模型
别名：convolutional neural network
卷积神经网络，作为对比基线模型。
已跟踪 6 条高相关材料
最近变化
2026-10-14 · Apple提出基于预训练语音编码器的轻量级CS检测方法，Whisper-small在14种语言对上达到0.798的F1分数。
为什么值得关注
CNN 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Code-Switching Detection via Language-Selective Dimensions in Speech Foundation Models
Apple Machine Learning Research · 8.5 分
Apple提出利用预训练语音编码器的语言选择性维度直接检测代码切换，Whisper-small在CS-FLEURS数据集上达到0.798的F1分数。
Unified Neural Scaling Laws
AK(@_akhaliq) · 7.5 分
Unified Neural Scaling Laws 提出了一种统一的神经网络缩放定律，适用于多种神经架构，包括 CNN、RNN 和 Transformer。该定律揭示了神经网络性能与参数量之间的关系，为模型设计和优化提供了理论依据。
Full article: https://t.co/6oktuoyuvv
cohere(@cohere) · 5 分
该推文为Cohere公司宣传内容，未提供技术深度，主要强调多伦多AI发展与公司参与，对工程师参考价值有限。
已收录 6 条与 CNN 相关的内容，按评分排序。
Apple提出利用预训练语音编码器的语言选择性维度直接检测代码切换，Whisper-small在CS-FLEURS数据集上达到0.798的F1分数。
入选理由：Apple提出基于预训练语音编码器的轻量级CS检测方法，Whisper-small在14种语言对上达到0.798的F1分数。
Unified Neural Scaling Laws proposes a unified neural network scaling law that applies to various neural architectures, including CNN, RNN, and Transformer. The law reveals the relationship between neural network performance and parameter quantity, providing a theoretical basis for model design and optimization.
入选理由：Unified Neural Scaling Laws 提出了一种统一的神经网络缩放定律，适用于多种神经架构。
该推文为Cohere公司宣传内容，未提供技术深度，主要强调多伦多AI发展与公司参与，对工程师参考价值有限。
入选理由：文章未涉及具体技术架构或工程实践
推文内容为宣传性质，未提供实质性技术细节，仅提及多伦多AI发展与Cohere公司信息。
入选理由：多伦多正成为AI中心，Cohere自2019年在此发展
This is a social media post where the author invites readers to recommend papers or books for interpretation, promising to generate illustrated articles to solve token consumption issues, with examples involving ViT and CNN comparisons.
入选理由：作者提供代读服务，用户无需消耗自身 Token 即可获取论文解读。
该推文讨论美国公众对以色列态度的剧烈转变，但内容属于政治新闻而非技术领域。
入选理由：该推文讨论美国公众对以色列态度的剧烈转变，但内容属于政治新闻而非技术领域
