400 128 6709
行业新闻
发布时间：2025-07-31
点击次数： 用 python 从零 手动实现 简单的 深度学习框架（乞丐版）。从Tensor的实现，到 MLP 的构建，手写损失函数、随机梯度下降算法，能够实现基础 NN 网络的自动微分和反向传播，跑通MNIST
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
除了random（用于生成随机数，初始化网络参数） 无需 import 任何库
这里的 Tensor 是极简版，只相当于paddle.Tensor的单元素，只有最基础、最重要的功能：加、乘、ReLU、反向传播
在这里定义：如果一个节点是由其他节点计算得出，则这些其他节点为该节点的父节点；例如 c = a + b, 则 a，b 为c 的父节点
节点记录自己的父节点，是为了反向传播计算所有节点梯度
In [4]
当前位置： class Tensor:
def __init__(self,data,_parents=()):
self.data = data # 节点的值
self.grad = 0 # 梯度
self._backward = lambda: None # 初始化反向传播，等效为一个空函数
self._parents = set(_parents) # 节点的父节点
def __repr__(self): # 优化输出
return f'Tensor(data={self.data})'
def __add__(self, other): # 实现加法运算
out = Tensor(self.data + other.data, (self,other)) def _backward():
self.grad += 1.0 * out.grad
other.grad += 1.0 * out.grad
out._backward = _backward # 定义输出节点的反向传播函数
return out
def __mul__(self, other): # 实现乘法运算
out = Tensor(self.data * other.data, (self,other)) def _backward():
self.grad += other.data * out.grad
other.grad += self.data * out.grad
out._backward = _backward return out
def relu(self): # 实现 ReLu 运算, 激活函数
out = Tensor(0 if self.data<0 else self.data, (self,)) def _backward():
self.grad += (self.data>0)*out.grad
out._backward = _backward return out def backward(self): # 实现所有节点的反向传播，计算梯度
# 广搜 确定节点的拓扑排序
topo = []
vis = set() def build_topo(v):
if v not in vis:
v.grad = 0.0
vis.add(v)
topo.append(v) for parent in v._parents:
build_topo(parent)
build_topo(self) # 反向传播
self.grad = 1.0
for v in topo:
v._backward()
举个栗子：z = 2x+y 计算 x 对于 z 的梯度，即 z 关于 x 的偏导，很容易得到 x.grad = 2
再加一条：x = 3a + b 计算 a 对于 z 的梯度。求复合函数的导数，我们需要用到链式法则
∂a∂z=∂x∂z⋅∂a∂x
所以：a.grad = 3 * x.grad = 6 解释了为什么求节点梯度时需要乘上out.grad
下面解释为什么梯度是用 +=
同样举个栗子：z = x + x, 此时 x.grad = 2 如果使用 self.grad = 1.0 * out.grad，则会得到 x.grad = 1 的错误结果
ReLU为分段函数，在求梯度时进行分段讨论即可
In [7]# 测试梯度求解a = Tensor(2) b = Tensor(3) x = a*b z = x + x z.grad = 1 # 由于求解父节点的梯度依赖于子节点梯度，所以应该讲 z.grad 初始化为 1z._backward() # 求 z 父节点 x 的梯度x._backward() # 求 x 父节点 a,b 的梯度a.grad, b.grad, x.grad, z.grad
(6.0, 4.0, 2.0, 1)
由于 _backward() 只能计算父节点的梯度，如果要求所有节点的梯度，则要多次调用 _backward()，非常不方便
使用HTML,CSS,J*aScript开发Android应用程序 英文文字pdf版附源文件
如果你了解HTML，CSS和J*aScript，您已经拥有所需的工具开发Android应用程序。本动手本书展示了如何使用这些开源web标准设计和建造，可适应任何Android设备的应用程序 - 无需使用J*a。您将学习如何创建一个在您选择的平台的Android友好的网络应用程序，然后转换与自由PhoneGap框架到一个原生的Android应用程序。了解为什么设备无关的移动应用是未来的潮流，并开始构建应用程序，提供更
2
查看详情
所以定义 backward() 反向传播函数：先用广度优先搜索（BFS），得到所有节点，再调用所有节点的 _backward()，计算所有节点的梯度
之所以使用广搜，而不是深度优先搜索（DFS），是因为求解父节点的梯度依赖于子节点梯度，需要按照一定顺序，调用节点的 _backward()
In [3]# 测试 backward()a = Tensor(2) b = Tensor(3) x = a*b z = x + x z.grad = 1 # z.grad 初始化为 1z.backward() a.grad, b.grad, x.grad, z.grad
(6.0, 4.0, 2.0, 1.0)
