tag 權重

標籤
貢獻53
92
03:55 PM · Nov 15 ,2025
u_14682436 頭像 u_16213635 頭像 u_15469972 頭像 u_13357275 頭像 u_16213716 頭像 u_6813689 頭像 u_16099269 頭像 u_16099331 頭像 u_16213708 頭像 u_16213706 頭像 u_16213620 頭像 u_15702012 頭像

@權重 / 博客 RSS 訂閱

u_16213568 頭像

網絡小墨舞風 - 【開源】近期遙感航空影像的檢索、檢測、跟蹤、計數、分類相關工作

Abstract 本文針對遙感圖像中的開放集飛機檢測問題展開研究，該任務要求模型能夠在動態環境下，同時識別已知（經過訓練）和未知（未經過訓練）的目標類別。由於背景複雜且目標分辨率較低，難以在對應位置生成高質量的偽標籤。為此，我們提出了一種基於邊緣信息提取的開放集目標檢測框架（Edge Information Extraction-based Ope

權重 , 人工智能 , 遙感圖像 , 計算機視覺 , 目標檢測 , 前端開發 , Javascript

收藏 評論

u_16099217 頭像

技術博客達人 - 軟工第四次作業——結對編程二_weixin

一、結對探索 1.1 隊伍基本信息 結對編號：2526；隊伍名稱：開發小隊； 學號 姓名 作業博客鏈接

文心一言 , 數據 , 權重 , aigc , 原型設計

收藏 評論

u_13171517 頭像

MonkeyKing_sun - 量化只支持a8w8和w4a8，其中a8w8和w4a8是什麼意思？

量化精度的組合方式，A 是激活 (Activation)，W 是權重 (Weight)，後面的數字是“多少 bit”。 A8W8 是什麼？ A8W8 = 激活 8bit，權重 8bit • A8：前向推理時，每一層算完的中間結果（activation）用 8bit 表示 • W8：模型參數（weight）也用 8bit 存儲

算法 , 加載 , 權重 , 人工智能 , 圖優化 , Css , 前端開發 , HTML

收藏 評論

moonfdd 頭像

福大大架構師每日一題 - 2025-12-22：最小化連通分量的最大成本。用go語言，給出一個連通的無向圖，節點編號為 0 到 n-1，邊集用數組 edges 表示，其中每條邊 edges[i] = [u, v, w] 連接

2025-12-22：最小化連通分量的最大成本。用go語言，給出一個連通的無向圖，節點編號為 0 到 n-1，邊集用數組 edges 表示，其中每條邊 edges[i] = [u, v, w] 連接 u 和 v，權重為 w。允許刪除任意若干條邊，使得剩下的圖被劃分成最多 k 個連通塊（connected components）。 對每個連通塊，把其

golang , 開發語言 , 連通塊 , 權重 , JAVA , 前端開發 , Javascript

收藏 評論

u_17021563 頭像

是嶼小夏呀 - 昇騰平台多模態微調與推理實戰：從理論到落地的完整探索

多模態大模型正在改變AI的應用邊界，從文生圖到文生視頻，從圖像理解到全模態交互，這些能力的背後離不開強大的算力支持和高效的推理框架。 最近我在昇騰平台上完成了一次完整的多模態項目實踐——使用MindSpeed MM進行Qwen2.5-VL模型微調，並通過MindIE SD實現Wan2.1視頻生成模型的高性能推理。 這次經歷讓我深刻體會到，多模態模型的訓練和部署遠比想象中複雜，但昇

Exchange , 服務器 , 權重 , 模態 , Git

收藏 評論

youyacao 頭像

卓伊凡 - 卓伊凡 · 從技術底層拆解AI音樂檢測各個參數的作用和意義以及檢測原理

卓伊凡 · 從技術底層拆解AI音樂檢測各個參數的作用和意義以及檢測原理 以目前最主流的AI檢測工具 AI Song Checker結果為例 卓伊凡 · 從技術底層拆解 AI 音樂檢測工具，到底在“檢測什麼” 我們先把你給出的檢測結果完整擺出來： Detail: Duration: 212 seconds Spectral a

頻譜分析 , 權重 , 人工智能 , 數據分析 , Pure

收藏 評論

u_16492406 頭像

mb65950ac695995 - 十、渲染插幀與 TAA 的關係：累積與去鬼影

Temporal Anti-Aliasing（TAA）通過將多個時間幀的信息累積在一起減輕鋸齒與噪聲。插幀也利用歷史幀，但目標是生成中間幀。兩者常共享重投影與運動向量。若在插幀中引入 TAA 的思想，可以對中間幀進行多幀融合，利用歷史信息提升穩定性。但必須控制鬼影：當運動向量錯誤或遮擋變化時，歷史像素不應參與融合。 去鬼影策略包括： 雙向一致性檢查：前後幀的

