wangya216 - 博客园

2025年12月13日

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(55) 评论(0) 推荐(0)

神经网络中有超参数和自学习参数吗？

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(43) 评论(0) 推荐(0)

每个神经元负责提取不同特征？还是每层神经元负责提取不同特征?

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(72) 评论(0) 推荐(0)

2025年12月10日

什么是自监督学习？AI如何“自己教自己”

摘要：在人工智能的世界里，有一种神奇的学习方式，它不需要人类手把手标注数据，却能让AI学会识别图像、理解语言，甚至预测未来——这就是自监督学习（Self-Supervised Learning）。听起来有点玄？别急，我们用一个简单的比喻来揭开它的面纱。 🧩 比喻：AI在玩“填空游戏” 想象你小时候做语阅读全文

posted @ 2025-12-10 13:43 wangya216 阅读(236) 评论(0) 推荐(0)

“主动学习（Active Learning）”会主动挑选最有价值的数据让人标注吗？

摘要：是的。“主动学习（Active Learning）”是机器学习中一种高效利用标注数据的策略，它的核心思想可以用一句话概括：让模型自己决定“接下来最该学哪一条数据”，而不是被动地接受所有已标注的数据。下面我们用一个生活化的例子 + 技术解释，帮你彻底理解。 🌰 举个生活例子：学生 vs 老师想阅读全文

posted @ 2025-12-10 13:41 wangya216 阅读(106) 评论(0) 推荐(0)

AI里的“自主学习”和“机器学习”是一回事吗？

摘要： AI里的“自主学习”和“机器学习”是一回事吗？在人工智能（AI）的讨论中，我们常听到两个词：“机器学习”和“自主学习”。有人把它们当作同义词使用，也有人觉得“自主学习”听起来更高级、更接近人类智能。那么，这两个概念到底是不是一回事？它们之间又有什么联系与区别？答案是：“自主学习”不是严格的技术术阅读全文

posted @ 2025-12-10 13:38 wangya216 阅读(93) 评论(0) 推荐(0)

2025年12月8日

机器学习的主要范式

摘要：机器学习的主要范式机器学习是人工智能的核心分支，其核心目标是让计算机系统能够从数据中自动学习规律，并用于预测、决策或控制。根据训练数据的形式、可用信息以及学习目标的不同，机器学习方法通常被划分为若干“学习范式”。理解这些范式，有助于我们选择合适的方法解决实际问题。以下是当前主流的机器学习范式及其阅读全文

posted @ 2025-12-08 08:56 wangya216 阅读(111) 评论(0) 推荐(0)

从“混为一谈”到“各有专攻”：规则式AI、自动控制与人工智能的历史纠葛

摘要：从“混为一谈”到“各有专攻”：规则式AI、自动控制与人工智能的历史纠葛在科技圈，“人工智能”“自动控制”“规则式AI”这三个概念曾长期纠缠不清。上世纪90年代以前，不少人把家里的恒温空调、工厂的流水线控制系统都称为“AI”；而今天，我们已经清楚地知道：PID温控不算AI，早期的故障诊断专家系统也与阅读全文

posted @ 2025-12-08 07:01 wangya216 阅读(96) 评论(0) 推荐(0)

符号主义AI：规则驱动的“专家系统”如何给汽车“诊病”？

摘要：符号主义AI：规则驱动的“专家系统”如何给汽车“诊病”？提到符号主义AI（Symbolic AI），它其实就是我们常说的“规则式AI”的理论根基。作为人工智能发展早期的核心流派，其核心思想非常直观：将人类专家的知识转化为机器可理解的符号与规则，再通过逻辑推理解决问题。为了更具体地理解这一范式，我阅读全文

posted @ 2025-12-08 07:00 wangya216 阅读(84) 评论(0) 推荐(0)

2025年12月7日

反向传播算法：攻克多层感知机训练难题的关键革命

摘要：反向传播算法：攻克多层感知机训练难题的关键革命在神经网络发展的历史长河中，多层感知机（Multilayer Perceptron，MLP）曾因训练难题被束之高阁，而反向传播算法（Backpropagation）的出现，犹如一把钥匙，打开了多层神经网络实用化的大门。它不仅解决了多层感知机梯度计算的阅读全文

posted @ 2025-12-07 22:15 wangya216 阅读(140) 评论(0) 推荐(0)