相当于一个矩阵乘法和一个矩阵加法，输入一个一维矩阵，乘上权重矩阵 w，再加上一个偏置矩阵 b
In [6]import randomclass Linear:
def __init__(self, in_features, out_features):
self.in_features = in_features
self.out_features = out_features
self.w = [[Tensor(random.random())] * out_features for _ in range(in_features)]
self.b = [Tensor(random.random())] * out_features
def __call__(self, x):
return self.forward(x)
def forward(self, x):
# 手动实现矩阵乘法
out = [Tensor(0.0)] * self.out_features for i in range(self.out_features):
out[i] = out[i]+self.b[i] for j in range(self.in_features):
out[i] = out[i] + x[j] * self.w[j][i] 
return out
def parameters(self): # 获得 Linear 的所有参数，可用于参数更新
return [self.w, self.b]
In [5]
# 测试 Linearnet = Linear(2,1) x = [Tensor(1.0)] * 2net(x)
[Tensor(data=1.7437665109884302)]
这里采用均方损失
比较真实值和预估值，例如房屋售价和估价
假设y是真实值，y是估计值，我们可以比较
l(y,y)=21(y−y)2
这个叫做平方损失（或均方损失）
return out
def parameters(self): # 获得 Linear 的所有参数，可用于参数更新
return [self.w, self.b]def squared_loss(y_hat, y):
"""均方损失"""
loss = Tensor(0.0) for i in range(len(y)):
tmp = y_hat[i] + y[i]*Tensor(-1.0)
tmp = tmp*tmp*Tensor(0.5)
loss = loss + tmp return loss
这里采用随机梯度下降
In [8]def sgd(params, lr):
"""随机梯度下降"""
if isinstance(params, list): for i in params:
sgd(i, lr) elif isinstance(params, Tensor):
params.data -= params.grad*lr
params.grad = 0.0
import numpy as np # 与框架关系不大，后面手写字数据集用def to_tensor(x):
"""将 list/numpy.ndarray 中的每个元素，转换成 Tensor"""
ans = [] if isinstance(x, list) or isinstance(x, np.ndarray): for i in range(len(x)):
ans.append(to_tensor(x[i])) else:
ans = Tensor(x) return ans# 准备数据X = [[1,2,3],[2,3,7],[5,3,1]]
Y = [[x_[0] + 2*x_[1] + 4*x_[2]] for x_ in X] # y = [[17, 36, 15]]X = to_tensor(X)
Y = to_tensor(Y)for i in range(len(X)): print(X[i],Y[i])
[Tensor(data=1), Tensor(data=2), Tensor(data=3)] [Tensor(data=17)] [Tensor(data=2), Tensor(data=3), Tensor(data=7)] [Tensor(data=36)] [Tensor(data=5), Tensor(data=3), Tensor(data=1)] [Tensor(data=15)]
lr = 0.03 # 学习率num_epochs = 3 # 迭代次数net = Linear(3,1) # 构建神经网络loss = squared_loss # 设置损失函数for epoch in range(num_epochs): for i in range(len(X)):
l = loss(net(X[i]),Y[i]) # X 和 y 的损失
l.backward()
params = net.parameters()
sgd(params, lr)
train_l = 0.0
for i in range(len(X)):
train_l += loss(net(X[i]),Y[i]).data print(f'epoch{epoch + 1}, loss {float(train_l/len(X)):f}')
net(X[0]), Y[0]
epoch2, loss 5.200388 epoch2, loss 0.407041 epoch3, loss 0.041877
([Tensor(data=17.498340752751304)], [Tensor(data=17)])
多个 Linear 组合
In [10]class MLP:
def __init__(self, in_features, outs):
self.linears = []
self.num_linears = len(outs) for i in range(len(outs)): # 根据 outs 构建多个 Linear 层，上一层 Linear 的 out_features, 为下一层 Linear 的 in_features
self.linears.append(Linear(in_features, outs[i]))
