400 128 6709

行业新闻

当前位置： 首页 > 新闻中心 > 行业新闻

论文复现赛：对抗攻击

发布时间：2025-07-18点击次数：
本文复现《Towards Deep Learning Models Resistant to Adversarial Attacks》，基于PaddlePaddle在MNIST数据集实现对抗训练，采用Min-Max思路与FGSM、PGD生成对抗样本，复现精度优于原文献，分析超参数影响及框架差异，为对抗防御提供参考。

☞☞☞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☜☜☜

论文复现赛：对抗攻击 -

论文复现：Towards Deep Learning Models Resistant to Adversarial Attacks

一、简介

对抗攻击：攻击者就会通过设计一种有针对性的数值型向量从而让机器学习模型做出误判，这便被称为对抗性攻击，简单来说就是研究如何生成能使网络出错的样本。

根据条件不同，对抗攻击主要可分为：

  • 黑盒攻击与白盒攻击（攻击环境） 黑箱攻击向目标模型提供了不了解该模型而生成的对抗样本(在测试期间)；白箱攻击假定（对抗者）完全了解目标模型，包括其参数值、体系结构、训练方法，在某些情况下还包括其训练数据。
  • 有目标攻击和无目标攻击（攻击的目标） 无目标攻击指攻击只要使得网络出错即可，目标攻击则不仅要使得网络出错，而且要指定错误的情况
  • 基于梯度的攻击、基于优化的攻击、基于决策面的攻击或者其他（攻击实现方式）

本文从优化角度研究了神经网络的对抗鲁棒性问题，并在某种程度上提出了一种可以抵御任意攻击的思路。

对抗攻击源于神经网络对输入信息的敏感性，当输入信息偏离模型训练样本的分布特征时，网络很可能给出错误的预测值。如果利用此漏洞，对输入信息做精细的改动，则可能导致网络以高置信度给出完全错误的预测。如下图所示，人眼完全无法分辨的差异，会导致网络输出错误结果。

论文复现赛：对抗攻击 -

本文提出的方法是，首先基于原始样本生成对抗样本，然后再基于对抗样本求解风险期望：

论文复现赛：对抗攻击 -

这种Min-Max问题，作者又称之为鞍点问题。Max求解的是，在固定网络参数的情况下，找出原始样本的一个偏移量，使得Loss函数在局部取得最大值，即为求出此时的对抗样本；Min求解的是，在得到对抗样本的情况下，根据梯度下降，使对抗样本的期望风险最小化。

对模型参数寻优，就是用常规的梯度下降法；关键是如何在局部找到原始样本的对抗样本，这个极大值问题。

寻找最优的对抗样本，常用的有两种方法：Fast Gradient Sign Method（FGSM）和Projected Gradient Decent（PGD）方法。

文中有一个有趣的结论是，模型越大，通过本方法获得的效果越好。我原本认为的是，模型对抗攻击鲁棒性差，可能是因为模型复杂导致了过拟合；但文章给出的结论正好相反，作者给出的原因如下图所示。

论文复现赛：对抗攻击 -

可以这样理解，文中的方法在客观上等效于随机引入了大量样本参与训练，epsilon邻域越大，参与训练的样本量越大，模型规模也应该同步增加。

论文链接：Towards Deep Learning Models Resistant to Adversarial Attacks

二、复现精度

基于paddlepaddle深度学习框架，对文献算法进行复现后，汇总各测试条件下的测试精度，如下表所示。

任务 本项目精度 原文献精度
PGD-steps100-restarts20-sourceA 92.555% 89.3%
PGD-steps100-restarts20-sourceA‘ 97.3955% 95.7%
PGD-steps40-restarts1-sourceB 97.22% 96.4%

超参数配置如下：

超参数名 设置值
lr 0.0003
batch_size 128
epochs 50
alpha 0.01
steps 100
steps 100/40
restarts 20
epsilon 0.3