卷积神经网络是从多层感知机基础上发展起来的吗？

摘要：卷积神经网络是从多层感知机基础上发展起来的吗？在深度学习的发展历程中，卷积神经网络（CNN）和多层感知机（MLP）是两大核心架构，二者时常被放在一起比较。一个常见的疑问是：卷积神经网络是否从多层感知机的基础上发展而来？答案是：CNN并非MLP的直接衍生产物，二者是基于不同设计理念、并行发展的神经阅读全文

posted @ 2025-12-07 22:04 wangya216 阅读(69) 评论(0) 推荐(0)

澄清：梯度下降优化的是模型参数，而非损失函数本身

摘要：澄清：梯度下降优化的是模型参数，而非损失函数本身在深度学习的表述中，“通过梯度下降（如SGD、Adam）优化损失函数”是一个口语化的简化说法，很容易引发误解——它的真实含义并不是修改损失函数的公式或参数，而是通过调整神经网络的可学习参数，来最小化损失函数的取值。下面我们从概念本质、操作流程和易混点阅读全文

posted @ 2025-12-07 21:55 wangya216 阅读(55) 评论(0) 推荐(0)

梯度下降：站在碗壁，如何找到最低点？

摘要：梯度下降：站在碗壁，如何找到最低点？想象你站在一个巨大、光滑的陶瓷碗的内壁上。你被蒙住眼睛，看不见碗底，也看不到碗口——但你知道：真正的目标在碗的最底部。这，就是深度学习中“梯度下降”的核心画面。 🥣 为什么是“碗”？——损失函数的形状在训练AI模型时，我们用一个叫损失函数（Loss F 阅读全文

posted @ 2025-12-07 21:41 wangya216 阅读(37) 评论(0) 推荐(0)

梯度：明明是个“方向”，为啥偏叫“度”？

摘要：梯度：明明是个“方向”，为啥偏叫“度”？提到“梯度”，很多人第一次见这个词都会犯嘀咕：它明明是深度学习里给模型指路的“方向标”，告诉模型该往哪走才能让预测更准，怎么看都是个方向概念，为啥名字里带个“度”字？这事儿得从数学老祖宗的“起名艺术”和它的真实本领说起。先给结论：梯度的“度”，不是“角阅读全文

posted @ 2025-12-07 21:36 wangya216 阅读(90) 评论(0) 推荐(0)

不同深度学习框架中实现人工神经元基本计算单元的模块对比

摘要：不同深度学习框架中实现人工神经元基本计算单元的模块对比在人工神经网络中，最核心的计算单元遵循统一的数学形式： \[\mathbf{y} = f(\mathbf{W}\mathbf{x} + \mathbf{b}) \]其中： \(\mathbf{x}\) 是输入向量， \(\mathbf{W}\) 阅读全文

posted @ 2025-12-07 21:04 wangya216 阅读(32) 评论(0) 推荐(0)

一文读懂激活函数

摘要：一文读懂激活函数激活函数是让神经网络从“只能拟合直线”变成“能拟合复杂曲线”的关键。没有激活函数，再深的神经网络也只是个“线性回归的堆叠”；有了激活函数，神经网络才能识别图像、翻译语言、预测复杂规律。今天我们就用通俗的语言，讲透激活函数的核心逻辑：它是什么、为什么需要它、常用激活函数有哪些，以及阅读全文

posted @ 2025-12-07 20:46 wangya216 阅读(140) 评论(0) 推荐(1)

一文读懂MindSpore的construct方法：神经网络的“自动流水线”

摘要：一文读懂MindSpore的construct方法：神经网络的“自动流水线” 在MindSpore里写神经网络时，总有个绕不开的construct方法——它既不用我们手动调用，却能让模型自动完成从输入到输出的计算。很多新手会疑惑：这方法到底是干啥的？啥时候会跑起来？为啥不能直接写个forward函数阅读全文

posted @ 2025-12-07 20:26 wangya216 阅读(29) 评论(0) 推荐(0)