in_features = outs[i]
def __call__(self, x):
return self.forward(x)
def forward(self, x):
for i in range(self.num_linears-1):
x = self.linears[i](x) for j in x:
j.relu() # 每一个 Linear 层后加一个 ReLU 激活函数
x = self.linears[-1](x) return x
def parameters(self):
return [p for linear in self.linears for p in linear.parameters()]
# 准备数据X = [[1,2,3],[2,3,7],[5,3,1]] Y = [[x_[0] + 2*x_[1] + 4*x_[2]] for x_ in X] # y = [[17, 36, 15]]X = to_tensor(X) Y = to_tensor(Y)for i in range(len(X)): print(X[i],Y[i])
[Tensor(data=1), Tensor(data=2), Tensor(data=3)] [Tensor(data=17)] [Tensor(data=2), Tensor(data=3), Tensor(data=7)] [Tensor(data=36)] [Tensor(data=5), Tensor(data=3), Tensor(data=1)] [Tensor(data=15)]
lr = 0.001num_epochs = 10net = MLP(3,[2,1])
loss = squared_lossfor epoch in range(num_epochs): for i in range(len(X)):
l = loss(net(X[i]),Y[i]) # X 和 y 的损失
l.backward()
params = net.parameters()
sgd(params, lr)
train_l = 0.0
for i in range(len(X)):
train_l += loss(net(X[i]),Y[i]).data print(f'epoch{epoch + 1}, loss {float(train_l/len(X)):f}')
net(X[0]), Y[0]
epoch2, loss 184.394965 epoch2, loss 95.322663 epoch3, loss 30.901516 epoch4, loss 10.462304 epoch5, loss 5.934934 epoch6, loss 4.167137 epoch7, loss 3.059523 epoch8, loss 2.275400 epoch9, loss 1.705741 epoch20, loss 1.289367
([Tensor(data=17.56170670010426)], [Tensor(data=17)])
!mkdir -p /home/aistudio/work/mnist !unzip /home/aistudio/data/data33695/mnist.zip -d /home/aistudio/work/mnist/
Archive: /home/aistudio/data/data33695/mnist.zip inflating: /home/aistudio/work/mnist/t10k-images.idx3-ubyte inflating: /home/aistudio/work/mnist/t10k-labels.idx1-ubyte inflating: /home/aistudio/work/mnist/train-images.idx3-ubyte inflating: /home/aistudio/work/mnist/train-labels.idx1-ubyteIn [1]
import sys
sys.path.append('/home/aistudio/work')import load_MNISTimport matplotlib.pyplot as pltdef load_datasets(show_examples=False):
X_train = load_MNIST.load_train_images()
y_train = load_MNIST.load_train_labels()
X_test = load_MNIST.load_test_images()
y_test = load_MNIST.load_test_labels() if show_examples is True:
sample = X_train[1, :, :]
plt.imshow(sample)
plt.show() print('样例的矩阵形式为:\n {}'.format(sample)) return X_train, X_test, y_train, y_test
X_train_, X_test_, y_train_, y_test_ = load_datasets(show_examples=True)
开始载入MNIST手写数字数据集： 训练集图片大小: 28*28, 已载入60000/60000. 训练集标签数量: 60000...已完成。 测试集图片大小: 28*28, 已载入10000/10000. 测试集标签数量: 10000...已完成。
<Figure size 640x480 with 1 Axes>
样例的矩阵形式为:
[[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
0. 51. 159. 253. 159. 50. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
48. 238. 252. 252. 252. 237. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 54.