光流 , 運動向量 , 權重 , c++ , 後端開發 , c

收藏 評論

u_17578007 頭像

wx690f565d7bc78 - 詳解圖神經網絡：方法與應用（一）

詳解圖神經網絡（GNN）：方法與應用（一） 圖神經網絡（Graph Neural Networks, GNN）是深度學習領域針對非歐幾里得數據（如社交網絡、分子結構、知識圖譜）的核心模型家族。與CNN（處理網格結構圖像）、RNN（處理序列結構文本）不同，GNN能夠天然捕捉圖數據中的節點關聯關係和拓撲結構信息，已成為解決複雜關聯問題的關鍵技術。本系列將分三篇詳解GNN：第一篇

社交網絡 , MySQL , Graph , 權重 , 數據庫

收藏 評論

u_16213620 頭像

mob64ca1401464d - 解讀C++即將迎來的重大更新（一）：C++20的四大新特性 -

第一章：C++20協程與遊戲引擎架構演進 C++20引入的協程特性為高性能系統編程帶來了範式級變革，尤其在遊戲引擎這類對異步任務調度和資源管理高度敏感的領域中展現出巨大潛力。傳統基於回調或狀態機的任務處理方式往往導致代碼分散、可讀性差，而協程允許開發者以同步風格編寫異步邏輯，顯著提升開發效率與維護性。 協程核心機制在引擎中的應用

非阻塞 , 高併發 , 權重 , 後端開發 , Python

收藏 評論

u_16099355 頭像

數據挖掘者 - jQuery源碼分析_LQW

Qwen3 模型用於因果語言建模（Causal Language Modeling, CLM）的主類 Qwen3ForCausalLM，它是整個大模型在推理和訓練階段的核心接口。 🧱 1. 類定義 @auto_docstring class Qwen3ForCausalLM(Qwen3PreTrainedModel, Genera

初始化 , Qwen3 , 權重 , Css , 大模型 , 前端開發 , HTML , Git

收藏 評論

u_11728495 頭像

lk442634939 - AD域控查看LdapSrvpriority和Ldapsrvweight命令

LdapSrvPriority和LdapSrvWeight共同作用時，LdapSrvPriority優先級更高，用於確定域控制器的主順序，相同優先級下再通過LdapSrvWeight按比例分配連接請求。 假設4台域控制器（DC1-DC4）： 優先級設置：DC1（0）、DC2（0）、DC3（10）、DC4（10） 權重設置：DC1（80）、DC2（20

服務器 , yyds乾貨盤點 , 優先級 , 權重 , bc , Windows Server

收藏 評論

u_16099287 頭像

數據科學探索者 - 計算機視覺 - Attention機制（附代碼）_51CTO博客

Softmax函數 Softmax函數用於將值變成一個概率分佈（和為1）。 softmax 的核心作用可以概括為三個方面： 1. 把一組實數轉換成概率分佈 softmax 會把任意向量轉成非負且總和為 1 的結果，常用來表示概率。 這樣模型輸出可以被解釋為不同類別的概率。 2. 放大差異

pytorch , 權重 , 人工智能 , 深度學習 , jquery , 前端開發 , 概率分佈

收藏 評論

u_17587833 頭像

mb6923acc0735dc - 鴻蒙AI實戰之模型優化：端側模型壓縮、量化與加速技術詳解

引言：讓大模型在端側設備"輕裝上陣" 隨着AI大模型參數規模從億級邁向萬億級，如何在資源受限的端側設備上高效部署這些"龐然大物"成為行業核心挑戰。HarmonyOS通過創新的輕量化技術棧，實現了大模型從"龐大笨重"到"小巧精悍"的蜕變。本文將深入解析端側模型壓縮的三大核心技術：剪枝、量化和知識蒸餾，以及它們在HarmonyOS生態中的實戰應用，幫助開發者打造真正"小而強大"

移動開發 , 壓縮率 , 權重 , Android , 結構化

收藏 評論

u_14499 頭像

coolfengsy - fasterrcnn訓練輸出

NMS：Non-Maximum Suppression（非極大值抑制） 假設從一個圖像中得到了2000個region proposals，通過在RCNN和SPP-net之後我們會得到2000*4096的一個特徵矩陣，然後通過N個SVM來判斷每一個region屬於N個類的scores。其中，SVM的權重矩陣大小為4096*N，最後得到2000*N的一個score矩陣（其中，N

機器學習 , 權重 , 人工智能 , fasterrcnn訓練輸出

收藏 評論

u_17590687 頭像

長袖員大表哥 - 如何提高App在App Store的搜索排名？

要提高 App 在 App Store 的搜索排名，核心是做好 ASO（應用商店優化），圍繞蘋果搜索算法關注的關鍵詞相關性、用户行為數據等核心因素，從元數據優化、轉化環節打磨、用户口碑維護等多方面推進，以下是具體可落地的策略： 優化元數據，築牢排名核心基礎元數據是影響 App 搜索排名的關鍵，蘋果算法對標題、副標題、關鍵詞字段的權重傾斜明顯，需精準佈局。