三、数据集

本项目使用的是MNIST数据集。

MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。

该数据集为美国国家标准与技术研究所（National Institute of Standards and Technology (NIST)）发起整理，一共统计了来自250个不同的人手写数字图片，其中50%是高中生，50%来自人口普查局的工作人员。该数据集的收集目的是希望通过算法，实现对手写数字的识别。

数据集链接：MNIST

四、环境依赖

  • 硬件：

    • x86 cpu
    • NVIDIA GPU

  • 框架：

    • PaddlePaddle = 2.1.2

  • 其他依赖项：

    • numpy==1.19.3
    • matplotlib==3.3.4

五、快速开始

1、执行以下命令启动训练：

python train.py --net robust --seed 0

建立robust network，运行完毕后，模型参数文件保存在./checkpoints/MNIST/目录下，手动将该文件保存至./checkpoints/MNIST_Robust_Model目录下。

简小派 简小派

简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。

简小派 123 查看详情 简小派 In [ ] 
%cd /home/aistudio/TDLMRAAI_paddle/
!python train.py --net robust --seed 0

python train.py --net robust --seed 10 建立不同参数的network，用于黑盒攻击A

建立不同参数的network，运行完毕后，模型参数文件保存在./checkpoints/MNIST/目录下，手动将该文件保存至./checkpoints/MNIST_BlackboxA目录下。

In [2] 
%cd /home/aistudio/TDLMRAAI_paddle/
!python train.py --net robust --seed 10
/home/aistudio/TDLMRAAI_paddle
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/__init__.py:107: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import MutableMapping
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/rcsetup.py:20: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import Iterable, Mapping
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/colors.py:53: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import Sized
/home/aistudio/TDLMRAAI_paddle/helper.py:13: UserWarning: 
This call to matplotlib.use() has no effect because the backend has already
been chosen; matplotlib.use() must be called *before* pylab, matplotlib.pyplot,
or matplotlib.backends is imported for the first time.

The backend was *originally* set to 'module://ipykernel.pylab.backend_inline' by the following code:
  File "train.py", line 9, in <module>
    import helper
  File "/home/aistudio/TDLMRAAI_paddle/helper.py", line 2, in <module>
    import matplotlib.pyplot as plt
  File "/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/pyplot.py", line 71, in <module>
    from matplotlib.backends import pylab_setup
  File "/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/backends/__init__.py", line 16, in <module>
    line for line in traceback.format_stack()


  matplotlib.use('Agg')
Time passed [minutes]: 0.00.     execution date (d/m/y): 17/08/2025, 15:12:33
Time passed [minutes]: 0.00.     Dataset name: MNIST
Time passed [minutes]: 0.00.     checkpoints folder: ./checkpoints/MNIST
Time passed [minutes]: 0.00.     s*e checkpoints: True
Time passed [minutes]: 0.00.     load checkpoints: False
Time passed [minutes]: 0.00.     results folder: ./results_folder/MNIST
Time passed [minutes]: 0.00.     show results:  False
Time passed [minutes]: 0.00.     s*e results:  False
Time passed [minutes]: 0.00.     seed: 10
Time passed [minutes]: 0.00.     execution device: CUDAPlace(0)
W0817 15:12:37.464154  2714 device_context.cc:404] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.0, Runtime API Version: 10.1
W0817 15:12:37.468314  2714 device_context.cc:422] device: 0, cuDNN Version: 7.6.
Time passed [minutes]: 0.11.     Train model on MNIST-ORIGIN-NET
Time passed [minutes]: 0.11.     
Full Train(training on all training dataset) with selected hp: {'lr': 0.0003, 'batch_size': 128, 'alpha': 0.01, 'steps': 100, 'epsilon': 0.3}
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/dygraph/varbase_patch_methods.py:382: UserWarning: Warning:
tensor.grad will return the tensor value of the gradient. This is an incompatible upgrade for tensor.grad API.  It's return type changes from numpy.ndarray in version 2.0 to paddle.Tensor in version 2.1.0.  If you want to get the numpy value of the gradient, you can use :code:`x.grad.numpy()` 
  warnings.warn(warning_msg)
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/tensor/creation.py:125: DeprecationWarning: `np.object` is a deprecated alias for the builtin `object`. To silence this warning, use `object` by itself. Doing this will not modify any beh*ior and is safe. 
Deprecated in NumPy 1.20; for more details and guidance: https://numpy.org/devdocs/release/1.20.0-notes.html#deprecations
  if data.dtype == np.object:
Time passed [minutes]: 2.50.     Epoch 1. Train adversarial accuracy: 0.054538.Train accuracy: 0.21,  Train loss:  2.57

