍然知之甚少，最近几年，科研界关于神经网络技术创新的呼声越来越强，渴望重启神经网络的热潮…… 其实，除了神经网络以外 举个简单的例子：比如“顾名思义，章鱼有8条腿”这句话经过提取后，就变成了这个样子：{“章鱼”：{“腿的数目”：8}}。 原文链接： https://www.linkedin.com/pulse/8-ai-technologies-aint-neural-networks-brandon-wirtz/
49520发布于 2018-05-23 - 来自专栏CreateAMind
ASI 8年计划 paper8 自由能原理建模生物神经形态发生
这种行为是根据变分自由能最小化来表述的 这种行为已被用来解释神经科学中的行为和感知。 这种理论表述可以补充自下而上的策略（目前专注于分子途径）和（建构主义）自上而下的方法，这些方法已经在神经科学和控制论中证明了自己。 这一观点基于神经科学中长期以来的理论工作，试图将行动和知觉以意识和无意识推理的术语来表述。 虽然神经网络和形态发生模型的性质可能看起来不同，但在形式上它们非常相似：神经连接转化为动力学速率常数（例如由上述的精度控制），神经活动转化为各种细胞内和细胞外信号的浓度或表达。 还应该指出，现在已经清楚，即使非神经细胞也具有许多与神经元相同的离子通道和电突触机制，并且它们将这些机制用于模式形成和修复。
33210编辑于 2024-02-26 - 来自专栏新智元
英伟达黑科技登场！RTX神经纹理压缩，显存用量狂减96%
在显卡技术不断迭代的当下，NVIDIA再次凭借其前沿创新，吸引了全球科技爱好者的目光。 RTX神经纹理压缩（NTC）技术在beta测试演示中的表现，堪称惊艳。 而「样本推理」模式更是一骑绝尘，将纹理内存进一步压缩至仅11.37MB，与非神经压缩相比，内存使用量降低了95.8%，相比以前的神经压缩模式减少了88%。 RTX神经纹理压缩技术的出现，无疑为游戏行业的未来发展指明了新的方向。 从玩家的角度来看，RTX神经纹理压缩技术将带来更加沉浸式的游戏体验。 此外，RTX神经纹理压缩技术还有望在虚拟现实（VR）和增强现实（AR）领域发挥重要作用。
98410编辑于 2025-02-15 - 来自专栏思影科技
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
三、sMRI数据处理业务 1、基于体素的形态学分析（VBM） 借助FSL/VBM8等工具包对T1像进行分割、配准并计算灰白质体积密度。 ? 2、张量构建与指标计算 思影根据不同的数据类型以及客户的不同需求，可构建多种弥散模型（如弥散张量DTI、弥散峰度成像DKI、神经突强度和散度成像NODDI等等）并计算对应的弥散指标。 ?
1.9K20发布于 2020-04-01 8年累计亏损45.8亿元，云从科技裁员求生！
4月底，被誉为中国“AI四小龙”的云从科技披露了2024年年报，不仅营收同比大幅下滑36.69%至3.98亿元，亏损也同比扩大8.12%至6.96亿元，这也是云从科技近年来业绩低谷。 显然，2024年是云从科技近7年来营收最低的一年，也是云从科技有财务数据披露以来连续第8年亏损，累计亏损额超45.8亿元，远超IPO募资总额（17.28亿元）。 但实际上，云从科技的真实业绩与当初的预期相去甚远。 从云从科技的毛利率来看，由于依赖外购硬件及价格战挤压利润空间，其2024年毛利率仅35.81%，显著低于同行（商汤科技2024年毛利率为42.9%）。 截至2024年底，云从科技账面货币资金仅剩8.38亿元，若按当前亏损速度，云从科技的资金链或将在两年内断裂。
30810编辑于 2026-03-19- 来自专栏腾讯云开发者社区头条
Jan 8 云+科技快报 来看看今天有什么火爆内容
8 年后重登王座，Python 再度成为 TIOBE 年度编程语言 全球知名的编程语言流行度排行榜网站 TIOBE 于昨日宣布：Python 成为 2018 年度编程语言，理由如下：2018 年，Python
1.1K2410发布于 2019-01-08 《人工智能导论》第 8 章 人工神经网络及其应用
一、神经元与神经网络 8.1.1 生物神经元结构 生物神经元主要由细胞体、树突、轴突和突触组成。树突接收其他神经元的信号，细胞体处理信号，轴突传递信号至其他神经元的突触。 ) self.pool2 = nn.MaxPool2d(kernel_size=2) # 全连接层 self.fc1 = nn.Linear(64 * 8 * 8, 128) self.relu3 = nn.ReLU() self.fc2 = nn.Linear(128, 10) # 10个类别 def forward * 8) # 展平特征图 x = self.relu3(self.fc1(x)) x = self.fc2(x) return x # 创建模型实例 }.png") plt.close() return d_losses, g_losses # 可视化生成的图像 def viz_images(images, nrow=8)
