深度学习中的卷积神经网络：从理论到实践
【10月更文挑战第35天】在人工智能的浪潮中，深度学习技术以其强大的数据处理能力成为科技界的宠儿。其中，卷积神经网络（CNN）作为深度学习的一个重要分支，在图像识别和视频分析等领域展现出了惊人的潜力。本文将深入浅出地介绍CNN的工作原理，并结合实际代码示例，带领读者从零开始构建一个简单的CNN模型，探索其在图像分类任务中的应用。通过本文，读者不仅能够理解CNN背后的数学原理，还能学会如何利用现代深度学习框架实现自己的CNN模型。
鸿蒙5.0版开发：命令行工具（mediatool工具）
在HarmonyOS 5.0的开发中，命令行工具mediatool基于FFmpeg库，提供了丰富的媒体处理功能，如视频和音频的转码、封装格式转换、提取媒体信息等。本文详细介绍mediatool的功能和使用方法，并提供代码示例。
鸿蒙next版开发：使用HiChecker检测问题（ArkTS）
在HarmonyOS 5.0中，HiChecker是一个强大的工具，帮助开发者检测应用中的潜在问题，如耗时调用和资源泄露。本文详细介绍了如何在ArkTS中使用HiChecker，包括添加检测规则、触发检测和日志输出等步骤，并提供了示例代码。通过合理使用HiChecker，开发者可以提高应用的稳定性和性能。
谷歌提出视觉记忆方法，让大模型训练数据更灵活
谷歌研究人员提出了一种名为“视觉记忆”的方法，结合了深度神经网络的表示能力和数据库的灵活性。该方法将图像分类任务分为图像相似性和搜索两部分，支持灵活添加和删除数据、可解释的决策机制以及大规模数据处理能力。实验结果显示，该方法在多个数据集上取得了优异的性能，如在ImageNet上实现88.5%的top-1准确率。尽管有依赖预训练模型等限制，但视觉记忆为深度学习提供了新的思路。
何恺明CV课程 | AI大咖说
麻省理工学院（MIT）电气工程与计算机科学系（EECS）副教授何恺明开设了两门精彩课程：“Advance in Computer Vision”和“Deep Generative Models”。何恺明是计算机视觉和深度学习领域的杰出科学家，曾提出深度残差网络（ResNet）等重要成果。这两门课程不仅涵盖了最新的研究前沿，还由何恺明亲自授课，内容涉及卷积神经网络、生成对抗网络、变分自编码器等，是学习计算机视觉和生成模型的宝贵资源。