avatar
文章
36
标签
112
分类
12
首页
分类
标签
归档
课程
AI资讯
AI导航
关于
AIJVS
首页
分类
标签
归档
课程
AI资讯
AI导航
关于

AIJVS

计算机视觉入门:图像处理基础
发表于2026-07-03|计算机视觉
引言计算机视觉(CV)是 AI 最成熟的落地领域之一: 手机人脸解锁 自动驾驶识别行人和车辆 医学影像辅助诊断 电商以图搜图 短视频滤镜和特效 所有这些技术的底层都是图像处理。这篇文章从像素开始,带你走完”传统图像处理 → 深度学习特征提取 → CV 任务全景”的完整路径。 前置知识 数学基础(一):线性代数——让机器学会看向量 神经网络架构详解:CNN 卷积神经网络 看完 CNN 那篇再来,效果好一倍。 一、图像在计算机中的表示1.1 一张图片 = 一个三维数组123灰度图 (Grayscale): [H×W] — 每个像素 0-255 的亮度值彩色图 (RGB): [H×W×3] — 三个通道:红/绿/蓝RGBA 图: [H×W×4] — 多一个 Alpha(透明度) 像素值范围通常是 0-255(8 位),深度学习会归一化到 0-1 或 -1~1。 123456789101112131415import cv2import matplotlib.pyplot as...
神经网络架构详解:RNN 与 LSTM
发表于2026-07-03|深度学习
引言CNN 处理的是图片——有空间结构。那文本、语音、股价、视频呢?这些是序列数据,长度不固定,前后有依赖关系。 “I love this movie” 和 “I don’t love this movie”——同一个词 “love”,因为前面有个 “don’t”,意思完全反了。 RNN(循环神经网络) 就是为序列数据设计的——它能记住前面看到的信息来影响当前的判断。 但 RNN 有个致命缺陷:长期依赖问题——看了 100 个词之后,第 1 个词的信息基本被遗忘了。这就是 LSTM(长短期记忆网络) 要解决的问题。 前置知识 深度学习入门指南:从零开始理解神经网络 PyTorch 实战(二):构建第一个全连接网络 理解神经网络的基本概念就够了。 一、为什么需要 RNN?传统网络的问题1234567传统神经网络(全连接 / CNN):输入 → [网络] → 输出每个输入独立处理,没有"记忆"能力。"I am from China, I speak ______"→ 需要记住前面说了 "China" 才能预测 &q...
神经网络架构详解:CNN 卷积神经网络
发表于2026-07-03|深度学习
引言上一篇文章我们用全连接网络实现了手写数字识别——但你知道吗?如果换成人脸识别、自动驾驶场景,全连接网络基本不 work。 原因很简单:全连接把 28×28 的图片展平成 784 个独立的像素,完全丢掉了空间结构信息。 一张猫的图片,把像素随机打乱,全连接网络认不出来了。 CNN(卷积神经网络) 就是来解决这个问题的——它用卷积核在图片上滑动,保留空间结构,捕捉局部特征。这也是为什么 CNN 统治了计算机视觉领域近十年。 前置知识 PyTorch 实战(二):构建第一个全连接网络 AI数学基础(一):线性代数——让机器学会看向量 需要已经会用 PyTorch 搭网络、跑训练循环。 一、CNN 的核心思想为什么全连接不行?全连接层的参数量 = 输入维度 × 输出维度。对于一张 256×256 的彩色图片: 12输入: 256 × 256 × 3 = 196,608全连接层(128个神经元): 196,608 × 128 ≈ 2500 万参数 2500 万个参数就一层! 三层下去直接上亿,根本训不动。 CNN 的三大优势 全连接 CNN 每个像素独立 局...
PyTorch 实战(二):构建第一个全连接网络
发表于2026-07-03|深度学习
引言上篇文章我们学了张量操作和自动微分——相当于拿到了砖头和水泥。这篇我们来盖第一栋房子:用 PyTorch 的 nn.Module 构建全连接神经网络,完成手写数字识别。 写完这篇文章的代码,你就走通了深度学习的完整流程:数据加载 → 模型定义 → 训练 → 评估。 前置知识 PyTorch 实战(一):张量操作与自动微分 机器学习入门:概念与分类全解 尤其是 PyTorch(一)中的 requires_grad、backward()、梯度更新——这些是本文的基础。 一、项目结构总览12345678910111213┌──────────────┐ ┌──────────────┐ ┌──────────────┐│ DataLoader │────▶│ Model │────▶│ Trainer ││ 数据加载器 │ │ 模型定义 │ │ 训练循环 │├──────────────┤ ├──────────────┤ ├──────────────┤│ - MNIST 数...