Time passed [minutes]: 4.85.     Epoch 2. Train adversarial accuracy: 0.130375.Train accuracy: 0.43,  Train loss:  2.29

Time passed [minutes]: 7.27.     Epoch 3. Train adversarial accuracy: 0.286514.Train accuracy: 0.76,  Train loss:  2.05

Time passed [minutes]: 9.65.     Epoch 4. Train adversarial accuracy: 0.368876.Train accuracy: 0.87,  Train loss:  1.81

Time passed [minutes]: 11.98.     Epoch 5. Train adversarial accuracy: 0.429538.Train accuracy: 0.90,  Train loss:  1.60

Time passed [minutes]: 14.32.     Epoch 6. Train adversarial accuracy: 0.486385.Train accuracy: 0.92,  Train loss:  1.42

Time passed [minutes]: 16.65.     Epoch 7. Train adversarial accuracy: 0.530661.Train accuracy: 0.93,  Train loss:  1.28

Time passed [minutes]: 18.98.     Epoch 8. Train adversarial accuracy: 0.568308.Train accuracy: 0.94,  Train loss:  1.16

Time passed [minutes]: 21.33.     Epoch 9. Train adversarial accuracy: 0.600074.Train accuracy: 0.94,  Train loss:  1.08

Time passed [minutes]: 23.75.     Epoch 10. Train adversarial accuracy: 0.622018.Train accuracy: 0.94,  Train loss:  1.01

Time passed [minutes]: 26.16.     Epoch 11. Train adversarial accuracy: 0.643901.Train accuracy: 0.95,  Train loss:  0.96

Time passed [minutes]: 28.60.     Epoch 12. Train adversarial accuracy: 0.665317.Train accuracy: 0.95,  Train loss:  0.90

Time passed [minutes]: 30.99.     Epoch 13. Train adversarial accuracy: 0.683136.Train accuracy: 0.95,  Train loss:  0.86

Time passed [minutes]: 33.43.     Epoch 14. Train adversarial accuracy: 0.696867.Train accuracy: 0.96,  Train loss:  0.82

Time passed [minutes]: 35.83.     Epoch 15. Train adversarial accuracy: 0.718922.Train accuracy: 0.96,  Train loss:  0.77

Time passed [minutes]: 38.21.     Epoch 16. Train adversarial accuracy: 0.743626.Train accuracy: 0.96,  Train loss:  0.71

Time passed [minutes]: 40.60.     Epoch 17. Train adversarial accuracy: 0.764692.Train accuracy: 0.96,  Train loss:  0.66

Time passed [minutes]: 43.01.     Epoch 18. Train adversarial accuracy: 0.781033.Train accuracy: 0.96,  Train loss:  0.61

Time passed [minutes]: 45.42.     Epoch 19. Train adversarial accuracy: 0.794921.Train accuracy: 0.96,  Train loss:  0.58

Time passed [minutes]: 47.80.     Epoch 20. Train adversarial accuracy: 0.808735.Train accuracy: 0.96,  Train loss:  0.54

Time passed [minutes]: 50.19.     Epoch 21. Train adversarial accuracy: 0.819841.Train accuracy: 0.97,  Train loss:  0.51

