摘要
2025年03月17日
经典模型结构总结，大道至简，探寻最本质之处。
2025年03月17日
ModernTCN，时间序列领域一种现代纯卷积结构，获得了ICLR 2024时序领域论文最高分。相比主流方法，它在保持性能的同时实现了更高的效率。
ModernTCN是一种基于CNN的时间序列方法，这类方法在捕捉非线性和长期依赖关系上占据优势，能更有效地处理复杂时序数据，帮助我们实现高效并行计算，提升速度效率，轻松应对不同类型的时序问题。
因此，这类方法也是当前时序领域的一个热门研究方向，而且没有基于Transformer和基于MLP的那么卷，是个相对容易
2025年03月17日
之前工作经验中，在某大厂，开发过机器学习框架，在和业务同学的合作下，取得还可以的成绩，但是一直觉得缺少了什么，最近在刷ai-system相关的公开课，才明白计算图的重要性，以往觉得不能理解的东西，现在突然都l理解了，工程能力可能真的要开始成为必备能力了，平时工作闲时加上周末时间，研究了nnvm这块的代码，和大家分享，有纰漏的地方，欢迎大家指出，谢谢。
2025年03月17日
为加快出版速度，让作者的研究成果更快的被阅读和关注，《地质力学学报》采用预出版形式，将已录用的文章在网上进行发布。之前小编已整理推出了第1期和第2期预出版文章，今天推出第3期，共5篇，欢迎大家关注。
2025年03月17日
LSTM 是序列建模任务（例如语言建模和时间序列预测）中广泛使用的技术。 此类任务通常具有长期记忆和短期记忆，因此学习两种模式以进行准确预测和估计非常重要。 基于 Transformers 的技术正在兴起，这种技术有助于对长期依赖进行建模并且比lstm好得多，但由于需要大量数据的训练和部署复杂性，Transformer 不能用于每个应用程序。 在这篇文章中，我将在 LSTM 和 TCN 的长期信息学习方面进行比较。
本文假设读者对 LSTM 和 CNN 神经网络的模型理论和架构有初步的了解。
2025年03月17日
以下是人形机器人触觉系统的简化源码框架与关键技术实现。触觉系统通常包含压力感知、温度感知、滑觉检测、触觉识别等模块，这里提供基于ROS和现代触觉传感器的集成方案：
```python
2025年03月17日
人工神经网络、激活函数、代价函数、梯度下降、反向传播是深度学习的几个关键点；常见的深度学习神经网络结构有多层感知器MLP、CNN、RNN、LSTM等。不管是哪种网络结构，其根本还是从传统的神经网络、多层感知机发展而来的，介绍如下：
MLP-Multilayer Perceptron 多层感知器
也叫人工神经网络（ANN，Artificial Neural Network），除了输入输出层，它中间可以有多个隐层，最简单的MLP只含一个隐层，即三层的结构，如下图：
2025年03月17日
编者按：
本周为大家推荐《地质力学学报》2024年4期的封面文章《基于EEMD-CNN-LSTM的新型综合模型在滑坡位移预测中的应用》。
2025年03月17日
在深度学习领域，针对所解决的问题不一样，其设计的深度学习算法也层出不穷，但是无论设计什么样的算法架构，在截止当前发表这篇文章的时间，都逃不过目前的三大特征抽取CNN、LSTM、Transformer(Attention) 架构，这三种结构在目前的算法架构中可能单独出现，或者组合出现。下面对这三种特征抽取结构进行较为深入剖析。