摘要：
Step-Aware TCN-MLP模型通俗解读：带“步长注意力”的时序卷积升级版 Step-Aware TCN-MLP是步长感知（Step-Aware）时序卷积网络（TCN） 与多层感知机（MLP）的组合模型——核心是在你已理解的普通TCN-MLP基础上，增加“时序步长感知机制”，让模型能主动区分 阅读全文
posted @ 2025-12-13 08:35
wangya216
阅读(4)
评论(0)
推荐(0)
摘要：
TCN-MLP模型通俗解读：“卷积版时序特征提取器”替代RNN的高效组合 TCN-MLP是时序卷积网络（Temporal Convolutional Network，TCN） 与多层感知机（Multi-Layer Perceptron，MLP） 的组合模型——核心逻辑是：用TCN（专为时序数据设计的 阅读全文
posted @ 2025-12-13 08:30
wangya216
阅读(19)
评论(0)
推荐(0)
摘要：
LSTM通俗解读：带“智能记忆开关”的RNN LSTM是Long Short-Term Memory（长短期记忆网络） 的缩写，是循环神经网络（RNN）的“升级版”——核心解决了传统RNN处理长序列数据时的“梯度消失”问题，能精准记住“长期重要信息”、忘掉“短期无关信息”，就像人读长篇小说时，能记住 阅读全文
posted @ 2025-12-13 07:55
wangya216
阅读(19)
评论(0)
推荐(0)
摘要：
卷积通俗解读：CNN的“特征提取放大镜” 卷积（Convolution）是卷积神经网络（CNN）的核心操作，本质是用一个“小模板（卷积核/过滤器）”在数据（比如图像、语音）上滑动，逐区域计算“模板与数据的匹配度”，从而提取局部特征（比如图像的边缘、纹理，语音的频率特征）。 你可以把卷积理解为：用一个 阅读全文
posted @ 2025-12-13 02:16
wangya216
阅读(7)
评论(0)
推荐(0)
摘要：
卷积核的来源——从“手工设计”到“模型自学” 卷积核的来源分两个阶段：传统图像处理中是人工手动设计，而深度学习的CNN中，卷积核是模型通过训练自动“学出来”的可学习参数（和你之前学的线性回归里的权重w、偏置b本质一样，都是训练优化的目标）。 一、传统图像处理：手工设计卷积核（固定规则，无学习） 在深 阅读全文
posted @ 2025-12-13 02:15
wangya216
阅读(7)
评论(0)
推荐(0)
摘要：
RNN通俗解读：带“记忆”的神经网络 RNN是Recurrent Neural Network（循环神经网络） 的缩写，核心是解决「序列数据」的处理问题——和CNN处理空间结构数据（如图像）不同，RNN专门处理有“先后顺序”的序列数据（比如文本、语音、时间序列），因为它自带“记忆功能”，能把前一步的 阅读全文
posted @ 2025-12-13 01:59
wangya216
阅读(7)
评论(0)
推荐(0)
摘要：
这是一个非常实际且关键的问题！答案是： 通常，池化层（如 MaxPooling）并不是在“所有卷积层之后统一做一次”，而是 在多个卷积层之后（常见是1~2个）插入一个池化层**，形成“卷积 → 卷积 → 池化”的模块化堆叠结构。 一、典型 CNN 架构中的卷积-池化模式 以经典网络为例： ✅ Ale 阅读全文
posted @ 2025-12-13 01:53
wangya216
阅读(3)
评论(0)
推荐(0)
摘要：
有。 一、自学习参数（Learnable Parameters / Model Parameters） ✅ 定义 由模型在训练过程中自动学习的参数，通过反向传播 + 优化器（如SGD、Adam）不断更新，目标是最小化损失函数。 🔧 典型例子 组件 自学习参数 全连接层（Dense/Linear） 阅读全文
posted @ 2025-12-13 01:20
wangya216
阅读(4)
评论(0)
推荐(0)
摘要：
这是一个非常关键且常见的问题。简明回答如下： 不是“每个神经元”单独负责一个特征，也不是“整层”作为一个整体提取一个特征，而是： 每一层的多个神经元协同工作 下面我们从机制、实例和认知三个层面展开说明。 一、机制层面：神经元是“特征检测器”，层是“特征抽象层级” ✅ 每个神经元 ≈ 一个可学习的特征 阅读全文
posted @ 2025-12-13 01:16
wangya216
阅读(3)
评论(0)
推荐(0)
浙公网安备 33010602011771号