PyTorch 实战(一):张量操作与自动微分
发表于2026-07-03|深度学习
引言 上一篇文章用了 KNN 做分类,KNN 并不需要梯度。但从神经网络开始,自动求导(Autograd) 就成了最核心的基础设施。 PyTorch 之所以成为深度学习领域的第一框架(没有之一),两个原因: 动态计算图 — 边运行边构建,调试方便,灵活度高 自动求导 — 你只需要定义前向传播,反向传播自动算好 本文从零开始,带你掌握 PyTorch 的两大核心:张量操作 和 自动微分。 前置知识 Python 编程基础(二):变量、数据类型和基本运算 Python 编程基础(三):NumPy——AI工程师的第一件武器 AI数学基础(一):线性代数——让机器学会看向量 会用 NumPy 就够了,PyTorch 的 Tensor API 和 NumPy 几乎一模一样。 一、安装与配置1pip install torch torchvision torchaudio 验证安装: 12345import torchprint(f"PyTorch 版本: {torch.__version__}")print(f"CUDA 可用...
机器学习入门:概念与分类全解
发表于2026-07-03|基础教程
引言你学了 Python,补了数学,知道神经网络长什么样——但机器学习到底是什么? 简单说:机器学习就是让计算机从数据中自动学习规律,然后用学到的规律做预测或决策。 传统编程是你告诉计算机每一步怎么做,机器学习是你给计算机大量例子,让它自己找出规则。 比如识别猫: 传统编程:写规则「有尖耳朵、有胡须、会喵喵叫 → 是猫」——太死板,换只品种就不认了 机器学习:给 10 万张猫和狗的图片,让模型自己发现「猫的特征分布」——新图片来了也能猜 看完这篇,你会掌握机器学习的三大分类、核心概念,并且能手写第一个分类模型。 前置知识 Python 编程基础(一):从零搭建你的AI开发环境 AI数学基础(二):概率论——教机器做不确定的决策 只要会 Python 基础语法就能跟上。不需要高等数学。 一、机器学习的三大分类所有的机器学习问题都可以归入三类: 1. 监督学习(Supervised Learning)有标签数据,模型学习「输入 → 输出」的映射关系。 123# 训练数据:既有特征(花的尺寸),又有标签(品种)# 特征: [花萼长度, 花萼宽度, 花瓣长度, 花瓣宽度]# 标...
AI数学基础(三):微积分——理解"变化"的语言
发表于2026-06-17|基础教程
AI数学基础(三):微积分——理解”变化”的语言17世纪,伦敦瘟疫中的天才1665年,伦敦爆发了一场可怕的瘟疫(后来被称为”伦敦大瘟疫”)。 剑桥大学被迫关闭,一个23岁的年轻人收拾行李,回到了家乡林肯郡的伍尔索普庄园。 他的名字叫艾萨克·牛顿(Isaac Newton)。 接下来的两年里,在这个安静的乡村庄园中,牛顿做出了改变人类历史的发现:微积分(Calculus)。 他当时在思考一个看似简单的问题: “物体的瞬时速度到底是什么?” 你想想看,如果你开车,速度表显示”60 km/h”——这个”瞬时速度”是怎么来的?你总不能”瞬间”跑60公里吧? 牛顿的回答:用极限的思想,把”变化”放大到无穷小,就能捕捉到那一刻的变化率。 300多年后,这个”捕捉变化”的思想,成了人工智能最核心的工具。 因为深度学习的本质,就是”找最优”——而找最优,需要理解变化。 一、为什么学AI要懂微积分?深度学习的终极目标:找最优训练一个AI模型(比如识别猫狗的神经网络),本质上是在做一件事: 调整参数,让”错误”最小。 这个过程叫做优化(Optimization)。 而优化的核心工...
AI数学基础(一):线性代数——让机器学会"看"向量
发表于2026-06-17|基础教程
AI数学基础(一):线性代数——让机器学会”看”向量300年前那个改变世界的夜晚1691年的一个秋夜,法国小镇上,一个17岁的少年在昏暗的烛光下写日记。他的名字叫亚伯拉罕·棣莫弗(Abraham de Moivre)。 这个少年可能不会想到,他那天晚上在日记里随手画的一个坐标系——用两条垂直的直线来表示平面上的点的位置——会在300多年后,成为让人工智能”看见”这个世界的基础工具。 你想想看,当你用手机拍照时,照片在电脑眼里是什么? 就是一堆数字。 一张1920×1080的图片,在AI眼里就是一个1920×1080的数字矩阵。每个数字代表一个像素的亮度或颜色值。AI要”看懂”这张图,就得对这些数字进行运算——而这些运算,全都是线性代数。 所以今天,咱们就来聊聊:线性代数到底是什么?为什么AI离不开它? 一、标量、向量、矩阵:从地图坐标到Excel表格1. 标量:就是一个数字最简单的开始。标量(scalar)就是一个单独的数字。 15、3.14、-2、100 比如:”今天气温23度”——这个”23”就是标量。它只有一个数值,没有方向。 2. 向量:有方向的数组向量(vector...
