tag 人工智能

標籤
貢獻930
1058
06:37 AM · Oct 27 ,2025
deephub 頭像 u_13357275 頭像 pannideniupai 頭像 elhix0bg 頭像 xingxingshangdeliushu 頭像 u_17579295 頭像 rtedevcomm 頭像 u_15591470 頭像 lab4ai 頭像 u_17512334 頭像 tecdat 頭像 qingfouai 頭像

@人工智能 / 博客 RSS 訂閱

suki_6936aa00b8c61 頭像

AI代碼猴 - 從感知融合到全域賦能：2025年多模態大模型技術突破與實踐解析

當你向AI助手上傳一張古建築照片，它不僅能識別出"唐代斗拱結構"，還能生成配套的歷史背景音頻、修復後的3D模型，甚至根據建築風格創作一首七言律詩——這不是科幻場景，而是2025年多模態大模型的常規能力。歷經數年技術迭代，AI已從單一文本處理的"文字專家"，進化為融合視覺、聽覺、觸覺等多維度信息的"全能感知者"。本文將深入解析多模態大模型的核心技術突破、工程優化路徑，以及在關鍵行業的落地實踐，揭示其

數據挖掘 , 人工智能 , 深度學習

收藏 評論

u_14230 頭像

爛漫樹林 - GBDT的損失函數是什麼

本文主要講解有關 Deep Q Network（DQN）算法的相關內容。 1. DQN 的基本思想 傳統的 Q-Learning 算法當 Q 表過大時不僅難以存儲而且難以搜索，並且當狀態是連續的話，用 Q 表存儲是不現實的，這時可以用一個函數來擬合 Q 表，所以提出了神經網絡和 Q-Learning 相融合的 Dee

機器學習 , 強化學習 , DQN , 神經網絡 , 人工智能 , deep q network , GBDT的損失函數是什麼

收藏 評論

u_17611922 頭像

xyz_WD - 安防攝像頭（IPC）的步進馬達及IR-CUT驅動芯片WD6208A應用描述

維得WD6208A是安防攝像頭IR-CUT驅動單片集成雙向馬達驅動芯片，核心功能涵蓋TTL邏輯電平精準控制電機正反轉、強制制動及待機模式，可提供200mA持續/500mA峯值驅動電流，適配主流IR-CUT微型電磁鐵/電機驅動需求；具備2V-18V寬電壓適配（最大耐壓30V）、＜1μA超低待機電流特性，內置續流二極管吸收反向衝擊電流，有DFN1×1-6、SOP-8、SOT23-6三

封裝 , 步進電機 , 引腳 , 人工智能 , 數據分析

收藏 評論

mstech 頭像

微軟技術棧 - Microsoft AI Genius | 實戰課正式開啓！用 AI 編程助手賦能高效開發

在 AI 重塑開發流程的今天，你是否還在頻繁切換工具、埋頭編寫重複代碼、耗費大量時間檢索文檔？ 9月3日14:00-15:30，Microsoft AI Genius 2.0 第一季再度開啓，第一季的首場實戰課程揭露“高效開發的秘訣，快人一步：使用智能 GitHub Copilot 副駕駛® Agent Mode”！本次課程將深入解析如何藉助 AI 智能體實現開發流程的極致簡化，助你搶佔技術先機。

microsoft , 人工智能

收藏 評論

qingfouai 頭像

青否Ai - 青否ai超級員工，構建AI智能體全方位智管體系，迎接智能體員工時代！

隨着人工智能技術的飛速發展，組織形態正在經歷一場前所未有的變革。智能體員工，這些曾經只存在於科幻小説中的角色，正逐漸成為現實，並在未來組織中扮演着越來越重要的角色。 AI智能體從最初的輔助工具，轉變為潛在的“員工”，這一角色轉變不僅引發了行業內對於管理模式的深刻反思，也預示着生產力的一次重大飛躍。 智能體員工超越傳統人類員工的能力，能夠並行處理多項任務，具有強大的數據處理和分析能力，甚至能在無人類