移動開發 , app , 搜索 , 權重 , ios

收藏 評論

u_14682436 頭像

TwcatL - 深度學習中的正則化技術全攻略：從基礎到進階，告別過擬合

在深度學習實踐中，你是否曾遇到過這樣的困境：模型在訓練集上表現完美，準確率高達99%，但一到測試集就“原形畢露”，準確率驟降至60%；模型參數越來越多，訓練過程中損失函數震盪不止，始終無法穩定收斂。這些問題的核心，往往指向同一個“元兇”——過擬合。而過擬合的剋星，正是正則化技術。今天，我們就從正則化的核心原理入手，全面拆解從基礎的L1/L2正則化，到進階的Dropout、早停，再

指尖人生 , 數據 , 權重 , 正則化 , jquery , 前端開發

收藏 評論

u_16213667 頭像

mob64ca140c75c7 - vfl損失公式表達

1. 總述 Focal loss主要是為了解決one-stage目標檢測中正負樣本比例嚴重失衡的問題。該損失函數降低了大量簡單負樣本在訓練中所佔的權重，也可理解為一種困難樣本挖掘。 2. 損失函數形式 Focal loss是在交叉熵損失函數基礎上進行的修改，首先回顧二分類交叉上損失： 是經過激活函數的輸出，所以在0

vfl損失公式表達 , 損失函數 , 權重 , 人工智能 , 計算機視覺 , 目標檢測

收藏 評論

u_16213688 頭像

mob64ca14116c53 - AI 學習必知的十大深度學習方法！

NVIDIA-GPU 標量 / 向量 / 矩陣 / 張量 你提的問題很關鍵，這些概念是理解大模型數據流轉和計算邏輯的基礎。簡單説，它們是不同維度的“數值容器”，在大模型中分別承擔着存儲單個參數、單個特徵、批量特徵和高維複雜特徵的角色。 1. 標量（Scalar）：單個數值，0維 標量是最簡單的“數值容器”，只有大小，沒有方

數組 , 標量 , 權重 , 後端開發 , 人工智能 , 深度學習 , Python

收藏 評論

u_15469972 頭像

mb61c46a7ab1eee - Andrej Karpathy 發佈新任務 nanochat：一個從零開始構建的極簡全棧式 ChatGPT 克隆

剛剛，Andrej Karpathy 推出了他的最新開源項目 nanochat。與之前聚焦於預訓練階段的 nanoGPT 不同，nanochat 給出了一個從頭開始、代碼極簡的全棧式類 ChatGPT 模型的訓練與推理流水線。 整個項目被整合在一個依賴極少的單一代碼庫中，旨在幫助開發者和研究者深入理解大語言模型（LLM）的完整生命週期。 根據 Karpathy 的介

數據 , 語言模型 , 權重 , 後端開發 , Python

收藏 評論

u_16213405 頭像

mob64ca12ea10ec - stable diffusion的預訓練權重文件

stable diffusion的預訓練權重文件是一個關鍵組件，為各種生成模型提供基礎能力。然而，在實踐中，用户在使用這些預訓練模型時可能會遇到各種問題。以下是我對“stable diffusion的預訓練權重文件”問題解決過程的詳細記錄。 在一個AI藝術生成項目中，用户面臨瞭如下的問題： 用户場景還原 用户下載了由多個社區研發的“stabl

設計規範 , 權重 , aigc , 解決方案

收藏 評論

u_16213567 頭像

數碼墨魚 - 剪枝實踐：圖像檢索如何加速和省顯存 ？ -

目錄 寫在前面 一、什麼是MoE 二、MoE 的優勢 1. 參數量巨大但計算量幾乎不變 2. 專家自動分工，能力更豐富（專精化） 3. 訓練效率高 4. 擴展性極強（Scalability） 5. 專家之間天然並行（Parallelism-friendly） 三、MoE 為什麼會變慢？ 1. Router 造成額外計算與

複雜度 , Parallelism , 權重 , Css , 前端開發 , HTML

收藏 評論

u_12218 頭像

棉花糖 - 計算機軟件工程班級簡介,熱點 | 優秀班集體——2015級軟件工程班

一、結對探索（4分）（漢字序號為一級標題，下同） 1.1 隊伍基本信息**（1分）（阿拉伯數字序號為二級標題，下同） 結對編號：；隊伍名稱：； 學號 姓名

HTTP , 權重 , 數據庫 , 後端開發 , Python

收藏 評論

u_16099353 頭像

漫步雲端的豬 - Tensorflow之keras模型建立與訓練

本文通過 MNIST 手寫數字識別案例，詳細講解了 TensorFlow/Keras 模型的搭建、訓練、評估和保存全流程，涵蓋了 Sequential 和函數式 API 兩種模型搭建方式，以及三種主流的模型保存方法。 目錄 一、前期準備：環境搭建與數據集加載 1. TensorFlow環境安裝 2. 加載MNIST數據集

API , 加載 , 權重 , 後端開發 , Python

收藏 評論