tag 神經網絡

標籤
貢獻47
114
07:19 PM · Oct 26 ,2025
deephub 頭像 yuhaibao324 頭像 huamingshixunkeji 頭像 lab4ai 頭像 u_16099169 頭像 lanyiyun666 頭像 u_13303 頭像 u_16213590 頭像 u_16099165 頭像 u_16099269 頭像 u_12855 頭像 u_16213706 頭像

@神經網絡 / 博客 RSS 訂閱

u_16213640 頭像

mob64ca1405d568 - HAO 人 物體 動作預測 計算機視覺任務

作者|VVingerfly 3D人體姿態和形狀估計在最近幾年是一個重要的研究熱點，但大部分工作僅僅關注人體部分，忽略了手部動作，港中文聯合Facebook AI研究院提出了一種從單張圖片同時估計人體姿態和手部動作的新方法，展示效果好似科學怪物。 如下圖左下和右下所示，易看出本文提出的方法姿態估計效果更好。

機器學習 , 神經網絡 , 人工智能 , 深度學習 , 計算機視覺

收藏 評論

deephub 頭像

deephub - Neural ODE原理與PyTorch實現：深度學習模型的自適應深度調節

對於神經網絡來説，我們已經習慣了層狀網絡的思維：數據進來，經過第一層，然後第二層，第三層，最後輸出結果。這個過程很像流水線，每一步都是離散的。 但是現實世界的變化是連續的，比如燒開水，誰的温度不是從30度直接跳到40度，而是平滑的上生。球從山坡滾下來速度也是漸漸加快的。這些現象背後都有連續的規律在支配。 微分方程就是描述這種連續變化的語言。它不關心某個時刻的具體數值，而是告訴你"變化的速度"。比如

神經網絡 , pytorch , 人工智能 , 深度學習

收藏 評論

huamingshixunkeji 頭像

華明視訊科技 - 2025年國內口碑不錯的智能閘口系統廠家推薦

隨着智慧物流、智慧口岸建設的不斷深入，智能閘口作為物流鏈的關鍵節點，其效率和準確性直接關係到整個作業流程的順暢。2025年，面對市場上眾多的智能閘口系統供應商，企業該如何選擇一家既靠譜又專業的合作伙伴？今天，我們就為大家推薦兩家在業內擁有極佳口碑和深厚技術底藴的深圳企業。 一、孚為智能科技 如果您追求的是一家技術紮實、深耕垂直領域的高科技企業，那麼深圳市孚為智能科技有限公司絕對是一個值

機器學習 , 圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - Orion-MSP：深度學習終於在表格數據上超越了XGBoost

表格數據一直是深度學習的老大難問題。這些年CV和NLP領域被Transformer統治得服服帖帖，但在真正的業務場景裏，面對表格這類的結構化數據，XGBoost這些梯度提升樹還是穩坐釣魚台。 為什麼會這樣？問題其實很簡單。圖像的像素排列有空間位置關係，文本有上下文順序，但表格裏的列是啥順序都行——年齡放第一列和放最後一列沒區別。而且這些列的類型完全不同：有數值、有類別，有的服從正態分佈有的嚴重偏態

神經網絡 , 人工智能 , 深度學習 , Python

收藏 評論

deephub 頭像

deephub - 提升迴歸模型可信度：4種神經網絡不確定性估計方法對比與代碼實現

迴歸任務在實際應用中隨處可見——天氣預報、自動駕駛、醫療診斷、經濟預測、能耗分析，但大部分迴歸模型只給出一個預測值，對這個值到底有多靠譜卻隻字不提。這在某些應用場景下會造成很多問題，比如用模型預測患者血壓，假設輸出是120/80這樣的正常值，表面看沒問題。但如果模型其實對這個預測很不確定呢？這時候光看數值就不夠了。 神經網絡有幾種方法可以在給出預測的同時估計不確定性。 迴歸中的不確定性問題 分類任