人工智能 , 深度學習

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

aloudata 頭像

Aloudata大應科技 - 通往可信數據智能的路線圖，就在這本《NoETL to Trusted AI》白皮書

數據不好找、不敢用、用不對。 數據取不出、跑不動、要排期。 AI 生成的內容“好看”，但不一定“真實”。 在大模型席捲各行各業的今天，企業數據智能體（Data Agent）正成為新的“數字員工”。但如果沒有一套可信的數據基礎，再智能的 Agent 也難逃“數據迷宮”與“口徑陷阱”。 在昨天的推文中，Aloudata CEO 周衞林清晰闡釋了 Aloudata 在新時代的品牌定位：NoE

數據挖掘 , 自然語言處理 , 知識 , chatgpt , 人工智能

收藏 評論

u_16099166 頭像

數據小香 - uboot 如何使用浮點運算

U-Boot上電啓動後，按任意鍵可以退出自動啓動狀態，進入命令行。 U-Boot 2010.03 (Sep 25 2011 - 16:18:50) DRAM: 64 MB Flash: 2 MB NAND: 64 MiB In: serial Out: s

環境變量 , uboot , uboot 如何使用浮點運算 , 內存地址 , 人工智能 , 計算機視覺 , 寫保護

收藏 評論

u_16099301 頭像

編程小達 - excel 彩色emoji

Beamer 入門 之 彩色表格 背景顏色 單元格插入斜線 更改行、列及單元格顏色 更改列的背景顏色 更改行的背景顏色 定義單元格背景顏色 實現合併單元格 解決單元格合併後字體顯示不全問題 解決列表橫線覆蓋字體問題 定義表格字體顏

機器學習 , 背景顏色 , excel 彩色emoji , 豎線 , bc , 人工智能

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_15316473 頭像

阿里雲大數據AI技術 - 基於 Hologres 構建智能駕駛圖像高性能分析系統

隨着人工智能技術的深入發展，企業對數據的利用已不再侷限於傳統的結構化數據分析。越來越多的行業開始依賴多模態數據進行智能決策，涵蓋商品推薦、駕駛行為分析、金融風控、教育個性化等多個場景。這些場景普遍具備一個共同特徵：數據形態多樣、分析需求複雜、檢索方式多元。Hologres 4.0的整體架構圍繞“多模態分析檢索 all-in-one”設計，實現“一份數據、一份計算、多模分析”的一站

多模態分析 , 人工智能 , 數據分析 , SQL , Hologres

收藏 評論

aloudata 頭像

Aloudata大應科技 - 根據業務角色創建 AI 數據分析助手，Aloudata Agent 滿足集團型企業多部門個性化需求

集團型企業規模龐大、業務複雜，不同部門的數據分析需求差異顯著。 以 HR 部門為例，需要分析員工招聘渠道的有效性、培訓投入與產出的比例，以及員工流失率與績效的關係等；財務部門則聚焦於成本結構分析、預算執行偏差原因查找，以及不同業務板塊的盈利能力評估；區域經理則關心各區域市場的銷售業績對比、客户羣體特徵差異，以及市場推廣活動的效果評估；門店運營人員便更為關注各門店銷售業績差異分析、庫存週轉情況監控、

etl , 人工智能 , 數據分析 , SQL , 數據查詢

收藏 評論

u_16970152 頭像

求知上進 - Python 數據結構：淺拷貝與深拷貝

在 Python 編程中，理解數據結構的拷貝機制是非常重要的，尤其是在處理複雜數據類型時。淺拷貝和深拷貝是 Python 中兩個關鍵概念，它們在內存管理和數據操作中扮演着至關重要的角色。本文將對淺拷貝與深拷貝進行深入探討，內容包括基本概念、實現方式、區別、使用場景以及最佳實踐，力求為讀者提供全面的理解。 一、拷貝的基本概念 在 Python 中，拷貝是指創建一個對象的

