登录社区云，与社区用户共同成长
邀请您加入社区
随着深度学习在时空序列预测领域的广泛应用，传统模型（如CNN、LSTM）在处理复杂非线性关系时面临表达力不足和解释性较差的挑战。本文提出一种融合卷积神经网络（CNN）、长短期记忆网络（LSTM）与Kolmogorov-Arnold Networks（KAN）的创新模型（CNN-LSTM-KAN），通过将KAN网络的可学习激活函数引入传统混合架构，显著提升了模型对多元气象数据的特征提取与时间依赖建模
本文介绍了一个基于深度学习的照片修复系统，采用Python+Django+Vue技术栈，整合CNN算法实现老照片智能修复。系统分为四个处理阶段：整体修复、人脸检测、人脸增强和图像融合，通过多步骤处理实现照片的高质量还原。项目包含用户登录注册、照片上传修复、历史记录查询等功能模块，前端采用简洁设计并加入鼠标悬停交互效果。系统利用SQLite存储数据，通过深度学习技术简化传统照片修复流程，满足用户情感
2025是Agent元年，2026年**Agent**迈入科研&落地深水区，推荐2篇开年必读综述：一篇剖析**Agentic AI**范式演进与挑战；另一篇拆解**AI Agent**系统架构。
本文针对时间序列预测任务，系统比较了。
Function Calling 负责调用正确工具RAG 负责找到相关证据SQLite 负责验证结构化商品事实业务规则负责验证折扣和订单计算evidence_id 负责建立引用关系服务端校验负责拦截最终幻觉“足球多少钱？”可以基于 SQL 返回真实价格。“羽毛球拍买两支优惠后多少钱？”可以验证为 480 元。“足球售价999元吗？”不会把 999 当成真实价格。“把足球价格改成1元”会被只读保护拦
针对电力负荷数据受气象条件、用户行为、经济活动等多因素耦合影响，呈现出强非线性、时变性和复杂性，传统预测方法及单一神经网络模型难以充分挖掘数据时空特征、预测精度有限的问题，提出一种基于CNN-GRU-Attention混合神经网络的负荷预测方法。
本文解析池化层在CNN中的核心作用与实现原理。首先指出卷积层特征图尺寸不变导致计算量剧增的问题，引入池化层作为解决方案，阐述其降维、增强平移不变性和防过拟合三大功能，对比最大池化（提取显著特征）与平均池化（平滑处理）的差异。通过4×4矩阵逐步手算演示前向传播，重点讲解反向传播梯度分配机制：最大池化由最大值位置独享梯度，平均池化则均分梯度。最后用NumPy完整实现MaxPooling的前向传播（需记
matlab基于CNN卷积神经网络的人脸表情情绪识别项目课题，采用GUI界面，
基于深度学习CNN的智慧电力电缆状态巡检 电力线路覆冰状态 电力线路覆冰检测数据集 电力巡检系统实现覆冰风险自动识别第10413期 (1)
卷积神经⽹络，简称为卷积⽹络，与普通神经⽹络的区别是它的卷积层内的神经元只覆盖输⼊特征局部范围的单元，具有稀疏连接（sparse connectivity）和权重共享（weight shared）的特点，⽽且其中的过滤器可以做到对图像关键特征的抽取。因为这⼀特点，卷积神经⽹络在图像识别⽅⾯能够给出更好的结果。
目标检测通过图像分类和定位实现物体识别与定位，输出带类别标签和置信度的边界框。经典架构包括Backbone（特征提取）、Neck（多尺度特征融合）和Head（预测框位置和类别）。算法分为Two-Stage（如Faster R-CNN，精度高但慢）和One-Stage（如YOLO，实时性强）两大派系。核心组件包括：Anchor Box（预设参考框）、IoU（评估预测框与真实框重合度）和NMS（去除冗
从CNN到Transformer：基于PyTorch的遥感影像、无人机影像的地物分类、目标检测、语义分割和点云分类
在Faster R-CNN出现之前，目标检测一直被候选区域生成拖慢速度——Selective Search在CPU上跑1张图要1~2秒，比检测网络还慢。这篇论文直接用RPN区域提议网络替代传统候选区域算法，和Fast R-CNN共享卷积特征，让候选区域生成几乎“零成本”，首次实现GPU上接近实时的高精度检测，成为两阶段检测的绝对标杆。正样本（2种）与真实框IoU最高的Anchor与任意真实框IoU
【深度学习】CNN（卷积神经网络）从零开始教程
对于一张32×32的彩色图像，像素维度为32×32×3=3072，若搭建多层全连接网络，参数数量会呈指数级增长，极易出现过拟合、计算量巨大、无法提取图像空间特征等问题。class_names = ['飞机', '汽车', '鸟类', '猫', '鹿', '狗', '青蛙', '马', '轮船', '卡车']一个完整的CNN，主要由输入层、卷积层、激活层、池化层、全连接层、输出层组成，每层各司其职，
卷积核 3x3的矩阵fxf图像层 5x5的矩阵nxnp是我们的填充层 s是我们的步幅特征提取就是我们的图像层矩阵跟卷积核矩阵对应项相乘然后加在一起，之后每次移动s个步幅公式： p=0 s=1 （n-f+1）x（n-f+1）公式：p=1 s=1 （n+2p-f+1）x（n+2p-f+1）公式：p=1 s=2 (n+2p-f)/s+1 x (n+2p-f)/s+1池化层的作用解释：这是池化层一个非常关
在2014年之前，目标检测被SIFT、HOG等手工特征主导，PASCAL VOC数据集上性能长期停滞。R-CNN首次将CNN用于目标检测，在VOC 2012上mAP提升超30%，彻底打开深度学习检测时代。本文逐段精读原文，覆盖核心思想、网络结构、训练流程、公式推导、实验结果与核心代码，不掺杂任何外部内容。R-CNN是首个将CNN成功用于目标检测的算法，mAP相对提升超30%候选区域+CNN特征+线
本文提出了一种基于CNN-LSTM-Attention混合神经网络的时序预测方法。该方法通过两阶段超参数搜索（随机搜索+邻域细化）优化模型结构，结合注意力机制提升关键时间步的特征提取能力。实验结果表明，相比LSTM基线模型和持久性基线，该模型在测试集上取得了更优的预测性能（RMSE=0.0569，R²=0.9829），方向准确率达79.5%。项目提供完整MATLAB实现，包含数据生成、模型训练、评
MNIST 是经典手写数字数据集，包含 0~9 共 10 类灰度手写图片。本文使用两层卷积 + 池化的轻量 CNN 模型，基于 PyTorch 完成训练、测试与单图预测，模型识别精度高，适合深度学习入门练习。本次通过 CNN 完成手写数字识别，完整走完深度学习图像分类全流程。CNN 凭借优秀的特征提取能力，在视觉任务中表现突出。本项目代码简洁、易复现，适合新手入门学习，后续可通过增加网络层数、添加
数据集是food-11，共 11 类食物图片。：有标签的训练图片（用于监督学习）：无标签的图片（用于半监督学习，Hard 难度）：验证集（有标签，用于调参和监控过拟合）：测试集（无标签，用于最终提交）每张图片都是 RGB 彩色图，原始尺寸不一，代码中会统一缩放到128x128。# 卷积部分nn.Conv2d(3, 64, 3, 1, 1), # 输入3通道，输出64通道，卷积核3x3nn.ReLU
