腾讯云
开发者社区
文档
建议反馈
控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
搜索
搜索
关闭
发布
登录/注册
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
CreateAMind
专栏作者
举报
943
文章
587993
阅读量
55
订阅数
订阅专栏
申请加入专栏
全部文章（943）
其他（347）
模型（171）
https（98）
人工智能（94）
神经网络（84）
深度学习（82）
系统（75）
编程算法（72）
机器学习（59）
框架（58）
编码（45）
数据（42）
强化学习（41）
网络安全（40）
算法（39）
github（38）
网络（37）
开源（35）
原理（31）
代理（30）
函数（29）
连接（25）
机器人（24）
工作（24）
论文（23）
自动驾驶（20）
游戏（20）
架构（20）
对象（19）
git（18）
python（17）
存储（17）
memory（17）
基础（17）
设计（15）
http（14）
华为（13）
优化（13）
tensorflow（12）
html（12）
linux（12）
无人驾驶（12）
model（12）
数学（10）
效率（10）
models（9）
网站（8）
大数据（8）
分布式（7）
keras（7）
变量（7）
测试（7）
图表（7）
nat（6）
abstract（6）
free（6）
theory（6）
NLP 服务（5）
pytorch（5）
无监督学习（5）
数据分析（5）
agent（5）
code（5）
地图（5）
工具（5）
统计（5）
性能（5）
硬件（5）
ios（4）
微信（4）
安全（4）
action（4）
bayesian（4）
epoch（4）
message（4）
openai（4）
self（4）
程序（4）
集合（4）
事件（4）
java（3）
.net（3）
ide（3）
自动化（3）
algorithm（3）
data（3）
logic（3）
network（3）
set（3）
state（3）
编程（3）
后端（3）
解决方案（3）
配置（3）
视频（3）
搜索（3）
同步（3）
c++（2）
go（2）
node.js（2）
api（2）
文件存储（2）
容器（2）
监督学习（2）
iis（2）
windows（2）
数据结构（2）
processing（2）
迁移（2）
教育（2）
coding（2）
com（2）
constraints（2）
debug（2）
distribution（2）
function（2）
gaussian（2）
gpt（2）
gradient（2）
gwt（2）
maze（2）
object（2）
output（2）
pdf（2）
position（2）
probability（2）
process（2）
scale（2）
simulation（2）
slide（2）
structure（2）
task（2）
this（2）
time（2）
using（2）
笔记（2）
部署（2）
翻译（2）
计算机（2）
镜像（2）
开发（2）
内存（2）
前端（2）
全栈（2）
软件（2）
协议（2）
芯片（2）
压缩（2）
语法（2）
语音（2）
objective-c（1）
mac os（1）
php（1）
lua（1）
css（1）
json（1）
arm（1）
硬件开发（1）
云数据库 Redis（1）
ubuntu（1）
容器镜像服务（1）
spring（1）
批量计算（1）
访问管理（1）
腾讯云测试服务（1）
图像处理（1）
高性能计算（1）
企业（1）
缓存（1）
ssh（1）
卷积神经网络（1）
erp（1）
gui（1）
面向对象编程（1）
自动化测试（1）
tcp/ip（1）
模式识别（1）
迁移学习（1）
数据处理（1）
数据可视化（1）
架构设计（1）
fpga（1）
信息流（1）
云计算（1）
分类算法（1）
es（1）
学习方法（1）
abstraction（1）
analysis（1）
architecture（1）
area（1）
binary（1）
build（1）
chatgpt（1）
classification（1）
config（1）
core（1）
correlation（1）
cpu（1）
dataset（1）
detection（1）
diff（1）
directory（1）
dynamic（1）
email（1）
error（1）
event（1）
events（1）
feed（1）
file（1）
fixed（1）
focus（1）
format（1）
formatting（1）
frameworks（1）
global（1）
gmail（1）
google（1）
hidden（1）
hpc（1）
identity（1）
input（1）
julia（1）
key（1）
linkedin（1）
local（1）
matrix（1）
meta（1）
mnist（1）
modeling（1）
mpi（1）
paypal（1）
permutation（1）
physics（1）
ps（1）
reduce（1）
reference（1）
return（1）
rgb（1）
rules（1）
sampling（1）
semantics（1）
sharing（1）
simulator（1）
size（1）
sort（1）
spaces（1）
statistics（1）
subset（1）
target（1）
testing（1）
title（1）
torch（1）
vector（1）
version（1）
