tag 人工智能

標籤
貢獻909
935
06:37 AM · Oct 27 ,2025
deephub 頭像 u_13357275 頭像 pannideniupai 頭像 elhix0bg 頭像 xingxingshangdeliushu 頭像 u_15591470 頭像 lab4ai 頭像 u_17579295 頭像 u_17512334 頭像 qingfouai 頭像 u_17567677 頭像 chaoshenjinghyperai 頭像

@人工智能 / 博客 RSS 訂閱

u_16099165 頭像

編程小達人 - 深層神經網絡的優點 神經網絡淺層和深層

深層神經網絡 淺層神經網絡和深層神經網絡的主要區別在於隱藏層的多少。隱藏層的層數越多，神經網絡越深。 深層神經網絡的一些符號定義： L L : 神經網絡的層數 n[l]n[l]: 第l l 層的神經單元個數 a[l]=g[l](z[l])a[l]=g[l](z[l]): 第l l 層的激活

deeplearning.ai , 神經網絡 , 激活函數 , 第1課 , 人工智能 , 深層神經網絡的優點

收藏 評論

u_13527 頭像

bigrobin - auto_increment用不了

有些被稱為存儲説明符（storage class specifier）或cv-限定符（cv-qualifier）的C++關鍵字提供了一些有關存儲的信息。下面是存儲所説明符： * auto (在C++11中不再是説明符); * register; * static; * extern; * t

機器學習 , 限定符 , 人工智能 , 編譯器 , auto_increment用不了 , 代碼塊

收藏 評論

u_15654855 頭像

此星光明 - NLDAS 主要強迫數據 L4 小時 0.125 x 0.125 度 V2.0 (NLDAS_FORA0125_H) 位於 GES DISC

NLDAS Primary Forcing Data L4 Hourly 0.125 x 0.125 degree V2.0 (NLDAS_FORA0125_H) at GES DISC 簡介 本數據集包含北美陸地數據同化系統（NLDAS-2）第二階段的主要逐時強迫數據“文件 A”。數據採用 1/8 度網格間距，時間範圍從 1979 年 1

機器學習 , 數據 , 人工智能 , 深度學習 , 插值 , Css , 前端開發 , HTML

收藏 評論

u_16060192 頭像

HyperAI超神經 - 跨學科創新遠超人類？AI科學家提假設/做實驗/發頂會開啓科學研究新範式

2024 年 8 月，由 Transformer 論文作者之一 Llion Jones 創立的 Sakana AI 公司宣佈推出全球首位「AI 科學家（AI Scientist）」， 通過自主生成研究想法、設計實驗、編寫代碼、執行實驗乃至撰寫論文，並藉助「AI 審稿人」對結果進行評審與改進，形成了完整閉環的科研生態系統。今年 3 月，該系統產出的一篇計算機科學論文通過了 ICLR 202

AI , 人工智能 , 深度學習

收藏 評論

baidusecrity 頭像

百度安全 - 為千行百業植入“安全基因”！百度加入“內生安全生態夥伴計劃”

11月28日，由紫金山實驗室主辦的第五屆網絡空間內生安全學術大會暨IEEE CRESS 2025國際會議在南京啓幕。大會由中國通信學會、中國計算機學會、中國汽車工程學會、中國網絡空間安全學會指導，紫金山實驗室主辦，以“AI+生態構建新挑戰，安全可信新機遇”為主題，集中展現我國在網絡空間內生安全領域的原創突破與產業實踐成果。同時，大會正式啓動“內生安全生態夥伴計劃”，該計劃聯合了百度、奇安信、深信服

網絡安全 , 人工智能 , 大模型

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI科學研究平台：給科研加“智能引擎”，突破創新瓶頸

傳統科研常陷“海量數據難處理、實驗設計憑經驗、重複勞動耗精力”的困境。而AI科學研究平台的出現，用實打實的技術重構科研邏輯，讓科研人員從繁瑣工作中解放出來，聚焦核心創新，讓科學探索更高效、更精準。 這個平台的技術核心是“數據整合-智能分析-輔助決策”的閉環架構。首先，它靠多源數據融合技術，打通文獻數據庫、實驗儀器、傳感器等各類數據源，不管是文本、數值、圖像還是光譜數據，都能自動抓取、