Time passed [minutes]: 52.60.     Epoch 22. Train adversarial accuracy: 0.835027.Train accuracy: 0.97,  Train loss:  0.47

Time passed [minutes]: 54.99.     Epoch 23. Train adversarial accuracy: 0.850030.Train accuracy: 0.97,  Train loss:  0.43

Time passed [minutes]: 57.41.     Epoch 24. Train adversarial accuracy: 0.868759.Train accuracy: 0.97,  Train loss:  0.38

Time passed [minutes]: 59.80.     Epoch 25. Train adversarial accuracy: 0.879603.Train accuracy: 0.97,  Train loss:  0.35

Time passed [minutes]: 62.17.     Epoch 26. Train adversarial accuracy: 0.885767.Train accuracy: 0.97,  Train loss:  0.33

Time passed [minutes]: 64.56.     Epoch 27. Train adversarial accuracy: 0.890181.Train accuracy: 0.97,  Train loss:  0.32

Time passed [minutes]: 66.95.     Epoch 28. Train adversarial accuracy: 0.894540.Train accuracy: 0.97,  Train loss:  0.31

Time passed [minutes]: 69.33.     Epoch 29. Train adversarial accuracy: 0.899015.Train accuracy: 0.97,  Train loss:  0.30

Time passed [minutes]: 71.73.     Epoch 30. Train adversarial accuracy: 0.900337.Train accuracy: 0.98,  Train loss:  0.29

Time passed [minutes]: 74.19.     Epoch 31. Train adversarial accuracy: 0.903568.Train accuracy: 0.98,  Train loss:  0.28

Time passed [minutes]: 76.72.     Epoch 32. Train adversarial accuracy: 0.905889.Train accuracy: 0.98,  Train loss:  0.27

Time passed [minutes]: 79.12.     Epoch 33. Train adversarial accuracy: 0.906944.Train accuracy: 0.98,  Train loss:  0.27

Time passed [minutes]: 81.50.     Epoch 34. Train adversarial accuracy: 0.908571.Train accuracy: 0.98,  Train loss:  0.27

Time passed [minutes]: 83.87.     Epoch 35. Train adversarial accuracy: 0.908443.Train accuracy: 0.98,  Train loss:  0.26

Time passed [minutes]: 86.32.     Epoch 36. Train adversarial accuracy: 0.909648.Train accuracy: 0.98,  Train loss:  0.26

Time passed [minutes]: 88.70.     Epoch 37. Train adversarial accuracy: 0.911075.Train accuracy: 0.98,  Train loss:  0.26

Time passed [minutes]: 91.14.     Epoch 38. Train adversarial accuracy: 0.912408.Train accuracy: 0.98,  Train loss:  0.26

Time passed [minutes]: 93.64.     Epoch 39. Train adversarial accuracy: 0.912608.Train accuracy: 0.98,  Train loss:  0.25

Time passed [minutes]: 96.08.     Epoch 40. Train adversarial accuracy: 0.912519.Train accuracy: 0.98,  Train loss:  0.25

Time passed [minutes]: 98.48.     Epoch 41. Train adversarial accuracy: 0.914440.Train accuracy: 0.98,  Train loss:  0.25

Time passed [minutes]: 100.91.     Epoch 42. Train adversarial accuracy: 0.915734.Train accuracy: 0.98,  Train loss:  0.24

Time passed [minutes]: 103.34.     Epoch 43. Train adversarial accuracy: 0.917128.Train accuracy: 0.98,  Train loss:  0.24

Time passed [minutes]: 105.77.     Epoch 44. Train adversarial accuracy: 0.917283.Train accuracy: 0.98,  Train loss:  0.24

Time passed [minutes]: 108.19.     Epoch 45. Train adversarial accuracy: 0.919504.Train accuracy: 0.98,  Train loss:  0.23