vr（1）
wiki（1）
workspace（1）
递归（1）
动态规划（1）
二进制（1）
反射（1）
高性能（1）
工程师（1）
开源软件（1）
开源硬件（1）
可视化（1）
量化（1）
模块化（1）
实践（1）
调试（1）
学习笔记（1）
数据转换（1）
深度学习框架（1）
搜索文章
搜索
搜索
关闭
解决深度学习4大缺陷
深度学习
模型
算法
硬件
优化
A Review of Neuroscience-Inspired Machine Learning https://arxiv.org/abs/2403.18929
用户1908973
2024-04-19
95
0
ASI 8年计划 paper4 The FEP for Perception and Action: 深度学习视角
action
代理
模型
数据
深度学习
The Free Energy Principle for Perception and Action: A Deep Learning Perspective
用户1908973
2024-02-26
66
0
阿尔兹海默症可能的机理
深度学习
memory
模型
算法
优化
Fig.1 Cerebral artery, from Gray's Atlas of Anatomy 3rd Edition
用户1908973
2023-12-14
127
0
基于上下游脑区深度学习模型得到抑郁症、强迫症、选择困难症和偏见的猜想
深度学习
连接
模型
数据
优化
参考DSM-5的强迫症、选择困难症的相关文字，尝试用上下游脑区深度学习模型进行模拟。我们补充选择困难症一种新情况，前向传播可能在中途返回上游脑区的前额叶。对于偏见的深度学习模型，不理想的数据可能跳过了前额叶；但喜欢的数据经过前额叶后，会跳过带有情绪记忆的脑区。抑郁症的模型可能和情绪记忆、突触兴奋性和神经元活性有关。
用户1908973
2023-11-13
195
0
基于上下游脑区深度学习模型得到强迫症、选择困难症和偏见的猜想
深度学习
函数
模型
数据
效率
参考DSM-5的强迫症、选择困难症的相关文字，尝试用上下游脑区深度学习模型进行模拟。我们补充选择困难症一种新情况，前向传播可能在中途返回上游脑区的前额叶。对于偏见的深度学习模型，不理想的数据可能跳过了前额叶；但喜欢的数据经过前额叶后，会跳过带有情绪记忆的脑区。
用户1908973
2023-11-02
169
0
选择困难症新情况-前向计算可能在中途返回上游脑区的前额叶
深度学习
模型
搜索
算法
效率
The conjectures of Obsessive-compulsive disorder and Difficult decisions based on the Deep learning model for upstream and downstream brain regions
用户1908973
2023-11-01
155
0
基于上下游脑区深度学习模型来猜测强迫症和选择困难症
深度学习
连接
模型
搜索
效率
The conjectures of Obsessive-compulsive disorder and Difficulty decisions based on the Deep learning model for upstream and downstream brain regions
用户1908973
2023-10-24
142
0
Bayesian causal inference: A unifying neuroscience theory
深度学习
bayesian
theory
模型
算法
对大脑和支配神经处理的原理的理解需要简洁的理论,能够解释一系列不同的现象,并且能够做出可检验的预测。在这里,我们回顾贝叶斯因果推理理论,该理论已经由几个研究小组在人类和其他灵长类动物的各种任务中进行了测试、完善和扩展。贝叶斯因果推理是规范性的,已经解释了大量任务中的人类行为,包括单感觉和多感觉 知觉任务、感觉运动和运动任务,并解释了反直觉的发现。该理论做出了经过实验测试和证实的新颖预测,最近的研究已经开始绘制其算法和人脑中的神经实现。该理论所解释的现象的简约性和多样性,以及它在Marr 分析的所有三个层次上对大脑功能的启发,使得贝叶斯因果推理成为一个强大的神经科学理论。这也强调了协作和多学科研究对神经科学新理论发展的重要性。
用户1908973
2023-10-10
154
0
为什么脑纵剖面几何形状像螺旋波-可能至少需要一个等角螺旋运动信息才能发生湍流传递
深度学习
memory
架构
连接
模型
请大家关注我的最新版本的预印https://arxiv.org/abs/2203.11740，我们尝试用人工智能、量子力学、数学和流体动力学理解我们的大脑。
用户1908973
2023-10-10
218
0
记忆是什么？记忆印记进行湍流运动的临界值和沿途损失、为什么脑纵剖面几何形状像螺旋波？解释AD的15个现象
深度学习
存储
memory
架构
模型
请大家关注我的最新版本的预印https://arxiv.org/abs/2203.11740，我们尝试用人工智能、量子力学和流体动力学理解我们的大脑。
用户1908973
2023-09-29
190
0
肝肾心脑模型-上下游脑区深度学习模型结合下游脑区的湍流反向来解释阿尔兹海默症的13种现象 (第7版)
深度学习
存储
memory
连接
模型
请大家关注我的最新版本的预印https://arxiv.org/abs/2203.11740，我们尝试用人工智能、量子力学和流体动力学理解我们的大脑。
用户1908973
2023-09-21
139
0
预测编码: 超越反向传播的深度学习?