227. 253. 252. 239. 233. 252. 57. 6. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 10. 60. 224.
252. 253. 252. 202. 84. 252. 253. 122. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 163. 252. 252.
252. 253. 252. 252. 96. 189. 253. 167. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 51. 238. 253. 253.
190. 114. 253. 228. 47. 79. 255. 168. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 48. 238. 252. 252. 179.
12. 75. 121. 21. 0. 0. 253. 243. 50. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 38. 165. 253. 233. 208. 84.
0. 0. 0. 0. 0. 0. 253. 252. 165. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 7. 178. 252. 240. 71. 19. 28.
0. 0. 0. 0. 0. 0. 253. 252. 195. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 57. 252. 252. 63. 0. 0. 0.
0. 0. 0. 0. 0. 0. 253. 252. 195. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 198. 253. 190. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0. 255. 253. 196. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 76. 246. 252. 112. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0. 253. 252. 148. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 85. 252. 230. 25. 0. 0. 0. 0.
0. 0. 0. 0. 7. 135. 253. 186. 12. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 85. 252. 223. 0. 0. 0. 0. 0.
0. 0. 0. 7. 131. 252. 225. 71. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 85. 252. 145. 0. 0. 0. 0. 0.
0. 0. 48. 165. 252. 173. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 86. 253. 225. 0. 0. 0. 0. 0.
0. 114. 238. 253. 162. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 85. 252. 249. 146. 48. 29. 85. 178.
225. 253. 223. 167. 56. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 85. 252. 252. 252. 229. 215. 252. 252.
252. 196. 130. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 28. 199. 252. 252. 253. 252. 252. 233.
145. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 25. 128. 252. 253. 252. 141. 37.
0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]
In [43]
X_train_.shape, y_train_.shape,type(X_train_),X_test_.shape, y_test_.shape
((60000, 28, 28), (60000,), numpy.ndarray, (10000, 28, 28), (10000,))In [6]
# 数据处理X_train = X_train_.reshape(60000,28*28) y_train = y_train_.reshape(60000,1) X_test = X_test_.reshape(10000,28*28) y_test = y_test_.reshape(10000,1) X_train[0],y_train[0]# 这个框架太粗糙，训练太慢，只使用部分数据train_data = 1000test_data =10X_train = to_tensor(X_train[0:train_data]) y_train = to_tensor(y_train[0:train_data]) X_test = to_tensor(X_test[0:test_data]) y_test = to_tensor(y_test[0:test_data])
该框架太过于粗糙，有待优化。这里只使用部分数据训练，用作演示
In [45]lr = 0.00000001num_epochs = 2net = Linear(784,10)# net = MLP(28*28, [256,10])loss = squared_lossfor epoch in range(num_epochs): for i in range(train_data):
l = loss(net(X_train[i]),y_train[i]) # X 和 y 的损失
l.backward()
params = net.parameters()
sgd(params, lr) if i%100 == 0: print(f'epoch{epoch + 1}, train loss {float(l.data):f}')