數據 , 上傳 , NLP , 自定義 , 人工智能

收藏 評論

pannideniupai 頭像

雨大王 - 工業互聯網工廠大腦：如何從數據混沌到智能協同？

在現代化工廠裏，每天產生的數據量簡直能嚇人一跳。想象一下，一座大型汽車工廠在一天之內，可能就積累了上億條來自設備、生產線、供應鏈等各個系統的數據。這些數據看似龐大，卻往往像散落的拼圖一樣，格式不一、標準缺失，難以形成統一的分析框架。這種情況，就是所謂的“數據混沌”，也是全球製造業數字化轉型中普遍存在的難題。而解決這一問題的關鍵，正是讓數據從“雜亂無章的原材料”轉變為“可直接使用的工業語言”。

人工智能 , 深度學習

收藏 評論

u_16970152 頭像

求知上進 - Python函數中的關鍵字詳細介紹

1.前言 1.1 關鍵字參數的概念與核心價值 在Python函數設計中，關鍵字參數是一種強大而靈活的參數傳遞機制，它允許調用者使用參數名稱來指定值，而非依賴於參數在函數定義中的位置順序。這種設計極大提升了代碼的可讀性和維護性，尤其在處理具有多個可選參數的函數時。關鍵字參數的核心價值在於提供一種明確、意圖-driven的參數綁定方式，避免了位置參數可能帶來的混淆和錯誤。

默認參數 , 人工智能 , 深度學習 , ide , Python

收藏 評論

u_13229 頭像

bingfeng - 大模型 temperature 設置為0

儘管近年來卷積神經網絡很大地促進了計算機視覺的發展，但一個重要方面很少被關注：圖像大小對被訓練的任務的準確性的影響。在本文介紹了一篇谷歌在ICCV2021的工作，作者提出了一個可學習的調整器模型（resizer model）來提高模型的性能。 【寫在前面】 儘管近年來卷積神經網絡很大地促進了計算機視覺的發展，但一個重要方面很少被關注：圖像大小

機器學習 , 算法 , 編程語言 , 人工智能 , 計算機視覺

收藏 評論

u_16116809 頭像

wx6464351503832 - GPT-5.1 發佈：更智能也更“人性化“的 AI 助手

2025年11月12日，OpenAI 發佈了 GPT-5 系列的重要更新版本 GPT-5.1，包括 GPT-5.1 Instant（即時版）和 GPT-5.1 Thinking（思維版）兩個變體。這次更新不僅在技術能力上有所提升，更值得關注的是其在對話風格上的顯著變化，而這一變化正在社區中引發激烈討論。 技術升級：智能與效率的平衡 GPT-5

redis , 智能體 , 數據 , gpt , 數據庫 , 人工智能 , 大模型

收藏 評論

fannaodeliushu 頭像

程序員阿偉 - 《高質量遊戲攻略與視頻的優先級展示機制構建指南》

深夜的遊戲社區裏，不同需求的玩家都在經歷着相似的困境—剛入坑開放世界遊戲的新手，想找隱藏副本的觸發路徑，刷到的卻是重複剪輯的戰鬥混剪，連關鍵NPC的位置都沒有標註；深耕競技遊戲的核心玩家，渴望學習新版本的戰術拆解，置頂內容卻還是三個月前的基礎操作教學，毫無參考價值；專注單機劇情的玩家，想解鎖隱藏結局的關鍵選擇，搜索結果裏滿是標題黨視頻，點進去全是無關的劇情吐槽。這種優質內容被海量低質信息淹沒的現象