Time passed [minutes]: 113.07.     Epoch 47. Train adversarial accuracy: 0.920781.Train accuracy: 0.98,  Train loss:  0.23

Time passed [minutes]: 115.47.     Epoch 48. Train adversarial accuracy: 0.922358.Train accuracy: 0.98,  Train loss:  0.22

Time passed [minutes]: 117.85.     Epoch 49. Train adversarial accuracy: 0.923474.Train accuracy: 0.99,  Train loss:  0.22

Time passed [minutes]: 120.26.     Epoch 50. Train adversarial accuracy: 0.924007.Train accuracy: 0.99,  Train loss:  0.22

Time passed [minutes]: 120.26.     training selected hyperparams: {'lr': 0.0003, 'batch_size': 128, 'alpha': 0.01, 'steps': 100, 'epsilon': 0.3}
Time passed [minutes]: 120.27.     %accuracy on attack: 0.9287109375 with hp: {'epsilon': 0.3}
Time passed [minutes]: 120.27.     FGSM attack selected hyperparams: {'epsilon': 0.3}
Time passed [minutes]: 120.38.     %accuracy on attack: 0.8938802083333334 with hp: {'alpha': 0.01, 'steps': 100, 'epsilon': 0.3}
Time passed [minutes]: 120.38.     PGD attack selected hyperparams: {'alpha': 0.01, 'steps': 100, 'epsilon': 0.3}
Time passed [minutes]: 120.99.     TEST SCORES of MNIST-ORIGIN-NET with PGD adversarial training:
Time passed [minutes]: 120.99.     accuracy on test:                         0.9807
Time passed [minutes]: 120.99.     accuracy on FGSM constructed examples:    0.946
Time passed [minutes]: 120.99.     accuracy on PGD constructed examples:     0.9163
Time passed [minutes]: 120.99.     s*e network to ./checkpoints/MNIST/MNIST-ORIGIN-NET with PGD adversarial training.pdparams

python train.py --net diff_arch --seed 0 建立不同架构的network，用于黑盒攻击B

建立不同架构的network，运行完毕后，模型参数文件保存在./checkpoints/MNIST/目录下，手动将该文件保存至./checkpoints/MNIST_BlackboxB目录下。

In [ ] 
%cd /home/aistudio/TDLMRAAI_paddle/
!python train.py --net diff_arch --seed 0

2、执行以下命令进行评估

python test.py --method white --num_restarts 20 用于白盒测试，对应PGD-steps100-restarts20-sourceA

In [ ] 
%cd /home/aistudio/TDLMRAAI_paddle/
!python test.py --method white --num_restarts 20

python test.py --method blackA --num_restarts 20 用于网络架构已知，参数未知的黑盒测试，对应PGD-steps100-restarts20-sourceA’

In [ ] 
%cd /home/aistudio/TDLMRAAI_paddle/
!python test.py --method blackA --num_restarts 20

python test.py --method blackB --num_restarts 1 用于网络架构未知黑盒测试，对应PGD-steps40-restarts1-sourceB

In [ ] 
%cd /home/aistudio/TDLMRAAI_paddle/
!python test.py --method blackB --num_restarts 1

六、实验数据比较及复现心得

1、实验数据比较

在不同的超参数配置下，模型的收敛效果、达到的精度指标有较大的差异，以下列举不同超参数配置下，实验结果的差异性，便于比较分析：

（1）学习率：

原文献采用的优化器与本项目一致，为Adam优化器，原文献学习率设置为0.0001，本项目经调参发现， 学习率设置为0.0003能够更快、更好地收敛。不同学习率在训练时，对攻击样本的精度和loss函数如下图所示。论文复现赛：对抗攻击 -

（2）训练时，是否加入原始样本：

根据本项目所参考的 repo 描述，训练时加入原始样本，有利于模型精度的提高。本项目分别在相同超参数配置下，比较了是否加入原始样本进行训练的实验结果，如下表所示。