神經網絡 , 人工智能 , 深度學習 , Python

收藏 評論

huamingshixunkeji 頭像

華明視訊科技 - 鐵路車號識別裝置：賦能鐵路貨運智能化的核心

在現代化鐵路貨運管理中，效率與準確性是衡量運營水平的關鍵尺度。傳統依賴人工抄錄車號的方式，不僅效率低下、成本高昂，更因人為因素導致數據不準，已成為制約礦區、編組站、貨運站等場景智能化升級的瓶頸。鐵路車號識別裝置，正是為解決這一核心痛點而生的智能化解決方案。 什麼是鐵路車號識別裝置？ 鐵路車號識別裝置是一套基於前沿人工智能深度學習技術的自動化識別系統。它通過高清圖像捕捉與智能分析，對貨運

機器學習 , 圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - vLLM 性能優化實戰：批處理、量化與緩存配置方案

很多團隊把它vLLM 當 demo 跑，但是其實這沒把它系統能力發揮出來。這篇文章將介紹怎麼讓 vLLM 真正幹活——持續輸出高令牌/秒，哪些參數真正有用，以及怎麼在延遲和成本之間做取捨。 先説 vLLM 到底好在哪 vLLM 提供 OpenAI 兼容的 API，核心是 continuous batching 加上 PagedAttention。PagedAttention 用分頁管理 K

神經網絡 , 教程 , 人工智能 , 深度學習 , llama

收藏 評論

deephub 頭像

deephub - 如果你的PyTorch優化器效果欠佳,試試這4種深度學習中的高級優化技術吧

在深度學習領域，優化器的選擇對模型性能至關重要。雖然PyTorch中的標準優化器如 SGD 、 Adam 和 AdamW 被廣泛應用，但它們並非在所有情況下都是最優選擇。本文將介紹四種高級優化技術，這些技術在某些任務中可能優於傳統方法，特別是在面對複雜優化問題時。 我們將探討以下算法： 序列最小二乘規劃（SLSQP） 粒子羣優化（PSO） 協方差矩陣自適應進化策略（CMA-ES） 模擬退

神經網絡 , pytorch , 人工智能 , 深度學習 , 優化

收藏 評論

u_12865 頭像

autohost - 擴散模型Diffusion Models_擴散模型 強化學習

1 模型架構描述 Diffusion-TS的模型結構始於將時間序列數據輸入一個基於Transformer的編碼器進行編碼，以獲得其全局的向量表示。解碼器隨後對這些表示進行解碼，其輸出通過一個權重矩陣進行映射後分流：一部分送入趨勢合成層，另一部分進入傅里葉合成層。輸入全連接神經網絡（FFN）的部分經處理後，對已經過自注意力機制和交叉注意力機制處理的時

數據 , 神經網絡 , 去噪 , 人工智能 , 1024程序員節 , Css , 前端開發 , HTML

收藏 評論

u_16213704 頭像

mob64ca14154457 - 乾貨分享 | 深度學習零基礎進階第二彈 -

Abstract 隱式神經表示 （INR） 已成為使用神經網絡將離散信號編碼為連續、可微函數的強大工具。然而，不幸的是，這些模型通常依賴單體架構來表示高維信息，隨着維度的增長，導致計算成本過高。我們提出了 F-INR，這是一個框架，它依據函數張量分解重新制定 INR 學習，將高維任務分解為輕量級的、特定於軸的子網絡。每個子網絡學習一個低維資料組件（例如，空間或時間）。然後，

數據 , 神經網絡 , 後端開發 , 結構化 , Python

收藏 評論

yuhaibao324 頭像

DeepSeaAI - ChatGLM3微調實戰：基於LLaMA-Factory微調改造企業級知識庫

概述 本文介紹如何使用LLaMA-Factory框架對ChatGLM3模型進行微調，以適應企業級知識庫的問答和交互需求。通過微調，可以使模型更好地理解和迴應特定領域的專業知識。 1. 背景與挑戰 企業知識庫需求：企業通常擁有大量內部文檔、FAQ、產品手冊等，需要智能系統快速準確回答相關問題。 通用模型的侷限性：預訓練模型缺乏特定領域知識，可能產