遊戲 , 人工智能

收藏 評論

aws_aidevcommunity 頭像

亞馬遜雲開發者 - 深度探索：EKS MCP Server 與 Amazon Q Developer CLI 集成實踐

“又一次半夜被Kubernetes告警驚醒，我發現自己正在查閲第五個不同的文檔，試圖找出為什麼集羣中的一個關鍵服務突然不可用。”作為一名身處雲原生轉型前線的架構師，這樣的經歷對我而言曾是家常便飯。儘管Amazon EKS讓Kubernetes部署變得更簡單，但運維的複雜性和知識門檻仍然是許多團隊面臨的巨大挑戰。然而，亞馬遜雲科技最新推出的AI驅動運維工具徹底改變了這一現狀。在這篇文章中，我將分享

人工智能

收藏 評論

co_yield 頭像

co_yield - 從0構建深度學習框架——揭秘深度學習框架的黑箱

引言 你有沒有好奇過，當你在 PyTorch 或 TensorFlow 中調用 .backward() 計算梯度時，框架到底在背後做了什麼？ 我們每天都在使用這些成熟的深度學習工具，但很少有人真正去探索它們的底層實現——自動微分的魔法、計算圖的構建、張量運算的優化……這些隱藏在API背後的核心原理，才是深度學習的真正基石。 今天，我將向大家介紹一個從零開始實現的輕量級深度學習框架——Needle。

人工智能

收藏 評論

aipaobudexiangjiao_cktinz 頭像

愛跑步的香蕉_cKtiNz - AI 招聘：提升效率與精準度

AI 招聘：提升效率與精準度 AI招聘：重構企業招聘的效率與精準度 過去一年，AI 持續釋放組織產能，幫助員工節省超 120 小時重複勞動，推動生產率平均提升 30%，勞動力成本下降 19%。86% 的首席人力資源官已將“數字勞動力整合”納入核心職責，AI 正成為企業招聘領域的重要變革力量。 AI面試智能體：從輔助工具到決策支撐 AI 面試智能體的核心優勢在於“精準度”，其評分結

人工智能

收藏 評論

u_16099346 頭像

雲端築夢者 - retreenlock 加鎖 demo

目錄 1. ReentrantLock簡介 2.ReentrantLock和synchronized的比較 2.1 相同點 2.2不同點 3.ReentrantLock相比synchronized的額外功能 3.1 ReentrantLock可以實現公平鎖。 3.2 .

機器學習 , 公平鎖 , System , retreenlock 加鎖 demo , 人工智能 , ide

收藏 評論

selectdb 頭像

SelectDB技術團隊 - MiniMax GenAI 可觀測性分析 ：基於阿里雲 SelectDB 構建 PB 級別日誌系統

"阿里雲SelectDB作為MiniMax日誌存儲服務的核心支撐，為在線和離線業務提供了高效、穩定的查詢與聚合分析能力。其支持實時物化視圖、租户資源隔離、冷熱分離等企業級特性，不僅有效解決了日誌場景下PB級別數據查詢的性能瓶頸，還通過智能化的資源調度與存儲優化，實現了成本與效率的最佳平衡，為業務的高效運轉提供了堅實保障。" —— MiniMax可觀測架構師 香克斯 可觀測日誌系統的探索與挑戰 近年

日誌分析 , 數據庫 , 人工智能 , 數據分析 , 大模型

收藏 評論

gpustack 頭像

GPUStack - GPUStack v2：推理加速釋放算力潛能，開源重塑大模型推理下半場

2025 年是大模型推理技術發展的關鍵之年。自年初 DeepSeek R1 發佈引發全民關注以來，推理框架加速需求暴漲，推理優化的戰場驟然升温。以 vLLM、SGLang、MindIE 為代表的高性能推理引擎，以及 FlashInfer、FlashAttention、ATB 等底層加速庫不斷突破性能瓶頸，相比年初，部分前沿框架的推理性能提升已達 3 到 4 倍以上。 隨着 Agent 應用的爆發和

generative-ai , llm , 容器 , 人工智能 , 深度學習

收藏 評論

u_16340920 頭像

程序員小徐 - 零研發實現AI對話，有沒有好用的服務商？

在競爭激烈的數字時代，智能對話能力已成為企業提升用户體驗、優化運營效率的關鍵。然而，技術門檻高、研發成本大、週期長等因素讓許多企業望而卻步。 幸運的是，如今市場上涌現出一批提供“零研發” 解決方案的服務商，讓企業無需從零構建技術團隊，也能快速擁有先進的AI對話能力。 一、AI對話的核心技術能力 實現真正智能的人機對話，需要兩大核心能力支撐： AI模型能力