测试项 add origin samples no original samples
测试集ACC 98.86% 98.56%
FGSM攻击ACC 96.17% 96.31%
PGD攻击ACC 92.45% 93.44%

原文献作者算法，训练时只针对生成的对抗样本，训练时不加入原始样本。通过上表对比数据可知， 增加原始样本，有利于微小提升真实样本的准确率（0.3%），但会导致攻击样本准确率略有下降。

但总体上，对指标影响很小。

（3）initialer

（4）batch_size

（5）epoch轮次

本项目训练时，采用的epoch轮次为50。LOSS和对抗准确率基本稳定，模型处于收敛状态，如下图所示。 论文复现赛：对抗攻击 -

2、复现心得

本次论文复现，由于论文作者并未给出原始的模型参考实现，仅提供了部分基于TensorFlow的部分代码，复现难度比较大。 前期除了对文献本身研读以外，同时在网上查阅了很多资料，以及同领域的相似实现代码。论文复现过程中， 所学到的领域知识，令我获益匪浅，对对抗攻击方向的研究也有了更深入的理解。

纸上得来终觉浅，绝知此事要躬行。古人诚不欺我！

除了文献本身的理论学习，在项目实现过程中，细致比较了pytorch和paddle框架的实现异同。 譬如，模型的初始化方式，pytorch默认采用kaiming_normal进行初始化；而paddle默认采用X*ier_normal。 对于一般的网络训练，仅仅初始化部分的微小差异通常不会引起大问题，但项目似有不同。

本项目开始使用paddle的默认初始化，即X*ier_normal，通常这种方式在大多数网络下都是最佳的初始化配置方式。但本项目在X*ier_normal初始化后， 网络收敛速度极慢，精度也比较差，迟迟不能达到论文指标。经反复研究比较，改用kaiming_normal后，才真正与pytorch对齐，精度也达到了理想状态。

七、模型信息

训练完成后，模型保存在checkpoints目录下。

训练日志保存在results_folder目录下，测试日志保存在test_results_folder目录下。

信息 说明
发布者 hrdwsong
时间 2025.08
框架版本 Paddle 2.1.2
应用场景 对抗训练
支持硬件 GPU、CPU
github地址 https://github.com/hrdwsong/TDLMR2AA-Paddle

以上就是论文复现赛：对抗攻击的详细内容，更多请关注其它相关文章！


# 越大  # 西宁网站推广大概收费  # 分析淘宝网站内容优化  # 律师网站建设基本流程  # 推广营销成本  # 帮我推广app的网站  # 贵阳抖音seo哪家好做  # 保定营销网站建设选择  # 福清市场推广营销效果如何  # 营销智慧直播怎么做推广  # 信赖的网站建设  # 情况下  # 将该  # python  # 都是  # 如下图  # 一言  # 目录下  # 所示  # 的是  # 中文网  # type  # udio  # follow  # ai  # git 