test_l = 0.0
for i in range(test_data):
test_l += loss(net(X_test[i]),y_test[i]).data print(f'epoch{epoch + 1}, test loss {float(test_l/len(X_test)):f}')# net(X_train[0]), y_train[0]
epoch2, train loss 93719477.784360 epoch2, train loss 83988.257223 epoch2, train loss 344.078848 epoch2, train loss 219084.742202 epoch2, train loss 1874046.072795 epoch2, train loss 11194.016174 epoch2, train loss 85165.438772 epoch2, train loss 6325.009070 epoch2, train loss 152919.084357 epoch2, train loss 55067.312630 epoch2, test loss 330436.891082 epoch2, train loss 260784.575575 epoch2, train loss 15026.502161 epoch2, train loss 81925.278769 epoch2, train loss 40676.119289 epoch2, train loss 1202564.376063 epoch2, train loss 23028.411272 epoch2, train loss 20343.179800 epoch2, train loss 18186.245439 epoch2, train loss 15613.012288 epoch2, train loss 15918.717633 epoch2, test loss 223290.439788
使用一个全连接层，粗略训练
In [2]import paddleimport paddle.nn as nn# 数据准备X_train_p = paddle.to_tensor(X_train_, stop_gradient=True).flatten(1).astype('float32')
X_test_p = paddle.to_tensor(X_test_, stop_gradient=True).flatten(1).astype('float32')
y_train_p = paddle.to_tensor(y_train_, stop_gradient=True).astype('float32')
y_test_p = paddle.to_tensor(y_test_, stop_gradient=True).astype('float32')
batch_size, lr, num_epochs = 256, 0.1, 10loss = paddle.nn.loss.MSELoss()
net = nn.Linear(28*28, 1) # 一个简单的全连接层sgd = paddle.optimizer.SGD(learning_rate=0.0000001, parameters=net.parameters())for epoch in range(num_epochs): for i in range(60000):
l = loss(net(X_train_p[i]),y_train_p[i]) # X 和 y 的损失
l.backward()
sgd.step()
sgd.clear_grad() if i%30000 == 0: print(f'epoch{epoch + 1}, train loss {float(l.value()):f}')
test_l = 0.0
for i in range(1000):
test_l += loss(net(X_test_p[i]),y_test_p[i]).value() print(f'epoch{epoch + 1}, test loss {float(test_l/10000):f}')# 粗略训练结果net(X_train_p[0]), y_train_p[0]
epoch2, train loss 3617.558350 epoch2, train loss 36.344646 epoch2, test loss 2.478513 epoch2, train loss 22.809593 epoch2, train loss 0.706598 epoch2, test loss 1.734603 epoch3, train loss 4.005621 epoch3, train loss 0.181211 epoch3, test loss 1.424313 epoch4, train loss 0.791444 epoch4, train loss 0.112583 epoch4, test loss 1.256442 epoch5, train loss 0.059686 epoch5, train loss 0.095287 epoch5, test loss 1.151413 epoch6, train loss 0.034223 epoch6, train loss 0.085789 epoch6, test loss 1.080396 epoch7, train loss 0.241043 epoch7, train loss 0.075794 epoch7, test loss 1.030066 epoch8, train loss 0.513496 epoch8, train loss 0.064292 epoch8, test loss 0.993136 epoch9, train loss 0.784249 epoch9, train loss 0.052085 epoch9, test loss 0.965241 epoch20, train loss 1.025587 epoch20, train loss 0.040221 epoch20, test loss 0.943633
(Tensor(shape=[1], dtype=float32, place=Place(cpu), stop_gradient=False,
[3.89197564]),
Tensor(shape=[1], dtype=float32, place=Place(cpu), stop_gradient=True,
[5.]))