深拷貝 , 淺拷貝 , 人工智能 , 深度學習 , 嵌套

收藏 評論

puxiaoke6 頭像

一點人工一點智能 - 《深度學習數學基礎》

書籍：Mathematical Foundations for Deep Learning 作者：Mehdi Ghayoumi 出版：Chapman and Hall/CRC​ 編輯：陳萍萍的公主@一點人工一點智能 下載：書籍下載-《深度學習數學基礎》 01 書籍介紹 《深度學習數學基礎》彌合了理論數學與人工智能（AI）實際應用之間的鴻溝。本指南深入探討驅動現代深度

數學 , 人工智能 , 深度學習

收藏 評論

u_17423871 頭像

美狐美顏SDK開放平台 - 直播美顏SDK中的抖動特效實現難點：識別、渲染與延遲控制全攻略

在短視頻與直播行業快速演進的今天，用户對“視覺體驗”的要求不斷提高。美顏不再僅僅是磨皮、美白、瘦臉，而是追求更具互動感和趣味性的抖動特效（ShakeEffect）。從直播美顏SDK的角度來看，要實現一個自然、不卡頓、匹配主播動作的抖動特效，其實遠比看上去複雜。 如果你是技術負責人、產品經理，或者正關注直播美顏SDK集成方案、直播特效算法開發、實時渲染優化等問題，那麼這篇文章

視頻美顏sdk , 美顏api , 人工智能 , 直播美顏sdk , 計算機視覺 , 第三方美顏SDK , 在51CTO的第一篇博文 , 美顏SDK

收藏 評論

u_16213714 頭像

mob64ca1417b0c6 - 萬億參數落地：金融大模型從MoE架構到聯邦TEE的全棧可信實踐

———————————————————— 當大模型從“炫技”走向“深水區” 如果説2023年是大模型的“技術元年”，2024年是“場景元年”，那麼2025年則是“深水區元年”。當國務院在《“人工智能+”行動方案》中點名“金融”為落地最成熟行業時，銀行業的大模型已悄然從“對話寫詩”進階到“審批貸款”“攔截洗錢”。

語言模型 , 軟件需求 , 後端開發 , 系統架構 , 需求分析 , 人工智能 , harmonyos

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI 智能體編排平台：把零散 AI 擰成 “高效作戰隊”

不少企業用 AI 時都遇過 “碎片化困境”：用 AI 做客户跟進，得手動把聊天記錄導入分析工具；用 AI 做財務統計，要反覆在數據軟件和 AI 模型間傳文件 —— 單個 AI 像散落的 “零件”，拼不成解決複雜問題的 “機器”。而 AI 智能體編排平台，就是把這些 “零件” 組裝成 “作戰隊” 的工具，讓多個 AI 自動配合，搞定靠單一工具難完成的工作。 從技術邏輯看，這個平台的核心

微信 , 數據 , NLP , 人工智能 , crm

收藏 評論

u_16213665 頭像

mob64ca140beea5 - Spark機器學習實戰 (十二) - 推薦系統實戰 - JavaEdge的個人空間 -

Spark Cluster模式下DDP網絡配置解析 問題的核心 在Spark cluster模式下，executor是動態分配的，這引發了一個問題： DDP需要master_addr和master_port 但我們怎麼知道executor的IP？ 端口會不會衝突？ 關鍵理解：DDP進程都在同一個E

機器學習 , spark , 人工智能 , 深度學習 , 網絡 , Css , 前端開發 , HTML

收藏 評論

u_13019 頭像

boyboy - RNN的算子

深度學習在推薦中發揮的作用： 能夠直接從內容中提取特徵，表徵能力強 容易對噪聲數據進行處理，抗噪能力強 可以使用循環神經網絡對動態或者序列數據進行建模 可以更加準確的學習user和item的特徵 基於DNN的推薦算法 推薦系統和通用搜索排序問題共有的一大挑戰為同時具備記憶能力和泛化能力。 記憶能力可以解釋