相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】


相关推荐： 有 ARM 和 X86 两个版本，香橙派游戏掌机细节曝光  南京制造的国产工业机器人：在外资品牌竞争中突围，年销售1.8万台  微软 GitHub Copilot 编程助手被投诉：换口吻改写公共代码来躲版权  两架海燕号无人机交付中国气象局 助力建设国家级机动气象观测业务  联通发布鸿湖图文AI大模型1.0，可实现以文生图  美图设计室2.0新增哪些功能  央视报道！星纪魅族集团车载人机交互技术成世界移动通信大会焦点  尼康尼克尔 Z 180-600mm f/5.6-6.3 VR 镜头发布，12499 元  AI大模型产品集体奔赴高考考场，教育赛道的讯飞星火能赢吗？  NTU、上海AI Lab整理300+论文：基于Transformer的视觉分割最新综述出炉  科技数码圈的新物种 乐天派桌面机器人 AI +安卓+机器人 首发价1799元  谷歌推出 AI 反洗钱工具，可将金融机构内部风险预警准确率提高2至4倍  最大助力35公斤 外骨骼机器人或在养老、医疗领域“大展身手”  给小朋友最好的科技礼物：乐天派桌面机器人  360发布数字安全和人工智能的强大结合：360安全大模型  AI框架生态峰会本周开幕 华为昇腾“朋友圈”再聚首 全球首个全模态大模型将登场  小红书陷入麻烦！被指控未经许可使用用户图片进行AI训练  天翼云在国际AI顶会大模型挑战赛中获得冠军  微软AR/VR专利提出使用时间复用谐振驱动产生双极性电源  7大探索区域打造沉浸式玩乐“元宇宙” 昆明京东MALL未来科技探索官全城招募中  Valve Index VR 头显销量下滑，上市四年的长青树渐失光彩  尼康尼克尔Z 180-600mm f/5.6-6.3 VR镜头发布：12499元 拍鸟神器  应用生成式人工智能技术改善农业产业  英国前首相：AI可能被用来制造“生物恐怖武器”  微软Xbox称VR和AR还需要时间 先玩大的  2025WRC世界机器人大赛锦标赛（烟台）收官！斯坦星球勇夺VEX赛项冠亚军！  如何提高集群协作效率？中外团队合作研发基于均值偏移的机器人队形控制策略  埃森哲俞毅：AI时代我们需要新的“摩尔定律”  世界人工智能大会上，科大讯飞宣布与华为联手  上海发布大模型政策 打造AI“模”都  人才智能平台转型中的人工智能的关键角色  GPT-4最全攻略来袭！OpenAI官方发布，六个月攒下来的使用经验都在里面了  360发布AI数字人广场，可同孙悟空、爱因斯坦等古今中外角色对话  OpenAI大神Karpathy最新分享：为什么OpenAI内部对AI Agents最感兴趣  机构：边缘AI或是当前预期差最大的AI方向  AI生成新闻网站数量激增，正在疯狂赚取广告收入  猿辅导推出Motiff，整合三大AI功能，助力UI设计生产力革新  “木头姐”：特斯拉的人工智能训练——“赢家通吃”的机会  英伟达的AI领域垄断地位：一直无法撼动吗？  亚马逊确认今年不会举办 re:MARS 机器人和人工智能大会  中国电信AI能力通过国家级金融领域权威认证并荣膺AI国际头部竞赛冠军  原小米 9 号员工李明打造全球首款 AI 安卓桌面机器人  万兴播爆桌面端上线，支持AI数字人搜索、视频编辑等功能  云米Smart 2E AI立式空调开启预售：新三级能效，到手价3899元  首个算网生态体！中国移动元宇宙产业联盟正式成立  笔神作文声讨学而思AI大模型 称用“爬虫”技术盗取数据  探展WAIC |万向区块链杜宇：不存在单一技术的iPhone时刻，Web3.0核心将基于AI+区块链+物联网  2025 WAIC｜美团无人机发布第四代新机型  英特尔张宇：边缘计算在整个AI生态系统中扮演重要角色  Yann LeCun团队新研究成果：对自监督学习逆向工程，原来聚类是这样实现的 

上一篇：豆包AI编程技巧分享 豆包AI开发工具使用

返回列表

下一篇：PointPillars：基于点云的3D快速目标检测网络

400 128 6709
E-mail

contact@tlftec.cn

扫一扫，添加微信

©  云南淘乐房科技有限公司 版权所有  滇ICP备2025071560号  

云南淘乐房科技有限公司 云南淘乐房科技有限公司 云南淘乐房科技有限公司 云南淘乐房科技有限公司 云南淘乐房科技有限公司 云南淘乐房科技有限公司 云南淘乐房科技有限公司 云南淘乐房科技有限公司 云南淘乐房科技有限公司 云南淘乐房科技有限公司