神经专题
pytorch+深度学习实现图像的神经风格迁移
本文的完整代码和部署教程已上传至本人的GitHub仓库，欢迎各位朋友批评指正！ 1.各代码文件详解 1.1 train.py train.py 文件负责训练神经风格迁移模型。 加载内容和风格图片：使用 utils.load_image 函数加载并预处理内容和风格图片。初始化生成图像：将内容图像加上随机噪声作为初始生成图像。加载模型：实例化并加载神经风格迁移模型。设置优化器和损失函数：
自闭症谱系障碍：探索这一复杂神经发育障碍的奥秘
自闭症，也被称为孤独症谱系障碍（ASD），是一种深刻影响儿童神经发育的复杂障碍。它以独特的社交交流障碍、重复刻板行为以及兴趣范围的极度狭窄为主要特征，为患者及其家庭带来了诸多挑战。 自闭症的成因至今仍是科学界探索的热点，虽然遗传因素被普遍认为在其中扮演了关键角色，但环境因素、大脑结构和功能的异常等也可能对自闭症的发病产生影响。这种多因素交织的复杂性，使得自闭症的研究和治疗充满了挑战。 在临床上，自
每天五分钟玩转深度学习PyTorch：nn.Module中封装好的神经网络层
本文重点 PyTorch实现了神经网络中绝大多数的layer，这些layer都继承于nn.Module，封装了可学习参数parameter，并实现了forward函数，且很多都专门针对GPU运算进行了CuDNN优化，其速度和性能都十分优异。本文介绍pytorch中已经封装好的神经网络层，我们可以直接通过nn.的方式来调用。本文主要学习第2步（模型搭建）。 全连接层 nn.Linear(i
【科研积累】NSAI 神经符号人工智能 学习笔记
神经符号的历史沿革 神经符号集成主要是为了利用神经网络捕捉符号和进行逻辑推理。 古早的人工智能理论，符号是其中的一个流派，是建立在数理逻辑上的，运用符号和规则，可以进行逻辑推理，使得人工智能系统具有可解释性。 符号和机器学习结合，诞生了归纳逻辑编程，简单来说就是，先给一些规则，机器学习了规则之后，提供数据集给机器，机器从规则里面搜寻，寻求一个最合适的规则结合方式，最后得到一个处理数据的程序。
神经风格迁移——基于VGG算法
本文是基于吴恩达《深度学习》卷积神经网络第四周习题而做。神经风格迁移的效果是将A图片的某些特征迁移到B图中，使B图具有与之相同的风格，具体的讲解可以观看达叔《深度学习》教程。 所需的第三方库如下，其中所用的数据集和辅助程序可点击此处下载。 import osimport sysimport scipy.ioimport scipy.miscimport matplotlib.pyplo
Spark MLPC神经网络应用实例（scala）
在Spark中，目前包括的神经网络方面的算法仅有MLPC，即MultilayerPerceptronClassifier（多层感知分类器）。它在MLlib的Classification and regression（分类与回归）中。MLPC是基于前馈人工神经网络(ANN)的分类器，属于全连接神经网络，其中隐藏层的激活函数是sigmoid函数,输出层是softmax函数。关于MLPC的原理，网络上有
小琳AI课堂：DQN强化神经
大家好，这里是小琳AI课堂！今天我们来聊聊一个超级酷炫的算法——DQN（深度Q网络）！🤖 它可是深度学习和强化学习的完美结合，就像把两股超级英雄的力量合二为一，解决了那些高维输入空间的决策问题。这个算法是由DeepMind公司开发的，2015年一提出就震惊了整个AI界！🌟 先解释一下DQN是怎么工作的。🎨 DQN的基本原理： 强化学习背景：想象一下，有个小机器人（智能体）在一个充满挑战的环
基于神经塑性的地球观测多模态基础模型 (慕尼黑工业大学, TUM)
Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation 2403.15356 (arxiv.org) ------| 本博客非完整版，完整版请参阅原文 |------ Abstract 基础模型的发展彻底改变了利用卫星观测数据解释地球表面的能力。传统模型相互孤立，专为特定传感器或数据
神经重建在自动驾驶模拟中的应用
验证自动驾驶软件需要数百万公里的测试。这不仅意味着系统开发周期长，而且系统的复杂度也会不断增加，同时，大规模的实车测试也会耗费巨量的资源并且可能会面临未知的安全问题。aiSim这样的虚拟仿真工具可以减轻真实世界测试的负担。 AD和ADAS系统依靠闭环验证来确保安全性和性能。然而，实现闭环评估需要一个能够准确代表真实世界场景的3D环境。虽然这些3D环境可以由3D设计工程师手工构建，但这种方案很难解
