深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和...

  卷积神经网络中卷积核的高度和宽度通常为奇数，例如1、3、5或7。选择奇数的好处是，保持空间维度的同时，我们可以在顶部和底部填充相同数量的行，在左侧和右侧填充...

Yann LeCun最早提出将卷积神经网络应用到图像识别领域的，其主要逻辑是使用卷积神经网络提取图像特征，并对图像所属类别进行预测，通过训练数据不断调整网络参数...

  上节我们解析了卷积层的原理，现在我们看看它的实际应用。由于卷积神经网络的设计是用于探索图像数据，本节我们将以图像为例。

  我们之前讨论的多层感知机十分适合处理表格数据，其中行对应样本，列对应特征。对于表格数据，我们寻找的模式可能涉及特征之间的交互，但是我们不能预先假设任何与特征...

在卷积神经网络（CNN）的复杂世界里，感受野是一个极为关键的概念。它如同打开CNN理解大门的钥匙，深刻影响着模型对数据特征的捕捉和表达能力。无论是图像识别、目标...

卷积核作为卷积神经网络的核心部分，以其独特的方式实现了对输入数据的特征提取和处理，为卷积神经网络在各个领域的成功应用奠定了坚实的基础。随着技术的不断发展，对卷积...

Haar wavelet downsampling (HWD) 是一项针对语义分割的创新模块，旨在通过减少特征图的空间分辨率来提高深度卷积神经网络（DCNNs）...

，尤其在计算机视觉领域表现突出。其核心设计灵感来源于生物视觉系统的层次化信息处理机制。

，尤其在计算机视觉领域表现突出。其核心设计灵感来源于生物视觉系统的层次化信息处理机制。

  本文继续讲解基于神经网络的模型。在MLP中，层与层的神经元之间两两连接，模拟了线性变换

卷积神经网络（CNN）是一种强大的深度学习模型，广泛应用于图像处理和计算机视觉任务。

VGGNet（Visual Geometry Group Network）是由牛津大学视觉几何组（Visual Geometry Group）提出的深度卷积神经...

该论文提出了一种新颖的多维协作注意力模块MCA，通过同时在多个维度上建模注意力，显著提升了深度卷积神经网络的性能。MCA模块具有轻量级、高效且易于泛化的特点，在...

尽管计算机视觉（CV）领域取得了显著进展，但微小目标的精确检测仍然是一个重大挑战，这主要是因为这些目标在图像数据中的像素表示非常有限。这一挑战在地球科学和遥感领...

今天为大家介绍的是来自加州大学圣地亚哥分校谢澎涛团队的一篇论文。准确预测潜在药物分子的作用机制和性质对于推进药物发现至关重要。然而，传统方法通常需要为每个特定的...

PyTorch可以说是三大主流框架中最适合初学者学习的了，相较于其他主流框架，PyTorch的简单易用性使其成为初学者们的首选。这样我想要强调的一点是，框架可以...

农作物病害是国家粮食安全的一个主要威胁，是决定农作物产量和质量的主要因素。 由于传统方法缺乏必要的基础设施，并且极大程度依赖于人工经验，故诸多地区难以迅速高效地...

本文演示了训练一个简单的卷积神经网络 (CNN) 来对 CIFAR 图像进行分类。由于本教程使用 Keras Sequential API，因此创建和训练我们的...

《科学之路——人、机器与未来》（原作名: Quand la machine apprend）是法国人杨立昆（Yann LeCun）的自传体科普作品，详细记录了他...