AI数学基础(二):概率论——教机器做"不确定的决策"
发表于2026-06-17|基础教程
AI数学基础(二):概率论——教机器做”不确定的决策”1654年,赌桌上的争吵改变世界1654年的某一天,法国巴黎的一家咖啡馆里,两个贵族为一件事吵得面红耳赤。 他们叫帕斯卡(Blaise Pascal)和费马(Pierre de Fermat)——对,就是中学数学课本里那个”费马大定理”的费马。 他们在争论一个看似简单的问题: 两个赌徒玩掷硬币游戏,约定先赢4次的人拿走全部赌注。如果游戏进行到3:2时(A赢了3次,B赢了2次)被迫中止,赌注应该怎么分才公平? 这个问题看起来简单,却难住了当时所有数学家。帕斯卡和费马通过通信,发明了概率论的基础——用数字来描述”不确定性”。 300多年后,这个”赌桌上的争吵”成了人工智能的核心工具。 因为现实世界充满不确定性,而AI必须学会在不确定中做决策。 一、为什么AI离不开概率?现实世界不是非黑即白你想想看: 医疗诊断:AI看CT片子,说”这个结节有87%的概率是恶性的”——不是”是”或”不是”,而是概率。 语音识别:你说”帮我打开空调”,AI听到的是一堆声波,它要判断”最可能”是什么词。 自动驾驶:前面有个模糊的影子,是塑料袋还是...
Python编程基础(一):从零搭建你的AI开发环境
发表于2026-06-17|基础教程
想象你是一家餐厅的厨师……你刚入职一家餐厅,老板对你说:”咱们店的特色菜谱我已经写好了,你需要照着做。” 你翻开菜谱,发现上面全是法文。 你懵了。 这时候老板又说:”不过别怕,我给你准备了两样东西——第一,一本中法对照词典;第二,一个已经帮你备好所有食材的厨房。你只需要照着菜谱,一步一步来就行。” 在AI开发的世界里: 菜谱 = AI算法(那些看起来吓人的数学公式和逻辑) 法语 = Python(这门编程语言) 中法对照词典 = 接下来要学的Python基础 备好食材的厨房 = 我们今天要搭建的开发环境 你看,事情没那么复杂对吧? 为什么偏偏是Python?你可能听说过很多编程语言:C++、Java、JavaScript、Rust……每个都有一群忠实粉丝在互联网上吵架。 但在AI这个领域,Python是毫无争议的王者。为什么? 三个原因,都很实在: 第一,好学。 Python的语法就像在写英文句子,没有乱七八糟的大括号和分号。你写 print("你好"),它就真的打印”你好”。别的语言可能让你先声明变量类型,再写个m...
1234
avatar
AIJVS Team
AIJVS - 免费开源的深度学习和 AI 学习平台
文章
36
标签
112
分类
12
Follow Me
公告
追踪AGI新应用,探寻AI真善美!帮助你把AI真正用起来
最新文章
别再找最强模型:三层模型路由实战(2026年11月版)2026-11-16
AI双周速递·第五期:Gemini 4 三连发,Kimi K3.1 Pro 2.8万亿参数开源2026-11-16
AI双周速递·第四期:GPT-6 Astra 登场,英伟达130亿美元收购 Hugging Face2026-09-28
AI双周速递·第三期:DeepSeek V4 Pro 正式版登场,API 涨价 350% 引爆行业2026-08-15
如何用 AI 编程:从需求到上线的完整工作流(2026实战指南)2026-08-15
分类
  • 公告1
  • 前沿资讯7
  • 基础教程7
  • 实战教程1
  • 实战项目6
  • 应用实战2
  • 框架对比1
  • 深度学习7
标签
OpenAI GLM 数据类型 导航 实战 计算机视觉 进阶教程 实战项目 字节跳动 训练 Git WebGPU scikit-learn 卷积神经网络 推理 神经网络 LLM AI基础 自动微分 技术选型 Kimi K3 TRAE 数学基础 Hugging Face 数据增强 LSTM 竞赛 NLP OpenCV Word2Vec 实战教程 统计学 提示词 Gemini 4 Qwen Transformer 智能体 开站公告 可灵AI 工具评测
归档
  • 十一月 2026 2
  • 九月 2026 1
  • 八月 2026 10
  • 七月 2026 13
  • 六月 2026 7
  • 五月 2026 3
网站信息
文章数目 :
36
本站访客数 :
本站总浏览量 :
最后更新时间 :
© 2026 By AIJVS Team
AIJVS - 让每个人都参与到 AI 学习中来!