图神经网络教程1-综述
目录 前言 介绍 贡献 分类 预备知识 学习方式 转导式学习 归纳学习 系列文章列表 前言 翻译自A Practical Tutorial on Graph Neural Networks，并给出详细的解释和注意事项以及个人的思考，原作者如下： 介绍 当代人工智能(AI)，或更具体地说，深度学习(DL)近年来被神经网络(NN)所主导。NN变体被设计用于提高
图神经网络教程2——循环图神经网络-1
介绍 循环图神经网络（Recurrent Graph Neural Network，RGNN）。在标准神经网络中，连续的学习权重层用于从输入张量中逐步提取更高级别的特征。在用于计算机视觉的神经网络中，低级特征(如短直线和曲线)的存在是由较早的层识别的，而高级特征(如复合形状)的存在是由较晚的层识别的。在被这些顺序层处理之后，所产生的高级特征可以提供给softmax层或单个神经元，以进行分类、回归
Python(PyTorch)物理变化可微分神经算法
🎯要点 🎯使用受控物理变换序列实现可训练分层物理计算 | 🎯多模机械振荡、非线性电子振荡器和光学二次谐波生成神经算法验证 | 🎯训练输入数据，物理系统变换产生输出和可微分数字模型估计损失的梯度 | 🎯多模振荡对输入数据进行可控卷积 | 🎯物理神经算法数学表示、可微分数学模型 | 🎯MNIST和元音数据集评估算法 🍪语言内容分比 🍇PyTorch可微分优化 假设张量
神经阻滞术——慢性腰痛、颈痛与关节痛治疗的新选择
北京精诚博爱医院所实施的神经阻滞术是一种针对患者局部疼痛治疗手段，通过向特定部位注射局麻药或其他特定药物，来暂时性地阻断神经传导，进而达到减轻或消除疼痛的目的。这种疗法在慢性腰痛、颈痛或关节痛等常见疼痛疾病的治疗中，展现出了良好的治疗效果。 在实际操作过程中，医生会根据患者的具体情况，超声引导下精确地将药物注射至目标区域，从而确保相关神经信号的传递受到有效阻断，减轻患者的疼痛感。神经阻滞
神经压缩文本训练：提升大型语言模型效率的新方法
随着大型语言模型（LLMs）在各个领域的广泛应用，其训练和部署的效率问题日益凸显。传统的子词标记化方法，如Byte Pair Encoding (BPE) 或 Unigram，虽然能够在一定程度上压缩文本，但其压缩率通常只有4倍左右。LLMs在处理文本时，需要消耗大量的计算资源来处理这些标记。而且这些方法在处理长文本时，由于自注意力层的计算复杂度与序列长度的平方成正比，限制了模型能够处理的序列长度
推荐系统论文回顾：神经协同过滤理解与实现
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Kung-Hsiang, Huang (Steeve) 编译：ronghuaiyang 导读 今天给大家回顾一篇论文，神经协同过滤，看名字就知道，神经网络版本的协同过滤，推荐算法的经典的方法之一。 神经协同过滤(NCF)是新加坡国立大学、哥伦比亚大学、山东大学、德州农工大学于 2017 年共同发表的一篇论文。利用神经网络的
辐射神经场（NeRF, Neural Radiance Fields）
辐射神经场（NeRF, Neural Radiance Fields） 辐射神经场（NeRF, Neural Radiance Fields）是一种基于神经网络的方法，用于从二维图像合成高质量的三维场景。这一方法由Ben Mildenhall等人在2020年提出，利用多视角二维图像进行三维重建，生成的场景具有逼真的细节和光照效果。 NeRF的基本原理 NeRF的核心思想是通过神经网络表示场景
Python俄罗斯方块可操纵卷积分类 | 稀疏辨识算法 | 微分方程神经求解器
🎯要点 🎯组卷积网络：实现循环组，可视化组动作，实现提升卷积核，MNIST 训练数据集训练组卷积网络的泛化能力 | 🎯可操控卷积网络：紧群的表征与调和分析，代码验证常规表征结果，不可约表征实现，傅里叶变换对群调和分析，实现可操控卷积网络 | 🎯深度概率模型：给定高维和结构化对单变量响应变量建模，实现分类响应模型，顺序响应模型、序列标记模型 | 🎯深度离散潜变量模型：使用FashionM
彩虹之上：神经生理学中有效使用彩色图的指南
