近年来生成式 AI 的突然崛起，推动全球超大规模 AI 集群以前所未有的速度部署。随着摩尔定律放缓，性能提升只能通过并行计算实现，这使得数据处理和...

人们对神经网络需要对人类可解释的认知日益增强。神经网络可解释性领域正是为了回应这些关切而形成的。随着该领域的发展，两个主要的研究方向开始融合：特征可视化和归因。

传统的机器人仿真技术因其简化的接触模型、忽略的运动学闭环以及不可微分的模型，难以满足现代机器人的复杂需求。神经机器人动力学（Neural Robot Dynam...

基于 JAX 的神经网络训练库。Flax 的核心现在是 NNX (Neural Networks for JAX)。这是一个简化版的 API，让创建、调试和分析...

这似乎是说明：存在一个「先验的」数学结构，所有神经网络都在逼近它。训练不是在「创造」什么，而是在「发现」一个早已存在的几何形式。换句话说，神经网络「想学的东西」...

2015 年，Faster R-CNN 的诞生：何恺明团队提出了 RPN (Region Proposal Network) 。他们从 1991 年 LeCun...

之前实现的神经网络是对图像整体进行了分类，要将它落实到像素水平的话，该怎么做呢？

关于神经网络，我们已经学了很多东西，比如构成神经网络的各种层、学习时的有效技巧、对图像特别有效的CNN、参数的最优化方法等，这些都是深度学习中的重要技术。本节我...

本章将介绍神经网络的学习中的一些重要观点，主题涉及寻找最优权重参数的最优化方法、权重参数的初始值、超参数的设定方法等。此外，为了应对过拟合，本章还将介绍权值衰减...

神经网络学习的目的就是通过调整权重参数，使神经网络的输出（Softmax 的输出）接近教师标签。因此，必须将神经网络的输出与教师标签的误差高效地传递给前面的层。...

上一章中，我们介绍了神经网络的学习，并通过数值微分计算了神经网络的权重参数的梯度（严格来说，是损失函数关于权重参数的梯度）。数值微分虽然简单，也容易实现，但缺点...

观察图4-11，可以发现随着学习的进行，损失函数的值在不断减小。这是学习正常进行的信号，表示神经网络的权重参数在逐渐拟合数据。也就是说，神经网络的确在学习！通过...

假如你是全程马拉松选手，在开始的10分钟内跑了2千米。如果要计算此时的奔跑速度，则为2/10 = 0.2［千米/分］。也就是说，你以1分钟前进0.2千米的速度（...

神经网络的学习。这里所说的“学习”是指从训练数据中自动获取最优权重参数的过程。本章中，为了使神经网络能进行学习，将导入损失函数这一指标。而学习的目的就是以该损失...

3.3.3 神经网络的内积 下面我们使用NumPy矩阵来实现神经网络。这个神经网络省略了偏置和激活函数，只有权重。

因为感知机也是作为神经网络（深度学习）的起源的算法。因此，学习感知机的构造也就是学习通向神经网络和深度学习的一种重要思想。

传统SLAM方法误差模型简单，对光照不敏感，点云的处理比较容易但重定位能力较差，在动态环境、显著特征过多或过少以及存在部分或全部遮挡的条件下工作时会失败，且受天...

该课题为基于Matlab的手写数字识别系统。在一张图像上面手写了很多手写数字。利用鼠标进行框定你所要识别的数字区域。裁剪灰度化处理，二值化处理。提取数字特征。利...

随着人工智能技术的迅猛发展，深度学习已经成为了热门话题。从NLP到计算机视觉，从推荐系统到自动驾驶，深度学习的应用正在不断扩展。那么，什么是深度学习？深度学习又...