实操教程：MindSpore中确定神经网络隐藏层与输出层神经元数量

摘要：实操教程：MindSpore中确定神经网络隐藏层与输出层神经元数量在神经网络建模中，隐藏层/输出层神经元数量的配置直接决定模型性能。不合理的设置会导致欠拟合、过拟合或训练收敛困难。本文基于MindSpore框架，通过理论+完整代码实操，系统讲解输出层与隐藏层神经元数量的确定逻辑，涵盖鸢尾花3分类、阅读全文

posted @ 2025-12-07 20:25 wangya216 阅读(62) 评论(0) 推荐(0)

scikit-learn 能否做深度学习？——兼谈不同神经元数量的模型对比实验实现

摘要： scikit-learn 能否做深度学习？——兼谈不同神经元数量的模型对比实验实现在机器学习工具选型中，很多人会有一个疑问：scikit-learn（简称sklearn）只支持传统机器学习，不包含深度学习功能吗？答案是：不完全准确。sklearn 的核心定位是传统机器学习（如决策树、SVM、逻辑阅读全文

posted @ 2025-12-07 20:15 wangya216 阅读(57) 评论(0) 推荐(0)

“人工神经元只能有一个输入？”—— 澄清输入层、隐藏层与输出层的关键差异

摘要： “人工神经元只能有一个输入？”—— 澄清输入层、隐藏层与输出层的关键差异在学习人工神经网络时，很多人会被三个核心问题绕晕：一是“人工神经元是不是只能有一个输入？”，尤其看到“输入层节点数量等于特征数”时容易误解；二是“隐藏层、输出层神经元的参数是不是都一样？”；三是“‘加权求和+偏置+输出’的整体阅读全文

posted @ 2025-12-07 20:08 wangya216 阅读(78) 评论(0) 推荐(0)

从人脑神经元到MindSpore深度神经网络：感知机、多层感知器与卷积神经网络的通俗解读

摘要：从人脑神经元到MindSpore深度神经网络：感知机、多层感知器与卷积神经网络的通俗解读我们的大脑之所以能完成思考、判断、感知等复杂任务，核心在于其内部千亿级神经元组成的精密网络。当科学家试图用机器复刻这种智能时，便诞生了“人工神经网络”，而感知机正是这一领域的“初代基石”，多层感知器实现了从单神阅读全文

posted @ 2025-12-07 09:19 wangya216 阅读(90) 评论(0) 推荐(0)

从人脑神经元到PyTorch深度神经网络：感知机、多层感知器与卷积神经网络的通俗解读

摘要：从人脑神经元到PyTorch深度神经网络：感知机、多层感知器与卷积神经网络的通俗解读我们的大脑之所以能完成思考、判断、感知等复杂任务，核心在于其内部千亿级神经元组成的精密网络。当科学家试图用机器复刻这种智能时，便诞生了“人工神经网络”，而感知机正是这一领域的“初代基石”，多层感知器实现了从单神经元阅读全文

posted @ 2025-12-07 09:16 wangya216 阅读(59) 评论(0) 推荐(0)

2025年12月6日

深度学习入门教程（MindSpore版）

摘要：深度学习入门教程（MindSpore版）前言这篇教程面向零基础小白，不堆砌复杂公式，只用“人话”+ 可运行的MindSpore代码，带你搞懂深度学习的核心逻辑，亲手跑通第一个深度学习模型。 MindSpore是华为推出的全场景深度学习框架，特点是易上手、适配国产硬件，新手友好度拉满。我们先搞定“ 阅读全文

posted @ 2025-12-06 15:43 wangya216 阅读(54) 评论(0) 推荐(0)

Scikit-learn与MindSpore的概念对比：相同点、差异及叫法区别

摘要： Scikit-learn与MindSpore的概念对比：相同点、差异及叫法区别 Scikit-learn（简称sklearn）是传统机器学习工具库，MindSpore是全场景深度学习框架，二者因定位不同，既有底层逻辑相通的概念，也有大量专属概念和叫法差异，下面分维度拆解：一、相同核心概念（底层逻辑阅读全文

posted @ 2025-12-06 13:52 wangya216 阅读(34) 评论(0) 推荐(0)

深度学习、机器学习与强化学习的关系：通俗解析（从基础到细分）

摘要：深度学习、机器学习与强化学习的关系：通俗解析（从基础到细分）很多新手会混淆这三个概念：机器学习是“大范畴”，深度学习是机器学习的“子集”（靠神经网络实现），强化学习是机器学习的“另一独立子集”（靠交互试错学习） —— 三者不是并列关系，而是“总-分”+“不同细分方向”的关系。用一句话概括核心：阅读全文

posted @ 2025-12-06 00:09 wangya216 阅读(627) 评论(0) 推荐(0)