20710编辑于 2026-01-21- 来自专栏专知
【干货】这8种神经网络结构，你掌握了几个？
【导读】近日，James Le撰写了一篇博文，全面阐述了神经网络中经典的八种神经网络结构。 The 8 Neural Network Architectures Machine Learning Researchers Need to Learn 机器学习研究人员需要掌握的八种神经网络结构 机器学习核心框架的发展历史 ▌什么是神经网络？ ---- ---- 神经网络是机器学习中的一类方法。如果你学习了Coursera机器学习课程，可能对神经网络有所了解。神经网络是机器学习领域中的革命性方法。 ▌8.深度自编码器（Deep Auto-encoders） ---- ---- 最后，我们来讨论深度自编码器。它看起来像一个非线性降维的好方法，原因如下：它们提供了两种灵活的映射方式。 GitHub代码： https://github.com/khanhnamle1994/neural-nets 原文链接： https://medium.com/@james_aka_yale/the-8-
2.6K91发布于 2018-04-12 - 来自专栏AI科技评论
人工神经网络能否驾驭生物神经元的“浓稠”程度？5到8层可能并非极限
1 一个生物神经元可以和5到8层人工神经网络相匹敌 为了找到答案，耶路撒冷希伯来大学的David Beniaguev, Idan Segev和Michael London训练了一个人工深度神经网络来模拟生物神经元的计算 该研究表明，“一个深度神经网络需要5到8层相互连接的人工神经元来才能表示单个生物神经元的复杂性。” “我原以为它会更简单，更小”Beniaguev如是说。 最后，深度神经网络成功地预测了大脑神经元的输入-输出函数的行为，结果表明：深度神经网络至少有5层相互连接的人工“神经元”，但不超过8层。 在这篇新论文中，作者研究了金字塔神经元的哪些特征（结构）激发了5到8层深度神经网络的更大复杂性。 London说：“我们不确定，5到8层是否真的是最终的极限。”
43740发布于 2021-09-16 - 来自专栏镁客网
黑科技 | 用算法分析图像，实现对神经元行为的精准“录像”研究
伴随着脑机接口技术的发展与生物科技的持续升温，这一研究方法将成为关键性基础技术。 据了解，这项技术可以让更多科学家对单个神经元进行研究，并且去了解单个神经元是如何通过与其他细胞的相互作用来实现人脑的认知、感觉知觉和其他功能。 此外，研究人员还可以通过此项技术去了解神经回路是如何受到大脑紊乱的影响的。 对此MIT生物工程的副教授解释道：“了解神经元的沟通方式是基础和临床神经科学的基础。 当神经元在工作或是神经元处于病态时，我们希望通过这项技术让你看见细胞内究竟发生了什么。” 精度 在过去30年，神经科学家一直采用一种叫做“贴补”的技术来记录细胞的电位活动。 总结 伴随着脑机接口技术的发展与生物科技的持续升温，这一研究方法将成为关键性基础技术，为特定神经元行为的深入研究铺平了道路。
82600发布于 2018-05-30 - 来自专栏机器之心
在12家科技创业公司工作后，这是我的8条经验
选自towardsdatascience 作者：Daniel Shenfeld 机器之心编译 参与：李诗萌、路 关于产品、数据和人，这里有 8 条经验。 这是一篇经验帖，作者 Daniel Shenfeld 曾在 12 家创业公司工作过，这些公司覆盖金融科技、医疗、教育技术、生物技术等多个领域，所处的阶段也各有不同，从种子前（pre-seed）到收购后都有 本文介绍了他对产品、数据和人才的 8 条经验。 关注产品，而非 AI 作为货真价实的数学家，我一开始是被机器学习科学打动的，想创建新的算法和方法来解决挑战。 如果一个问题用简单回归就能很好地解决时，就不要训练深度神经网络了。 当关注问题本身时，你有时会发现机器学习并不是解决问题的最好工具。很多问题是流程的问题。
63250发布于 2019-05-22
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