機器學習 , 深度學習推薦系統 , DNN , 人工智能 , 深度學習 , 推薦算法 , RNN的算子

收藏 評論

u_14191 頭像

索姆拉 - 阿里雲 - 全新升級！《雲原生架構白皮書 2022 版》重磅發佈 - 阿里巴巴雲原生

今天給大家分享的是一個白皮書，長達156頁，20w字，阿里的雲棲大會上發佈的，由40位一線工程師聯合撰寫。 叫做《AI原生應用架構白皮書》。 我看了看。 裏面有關AI的東西，是非常的全，我認為這是目前入門AI最好的一本書。 我們平時聽説過的熱詞，在這裏全都有詳細的解釋，甚至是來龍去脈，講得都非常透徹和真實。

llm , 大模型應用 , 自然語言處理 , 人工智能 , 數據結構與算法 , AI-native

收藏 評論

_687a205d0d0e9 頭像

噗噗 - 【開源客服系統推薦】AI-CS：一個開源的智能客服系統

【開源客服系統推薦】AI-CS：一個開源的智能客服系統 在尋找客服系統解決方案時，通常會遇到功能單一、部署複雜或成本較高的問題。今天介紹一個開源的智能客服系統項目——AI-CS，它支持多廠商AI模型接入，並提供AI客服與人工客服的協作能力。 核心功能 AI-CS 提供了以下主要功能： 多廠商AI模型支持： 支持 OpenAI、Claude、Gemini 等主流AI模型接入，可根據需求選擇不

react , chatgpt , 人工智能 , typescript , go

收藏 評論

fabarta 頭像

Fabarta - 強強聯合！楓清科技攜手麒麟OS發佈「雲邊端協同AI智能體聯合解決方案」

AI正加速成為企業業務創新與效率提升的核心動力，在國家政策推動下，AI與實體經濟的深度融合已成為趨勢，企業向“知識化、智能化”升級已成共識。但企業轉型中痛點顯著：一是知識資產分散孤島，難以整合為可共享且安全可控的企業級知識庫；二是AI應用落地難，企業知識呈多模態且結構複雜，難以解析並支撐AI應用。同時，個人辦公面臨 “知識過載”，與企業系統存在數據斷層。 11月20日，楓清科技

服務器端 , 企業級 , 人工智能 , 深度學習 , 解決方案

收藏 評論

shiluodexiaomaju 頭像

OpenCloudOS - 2025 OpenCloudOS 操作系統生態大會啓幕，共築AI時代下安全穩定、持續進化的最佳操作系統底座

12 月 6 日，2025 OpenCloudOS 操作系統生態大會在京舉辦，匯聚全球數百位操作系統生態的技術專家與行業夥伴與會，AMD、Arm、沐曦、海光信息、騰訊雲等近 30 家社區夥伴企業在技術創新、最佳實踐、生態協同等核心方向做了重要分享。 當前，AI 基礎設施正從探索階段快速邁入規模化部署新時期，AI 算力需求呈現爆發式增長，而底層硬件與上層框架“百家爭鳴”，難以實現標準化的統一解

資訊 , 運維 , 人工智能 , 開源

收藏 評論

u_16213580 頭像

雲端行者 - DiskFileItemFactory pom依賴

磁盤分區 一、磁盤結構 先來看看老磁盤 1）磁頭（head）：不解釋 2）扇區（sector）：磁盤的最小存儲單位，大小為512bytes或者4k 3）磁道（trcack）：扇區組成的一個圓 4）柱面（cylinder）:所有盤面上的同一個磁道 磁盤容量計算：h*c*s*512 磁盤的第一個扇區組成：

機器學習 , 柱面 , 加載 , 人工智能 , 磁道

收藏 評論