機器學習 , 音視頻 , API , 人工智能 , 模態

收藏 評論

yekai_620f63e12c172 頭像

葉開 - 隱語可信數據空間MOOC第47講筆記：多方聯合建模助力普惠信貸

筆記內容來自隱語Mooc，歡迎一起來學習。Mooc課程地址：https://www.secretflow.org.cn/community/bootcamp/2narwgw4ub8r... 📘 8.9 多方聯合建模助力普惠信貸 主講人：張鴻 | 螞蟻星河小微金融高級技術專家 一、普惠金融的痛點與挑戰 1. 核心矛盾 風險高 ↔ 融資可得性低 運營成本高 ↔ 普惠性要求 風控要求

機器學習 , 觀點 , 教程 , 知識 , 人工智能

收藏 評論

u_15316473 頭像

阿里雲大數據AI技術 - PAI Physical AI Notebook詳解4：基於仿真的GR00T-N1.5模型微調

在前3期PhysicalAI詳解系列中，我們詳細解讀了數據採集、擴增、增強的全過程，以及導航模型（X-Mobility）微調訓練的全過程。 在本期，我們將針對更復雜的VLA模型（以GR00T-N1.5為例）進行微調，同樣需要經過人工演示、數據擴增、模仿學習、在環驗證這幾個步驟。 但是，相比前例中的BC-RNN和X-Mobility模型，GR00T-N1.5是一

機器學習 , 阿里雲 , 人工智能 , 模型訓練 , PAI

收藏 評論

haoqingwanqiandehongcha 頭像

百度智能雲一見 - 百度一見全新升級！多人協作SOP分析Agent守護乾飯人不Emo

11月13日，2025百度世界大會在北京舉辦。百度集團執行副總裁、百度智能雲事業羣總裁沈抖在會上重磅發佈“一見多人協作SOP分析Agent”！基於一見多模態大模型的時空定位能力，不僅能夠理解視頻中複雜的時間與空間關係，精準識別每一道菜品的完整工序，還能識別多人協同操作過程中的錯誤環節並及時提醒，有效應對門店多員工並行操作時易出錯的問題，真正實現從“看懂畫面”到“理解過程”的跨越。 你是否也經歷過這

generative-ai , 人工智能 , 百度

收藏 評論

infodator 頭像

容智信息 - 容智Report Agent智能體驅動財務自動化，從核算邁向價值創造

在金融行業數字化轉型深化的背景下，財務數據的實時性與洞察力直接關乎企業決策質量與風險應對能力。然而，對於許多機構而言，由於歷史系統架構原因，核心財務數據往往分散在風險、交易、結算等多個獨立業務系統中，形成難以跨越的“數據孤島”。這使得財務部門大量精力耗費在基礎的數據收集與核對上，難以高效生成深度洞察，從而影響了其為管理層提供戰略支撐的效能。某中型期貨公司通過引入容智Report Agent

觀點 , 機器人 , 自然語言處理 , 知識 , 人工智能

收藏 評論

u_16213614 頭像

mob64ca13ffd0f1 - Core Temp 打不開

程序運行的過程中,可能會因為一些隱藏的bug導致崩潰,為了在出問題時，及時記錄所在環境的情況，所以要設置core文件的產生。其實其本質就是把進程的內存保存到文件中去。 1.core文件的生成開關和大小限制 1）使用ulimit -c命令可查看core文件的生成開關。若結果為0，則表示關閉了此功能，不會生成core文件。 2）使用ulimi

擴展名 , sed , 機器學習 , 文件名 , Core Temp 打不開 , 人工智能

收藏 評論