以上就是动手写深度学习框架（一）的详细内容，更多请关注其它相关文章！
# 再加
# 抖音seo最新算法分析
# 企业网站建设问卷调查
# 六安网站建设开发有哪些
# 汕头关键词seo报价
# 鄂州网站建设计划书
# 界首seo
# 网站排名推广推荐
# seo关键词排名找13火星软件
# SEO优化论坛app
# seo中怎么优化视频
# 自己的
# 举个
# 官网
# python
# 链式
# 中文网
# 多个
# 一言
# 英文
# 应用程序
# type
# fig
# latte
# udio
# red
# 为什么
# ai
相关栏目：
【
行业新闻62819 】
【
科技资讯67470 】
相关推荐：
机智云AI离线语音识别模组，让家电变得更加智能便捷
OpenOOD更新v1.5：全面、精确的分布外检测代码库及测试平台，支持在线排行榜、一键测试
2025 WAIC｜美团无人机发布第四代新机型
AI大举入侵内容行业，哪些上市*及动漫公司进行了布局？
Stability AI 推出文生图模型 SDXL0.9，GPU要求下探至消费级水平
首个算网生态体！中国移动元宇宙产业联盟正式成立
生成式人工智能进入产业应用！但再“聪明”仍是工具，最终目的是服务于人
借助ChatGPT快速上手ElasticSearch dsl
OpenAI 引入个性化指令功能，消除对话中的重复偏好与信息
人形机器人概念大热！这些产业链标的或受提振
软通动力天枢元宇宙研究院签约落户江宁高新区
衡水市冀州中学机器人社团在世界机器人大赛中斩获佳绩
五个出色的人工智能应用实例
AI大模型紫东太初已被注册商标 中科院已注册紫东太初大模型商标
天翼云在国际AI顶会大模型挑战赛中获得冠军
财联社首档运用虚拟人技术播报栏目《AI半小时》今晚上线！敬请期待
跟着AI大热的“光模块”到底是什么？
Meta 发布 Voicebox AI 模型：可生成音频信息，用于 NPC 对话等
售价14.99万起！小米汽车部分信息疑遭AI曝光，内部人士回应：网传图片明显经过处理，不可轻信
万兴播爆桌面端上线，支持AI数字人搜索、视频编辑等功能
全面拥抱大模型浪潮，ISC 2025打造全球首场AI数字安全峰会
聚焦人工智能大模型、AIGC 徐汇十余场重磅论坛等你来
美图发布国内首个“懂美学的”AI视觉大模型MiracleVision
东软成立魔形科技研究院，积极布局大语言模型系统工程战略，迎接AI时代
边喷火边跳踢踏舞，机器狗最新技能爆火全网！网友直呼真·热狗
Vision Pro头显重磅发布；苹果收购AR厂商Mira
创新全场景清洁方案！海尔商用机器人首发上市
亚太地区 70% 的企业高管正探索生成式 AI 应用或已经进行投资
抖音在Android平台获得VR|直播|软件著作权
昇腾AI & 讯飞星火：深度联手，共话国产大模型“大未来”
商业智能决策技术助力降本增效，世界人工智能大会举办商业AI高峰论坛
大脚攀爬者车主福利！无人机、运动相机大奖等你来挑战
Moka发布AI原生HR SaaS产品“Moka Eva”，布局AGI时代
以计算机视觉技术为基础的库存管理如何改革零售行业
陈丹琦ACL学术报告来了！详解大模型「*」数据库7大方向3大挑战，3小时干货满满
GPT-4 模型架构泄露：包含 1.8 万亿参数、采用混合专家模型
机构研选 | 虚拟电厂是电力物联网升级版 智能电网望迎来高速发展
【澎湃原动力】人工智能产业协同创新中心：全产业链资源在这里汇聚
Vision Pro 太贵，苹果基于 iPhone 的 VR 头显专利曝光
以分布式网络串联闲置GPU，这家创企称可将AI模型训练成本降低90%
Gartner发布中国企业人工智能趋势浪潮3.0
OpenAI CEO 山姆・阿尔特曼呼吁 AI 领域中美应当合作
如何用Transformer BEV克服自动驾驶的极端情况？
IBM和NASA合作发布可追踪碳排放的开源AI基础模型
人工智能和神经网络有什么联系与区别？
AI生成新闻网站数量激增，正在疯狂赚取广告收入
AI时代，企业需要什么样的员工？
清华&中国气象局大模型登Nature：解决世界级难题，「鬼天气」预报时效首次达3小时
百度举办AIGC创作沙龙，现场传授AI绘画“咒语”技巧
工信部信通院发布《2025大模型和AIGC产业图谱》 360智脑覆盖全产业链
上一篇：
返回列表