文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。 数据的可视化在神经生理学研究中很常见。在这里，研究者强调了与彩虹(rainbow)配色方案持续误用有关的特定知觉问题，以电生理学中的时频分解作为一个例证。在此背景下，研究者回顾了神经生理学数据存在解释偏差的风险，并提供相应指南以改进色彩图的使用，为可视化复杂的、多维的神经生理学研究数据奠定基础。 脑电图(EEG)是认知和临床神经科学
父亲-孩子在问题解决过程中的人际神经同步：fNIRS超扫描研究
文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。 人际神经同步(INS)已经在母-子互动研究中得到了证明，但目前在关于父-子互动的研究中还比较缺乏。这项研究考察了父亲和其5- 6岁的孩子(N = 66)在自然互动过程中的大脑活动同步情况，并讨论了与INS相关的因素。研究者将任务情景分为三种，合作完成、独自完成和休息阶段。研究结果发现，与独自解决问题和休息阶段相比，父-子在合作解决问题
神经同步预测儿童学习新单词的能力
文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。 社会互动，如共同阅读，对于早期发展和语言学习方面有着广泛的影响。目前的研究已经开始探索共同输入表征背后的神经机制，记录相同刺激条件下的个体之间的神经同步。神经同步可以预测与刺激和交流线索接触的质量，但目前的研究还未证明儿童之间的神经同步如何与实时学习相关。 这篇研究利用功能性近红外光谱(fNIRS)，记录了45名儿童(3.5岁至
【 EI会议 | 西南大学主办 | 往届均已实现检索】第三届神经形态计算国际会议（ICNC 2024)
第三届神经形态计算国际会议（ICNC 2024) 2024 3rd International Conference on Neuromorphic Computing (ICNC 2024) 一、重要信息 大会官网：www.ic-nc.org（点击投稿/参会/了解会议详情） 会议时间：2024年12月13-15日 会议地点：中国-重庆 审稿回复时间：投稿后7个工作日内 提交检索
神经气体生长算法【GNG】
当德国计算神经学家 Bernd Fritzke 在其 1995 年的开创性论文中提出后来被称为神经气体生长（GNG）的算法时，机器学习还是一个相对较新的领域，并且受到实际神经科学的极大启发。 当时，神经科学正处于一个突破性的时代——这在很大程度上要归功于新的神经成像方法，包括功能性神经成像 (fMRI)、脑磁图 (MEG) 和扩散张量成像 (DTI)。这启发了计算机科学家创建类似于神经元工作方式
拥抱AI-图片学习中的卷积神经算法详解
一、定义 卷积神经算法（Convolutional Neural Networks, CNN）是深度学习领域中的一种重要算法，特别适用于处理图像相关的任务。以下是卷积神经算法的详细解释： 1. 基本概念 定义：卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。起源：卷积神经网络的研究始于二十世纪80至90年代，最早出现的卷积神经网络有时间延迟网络和LeNe
Science刊发！乌普萨拉大学最新神经形态触觉人造皮肤可快速精准识别物体
当前，人形机器人使用的传统电子皮肤在处理触觉感知信息方面的能力并不强，尤其是在时间信息编码和快速特征提取方面存在一定的局限性。简单来说就是机器人无法完成在接触到物品的瞬间，判断用怎样的力度去对该物品做出反应。尽管多模态大模型和视觉语言模型致力于提高人形机器人的触觉感知力，但是和人类的五感能力对比仍然相形见绌。这一点是神经机器人领域亟待突破的瓶颈。 近日，乌普萨拉大学电气工程系的张志斌、陈立波教授
搜维尔科技：使用Touch 触觉力反馈设备，用户可以完全沉浸在培训模拟、神经康复或远程的机器人操控中
使用Touch 触觉力反馈设备，用户可以完全沉浸在培训模拟、神经康复或远程的机器人操控中 搜维尔科技：使用Touch 触觉力反馈设备，用户可以完全沉浸在培训模拟、神经康复或远程的机器人操控中
药物设计中的SE3等变图神经网络层- EGNN 解析
此部分内容介绍了常用在药物设计深度学习中的SE3等变网络层 EGNN。主要对EGNN的代码逻辑、模块进行解析，并介绍其中的SE3等变在模型中的原理。 注：EGNN代码有多种。此部分EGNN代码来源于DiffLinker。其源头为EDM模型，DiffLinker进行了修改。 一、背景知识 在药物设计中，关于3D分子，通常被只考虑原子，并将原子表示为节点。 一个节点（原子）的特征分为两部分