數據 , 神經網絡 , API , 人工智能 , Json

收藏 評論

senar 頭像

Senar - 機器學習和前端

TL;DR 現階段在前端應用機器學習，要針對合適的場景和需求，尋求特定化、輕量化的模型方案，最終往往有比較不錯的效果。展望未來，隨着硬件設備的迭代更新，用户羣體會有越來越高的 NPU 和高性能 GPU 的設備佔比，再加上 WebGPU、WebNN 這類加速 AI 推理計算的 API 和標準推出，未來的前端應用會大放異彩。 人工智能、機器學習、神經網絡、深度學習...... 這些詞到底是什麼意思？彼

機器學習 , 人臉識別 , tensorflow , 神經網絡 , 深度學習

收藏 評論

u_15907379 頭像

步步為瑩 - 不用懂數學！Python+Keras 快速搭建第一個神經網絡

引言 神經網絡是人工智能和深度學習的核心技術之一，它模擬了人腦的工作方式，通過大量的訓練數據和計算來解決複雜的任務，如圖像分類、語音識別、自然語言處理等。今天，我們將帶你快速搭建一個簡單的神經網絡，使用 Python 和 Keras 庫，完全不需要理解複雜的數學公式和推導。只要跟着步驟走，你就能順利完成自己的第一個神經網絡！ 什麼是 Keras？ Keras 是

數據 , 神經網絡 , 激活函數 , 後端開發 , Python

收藏 評論

deephub 頭像

deephub - Scikit-image 實戰指南：10 個讓 CV 模型更穩健的預處理技巧

在計算機視覺工程落地中我們常遇到一種現象：模型在驗證集上表現完美，但是一旦部署到生產環境準確率卻莫名下跌。這種“性能衰退”往往不源於模型架構本身而是歸咎於預處理管道的脆弱性。數據類型的隱式轉換、縮放算法的細微差異、或是未被矯正的幾何形變，這些看似微不足道的工程細節往往是系統失效的根源。 相比於盲目調整超參數，建立一套確定性強的預處理流程性價比更高。本文總結了基於 scikit-image 的十個工

圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - 氛圍編程陷阱：為什麼AI生成代碼正在製造大量"偽開發者"

這是一篇再國外討論非常火的帖子，我覺得不錯所以把它翻譯成了中文。 大語言模型和ai只能提的發展衍生出了一個東西叫"vibe coding"（氛圍編程）——用自然語言描述需求，讓AI生成代碼，看起來不用寫代碼就能做出產品。 但這玩意兒本質上是個陷阱。它培養的不是開發者，而是一羣只會生成代碼、卻看不懂也改不了代碼的"中間商"。 對新手來説，這不是什麼職業捷徑。這是條斷頭路，而且很多人正往裏衝。 氛圍編

觀點 , llm , 神經網絡 , 人工智能 , 深度學習

收藏 評論

u_16099283 頭像

編程之翼 - tensorflow的主要用途

本章簡單介紹了TensorFlow的安裝以及使用。一些細節需要在後續的應用中慢慢把握。 TensorFlow並不僅僅侷限於神經網絡和機器學習，它甚至可以用於量子物理仿真。 TensorFlow的優勢： 可運行於諸多操作系統 提供一個叫做TF.Learn（tensorflow.contrib.learn）的簡單的Python API，和Sciki

機器學習 , tensorflow , 神經網絡 , API , 人工智能 , tensorflow的主要用途

收藏 評論

huamingshixunkeji 頭像

華明視訊科技 - 智能卡口系統解決方案：構築現代化海關監管的智慧防線

隨着全球貿易的飛速發展，海關卡口作為貨物進出口的關鍵節點，其監管效率與準確性直接關係到國門安全與通關流速。傳統依賴人工查驗的模式已難以應對日益增長的流量與複雜的監管需求。為此，我們推出全新的智能卡口系統解決方案，通過深度融合物聯網、自動識別與數據智能技術，實現卡口監管的無人化、自動化與智能化，為構建智慧海關提供堅實的技術底座。 智能卡口系統解決方案核心：全流程無人化智能監管 本方案旨在