深度学习
编码
模型
算法
原理
paper：PREDICTIVE CODING: TOWARDS A FUTURE OF DEEP LEARNING BEYOND BACKPROPAGATION? 摘要： 用于训练深度神经网络的
用户1908973
2023-09-13
210
0
在任意拓扑图上学习
深度学习
函数
连接
模型
网络
paper：Learning on Arbitrary Graph Topologies via Predictive Coding
用户1908973
2023-09-12
170
0
DeepMind DreamerV3 pytorch 版本
深度学习
pytorch
华为
框架
模型
DeepMind-代码：元学习认知模型 Meta-Learned Models of Cognition
用户1908973
2023-09-01
176
0
改进GPT的底层技术
神经网络
深度学习
gpt
框架
原理
code：通过进化、可塑性和 元 元学习 获得认知能力（4个时间维度的学习迭代）
用户1908973
2023-09-01
126
0
代码：低功耗高性能的元学习RNN PPT
深度学习
高性能
华为
框架
论文
code：通过进化、可塑性和 元 元学习 获得认知能力（4个时间维度的学习迭代）
用户1908973
2023-09-01
139
0
实时跨皮质层级的反投影学习2022
深度学习
编码
模型
网络
系统
皮层中的感觉处理和学习模型需要有效地将功劳分配给所有区域的突触。在深度学习中，一个已知的解 决方案是错误反向传播，但是它需要从前馈到反馈路径的生物学上不可信的权重传输。
用户1908973
2023-09-01
140
0
CHEM ALGEBRA: ALGEBRAIC REASONING ONCHEMICAL REACTIONS
深度学习
对象
模型
数据
系统
虽然在各种学习任务上表现出令人印象深刻的表现，但目前尚不清楚深度学习模型是否有能 力稳健地处理推理任务。衡量机器学习模型中推理的稳健性具有挑战性，因为需要提供一项 任务，该任务不能通过利用数据中的虚假统计相关性轻易简化，同时对复杂的对象和约束进 行操作。为了解决这个问题，我们提出了CHEMALGEBRA，这是一种通过预测化学计量平衡 的化学反应来衡量深度学习模型推理能力的基准。CHEMALGEBRA需要在代数约束 (例 如质量守恒原理)下操纵一组复杂的离散对象 (分子表示为公式或图形)。我们相信 CHEMALGEBRA可以作为下一代机器推理模型的有用测试平台，并作为其发展的推动者。
用户1908973
2023-09-01
96
0
Neuro Causal and Symbolic AI. 36th NIPS
人工智能
神经网络
深度学习
理解因果互动是人类认知的核心，因此也是科学、工程、商业和法律的核心追求。发展心理学表明，儿童探索世界的方式与科学家相似，他们会问诸如“如果”这样的问题以及“为什么？”人工智能研究的目标是在机器中复制这些能力。特别是深度学习通过端到端可训练的深度神经网络，为函数逼近带来了强大的工具。这种能力已经被无数应用中的巨大成功所证实。然而，它们缺乏解释能力和推理能力，这被证明是建立类人能力系统的一个障碍。因此，在深度学习中启用因果推理能力对于研究通向人类智能的道路至关重要。神经因果模型的第一步已经存在，并有望实现人工智能系统的愿景，即像现代神经模型一样高效地进行因果推理。类似地，经典的符号方法正在被重新访问和重新整合到当前的系统中，以允许超越纯模式识别的推理能力。因果关系的Pearlian形式化揭示了一个理论上合理和实践上严格的推理层次，作为评估神经符号系统推理能力的有益基准。我们的目标是将对人工智能研究领域(一般机器和深度学习、符号和以对象为中心的方法以及逻辑)的整合感兴趣的研究人员聚集在一起，并以开发下一代人工智能系统为目标，对因果关系进行严格的形式化。
用户1908973
2023-02-14
329
0
概率编程的高度
编程算法
机器学习
神经网络
深度学习
人工智能
paper: Symbolic Exact Inference for Discrete Probabilistic Programs
用户1908973
2022-11-22
774
0
点击加载更多
社区活动
腾讯技术创作狂欢月
“码”上创作 21 天，分 10000 元奖品池！
立即发文
Python精品学习库
代码在线跑，知识轻松学
立即查看
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客，速成社区影响力并领取好礼
立即体验
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
立即查看
领券
问题归档
专栏文章
快讯文章归档
关键词归档
开发者手册归档
开发者手册 Section 归档