【22-23 春学期】AI作业8-卷积2

2.CNN实现XO识别（选做。有能力的同学，建议做一下。1. 编程实现例题（必做）

文章目录一、数据集二、构建模型三、训练模型四、测试训练好的模型五、计算模型准确率六、查看训练好模型的特征图七、查看卷积核八、源码1.训练模型源码2.测试模型源码总结 一、数据集 二、构建模型 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(1, 9, 3) self.maxpool = nn.MaxPool2

一、简单描述卷积、卷积核、多通道、特征图、特征选择概念。 卷积： 卷积常用于图像的特征提取，针对像素点进行处理的一种技术。 卷积核： 卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。示例如下： 多通道： 在多通道模式中，第个通道都合用256灰度级存放着图像中颜色元素的信息。该模式多用于特定的打印或输出。 特征图： 卷积计算的结果，图像与卷积核加权累加得到卷积（滤波）后的特征图。如“卷积核”中计算结果矩阵 (

目录 实现【卷积-池化-激活】代码，并分析总结 一、for循环版本：手工实现 卷积-池化-激活 二、pytorch版本：调用函数完成 卷积-池化-激活 三、可视化：了解数字与图像之间的关系 参考链接 实现【卷积-池化-激活】代码，并分析总结 一、for循环版本：手工实现 卷积-池化-激活 代码： import numpy as np x = np.array([[-1, -1, -1, -1, -1, -1, -1, -1, -1], ...

本研究系统探究了大型语言模型(LLM)智能体的效率与效能平衡问题，针对当前智能体系统运营成本高昂的痛点，通过GAIA基准测试集实证分析了LLM主干模型选择、框架设计和扩展策略的影响。研究发现：1)任务复杂度存在最优阈值；2)额外模块的边际效益递减；3)框架优化可显著提升效率。基于此开发的EfficientAgents框架，在保持96.7%性能的同时降低28.4%成本，实现"通过成本"指标优化。研究为构建经济高效的智能体系统提供了实证依据和方法指导，推动AI解决方案的可持续发展。

black box -> machine learning不需要标签，根据内在特征进行聚类等相似操作；这就是ML所擅长的，从数据中找出特征进而得到label；序列行为实现最优的回报；可以将policy使用深度神经网络这也是DRL的由来；RL算法的作用就是基于观测，奖励等去优化策略，以采取最优动作进而获得最大回报；所以，RL就是一个优化问题：与其他优化问题区分开来：关键点：评估状态价值，将能够使得智能体获得更高回报，而不是只是关注即时奖励；如果不能够评估状态价值，很有可能导致Agent陷入利用（贪婪）的状态，

如果你刚接触机器学习，一定听过各种算法的名字：决策树、神经网络、SVM… 其中 SVM（支持向量机，Support Vector Machine）作为经典的监督学习算法，在分类任务中曾长期占据 “顶流” 地位，至今仍在很多场景中发挥重要作用。今天这篇文章，带你快速搞懂 SVM 的核心逻辑、关键概念和实际价值。

本文提出了一种创新的神经特征函数匹配（NCFM）方法用于高效数据集蒸馏。该方法通过构建minmax对抗优化框架，引入神经特征函数差异（NCFD）作为新的分布度量指标，在复数空间实现数据特征的对齐。NCFM具有三大创新点：1）基于复数相位和振幅解耦的神经特征函数度量；2）动态采样网络实现高效计算；3）层级式特征对齐机制。实验表明，在CIFAR-100等数据集上，NCFM相比现有方法内存消耗降低300倍，处理速度提升20倍，同时保持无损压缩效果，为低资源环境下的模型训练提供了新范式。该方法在边缘计算、隐私保护数

在自然语言处理、信息检索和数据清洗等领域，计算文本相似度是一个基础而重要的任务。无论是检测重复文档、拼写纠错，还是推荐系统，都需要准确地衡量两个文本之间的相似程度。本文将深入解析多种文本相似度计算方法，帮助您选择最适合的算法。文本相似度是指两个文本在内容、结构或语义上的相近程度。通常用0到1之间的数值表示，0表示完全不同，1表示完全相同。文本长度: 短文本适合 Dice 系数，长文本适合余弦相似度计算性能: 汉明距离最快，Levenshtein 较慢但精确应用场景。

本文分享了，`小智AI服务端`的一种`低成本、高可用`的完整解决方案。

在这份快速指南中，我们将介绍最重要的分布——从始终公平的均匀分布，到钟形的正态分布，计数点击的泊松分布，以及二元选择的二项分布。没有复杂的数学，只有清晰的概念、真实的例子，以及为什么它们重要。

核心结论定义数据的内容和格式数据存储路径/来源（如文件路径、数据库查询）。原始数据的读取方式（如图像解码为PIL对象、文本读取为字符串）。样本的预处理逻辑（如裁剪、翻转、归一化等，通常通过`transform`参数实现）。返回值格式（如`(image_tensor, label)`）。定义数据的加载方式和批量处理逻辑批量大小（`batch_size`）。是否打乱数据顺序（`shuffle`）。

摘要 本文介绍了利用LangGraph和Dagre构建AI工作流的自动排版方案。LangGraph作为大模型工作流构建框架，可定义模块化执行节点和流程关系；Dagre则基于图论算法实现自动布局计算。二者结合可快速生成清晰的工作流可视化图谱，其优势包括： 高效性：自动排版大幅提升开发效率 可维护性：模块解耦支持独立更新 扩展性：统一API层便于系统扩展 可视化：直观展示复杂工作流结构 这套方案特别适合LLM等复杂AI系统的架构设计和开发协作，15分钟即可完成从定义到可视化的全流程。

大模型本质上是人工智能对人类知识的高度压缩映射系统。它通过数十亿参数、海量数据和强大算力，将复杂的人类知识（语言、图像、音频等）转化为数学矩阵。这种技术既具有优势（智能灵活、多任务处理能力强），也存在挑战（资源消耗大、隐私风险等）。在应用层面，大模型可赋能数字化营销（内容生成、广告优化等）。其核心原理借鉴了傅里叶变换、主成分分析等数学方法，但需要更先进的工具来处理人类知识的不确定性和动态性。大模型代表了一种创新而复杂的技术系统，需要在性能与伦理间寻求平衡。

从智能制造到智慧医疗，从智能交通到金融科技，再到教育、农业和能源等领域，人工智能技术的应用将不断深化和拓展，推动各行业的创新发展和转型升级。在这个过程中，政府、企业和社会各界需要共同努力，加强技术研发和应用推广，完善政策法规和标准规范，培养和引进高素质的人工智能人才，为“人工智能+”行动的深入实施提供有力保障。近日，国务院常务会议审议通过了《关于深入实施“人工智能+”行动的意见》，这标志着“人工智能+”行动将进入一个全新的发展阶段，众多领域有望在这一政策的推动下迎来新的发展机遇。

【完整源码+数据集+部署教程】海洋物体实例分割系统源码和数据集：改进yolo11-EfficientHead