機器學習 , 圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

u_16099169 頭像

編程夢想家 - （八）神經網絡-線性層及其他層介紹_神經網絡線性層

20.1打開pytorch官網 1.打開torch.nn-Normalization Layers 找到BatchNorm2d： 點擊查看代碼 class torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stat

數據 , 神經網絡 , Css , 2d , 前端開發 , HTML

收藏 評論

huamingshixunkeji 頭像

華明視訊科技 - 想知道海關智能卡口系統廠家靠不靠譜，記住以下五點，絕對不踩坑！

各位關心口岸智能化建設的同仁們，大家好！我是華明視訊。我們深耕海關智能監管領域多年，見證了太多企業在選擇卡口系統時踩坑、交學費。一套不靠譜的系統，輕則導致通關效率低下，重則引發監管風險，損失難以估量。 今天，我們不吹噓自己，只想作為行業裏的“老炮兒”，給大家分享五個硬核的評判標準。想知道一個海關智能卡口系統廠家靠不靠譜，照着這五點去問、去看，心裏立馬就有底！ 第一點：看“身份證”與“履

圖像識別 , 神經網絡 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

u_16099169 頭像

編程夢想家 - 實時實例分割最新

本文主要解決視頻目標分割領域的一個基本問題：如何使分割模型能夠有效地適應特定視頻以及在線目標的外觀變化。 解決辦法：提出一個圖存儲網絡來對分割模型進行“學習更新”。 大概流程分為兩步：首先構建一個由全連接圖構成的情景存儲網絡，將幀存儲為節點，並通過邊捕獲跨幀的相關性。然後，可學習的控制器被嵌入以簡化內存的讀寫。 相比於以往模型的優勢：結構化的外部

機器學習 , 實時實例分割最新 , 神經網絡 , 人工智能 , 深度學習 , 計算機視覺

收藏 評論

huamingshixunkeji 頭像

華明視訊科技 - 岸橋自動理貨系統：AI視覺技術重塑港口智能作業新標準

在現代化港口運營中，效率、安全與準確性是理貨業務的核心挑戰。岸橋自動理貨系統應運而生，通過融合人工智能、邊緣計算與高清視覺技術，實現對集裝箱信息的實時感知、識別與處理，推動港口作業進入全面智能化時代。 系統核心架構與技術優勢 本系統以高性能高清攝像機和嵌入式AI工控機為核心硬件，依託邊緣計算架構，將算法部署在作業最前端。系統通過在岸橋上直接進行視覺採集與實時分析，有效避免了傳統視頻傳輸

數據挖掘 , 圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

u_16099253 頭像

數據解碼者 - 【深度學習實戰02】——VGG網絡提取輸入圖像的特徵並顯示特徵圖_輸入圖像,從圖像中學習特徵,輸出圖像

深度學習的效果越來越好,在一些方面甚至超過了人類水平,為了更好地理解神經網絡如何識別特定模式的圖像,以及為什麼識別結果可以如此準確,需要從更深層次,即識別過程去了解神經網絡.一旦瞭解了識別過程,我們就可以對神經網絡做進一步的改進,另一方面也有助於人類理解機器作出決策的過程及原因,這一點在智能醫療中顯得尤為重要. 特徵圖的顯著激活 一旦神經網絡中的某個特徵圖

數據集 , 神經網絡 , 深度神經網絡 , 人工智能

收藏 評論

deephub 頭像

deephub - 從零開始構建圖注意力網絡：GAT算法原理與數值實現詳解

圖數據在機器學習中的地位越來越重要。社交網絡的用户關係、論文引用網絡、分子結構，這些都不是傳統的表格或序列數據能很好處理的。現實世界中實體之間的連接往往承載着關鍵信息。 圖神經網絡(GNN)的出現解決了這個問題，它讓每個節點可以從鄰居那裏獲取信息來更新自己的表示。圖卷積網絡(GCN)是其中的經典代表，但GCN有個明顯的限制：所有鄰居節點的貢獻都是相等的（在歸一化之後）。 這個假設在很多情況下並不合

神經網絡 , 人工智能 , 深度學習 , 圖論

收藏 評論