tag 人工智能

標籤
貢獻930
1101
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

u_16213652 頭像

mob64ca1408d5ff - github copilot賬號多客户端

使用過GitHub的小夥伴應該知道需要創建一個自己的倉庫，其創建過程不再贅述。 1、打開Git Bash,輸入命令： git config –global "你的GitHub用户名" 回車 git config –global "你的GitHub郵箱" 回車 git conf

github , 客户端 , 人工智能 , 深度學習 , Git

收藏 評論

u_17586993 頭像

u_17586993 - 大模型榜單週報（2025/12/27）

1. 本週概覽 本週大模型領域持續涌現創新成果，數學、編程和多模態能力均出現顯著進展。字節推出數學模型Seed Prover 1.5，在國際數學奧林匹克競賽中取得金牌線成績，而智譜AI開源GLM-4.7在多項評測中超越GPT-5.1。MiniMax的M2.1編碼模型以10B激活參數創下多語言軟件工程能力新高，北航提出的代碼模型Scaling Laws為最優數據配比提供理論基礎。

機器學習 , 人工智能

收藏 評論

deephub 頭像

deephub - 融合AMD與NVIDIA GPU集羣的MLOps：異構計算環境中的分佈式訓練架構實踐

在深度學習的背景下，NVIDIA的CUDA與AMD的ROCm框架缺乏有效的互操作性，導致基礎設施資源利用率顯著降低。隨着模型規模不斷擴大而預算約束日益嚴格，2-3年更換一次GPU的傳統方式已不具可持續性。但是Pytorch的最近幾次的更新可以有效利用異構計算集羣，實現對所有可用GPU資源的充分調度，不受制於供應商限制。 本文將深入探討如何混合AMD/NVIDIA GPU集羣以支持PyTor

神經網絡 , pytorch , 人工智能 , 分佈式系統 , 深度學習

收藏 評論

deephub 頭像

deephub - PINN訓練新思路：把初始條件和邊界約束嵌入網絡架構，解決多目標優化難題

PINNs出了名的難訓練。主要原因之一就是這個多目標優化問題。優化器很容易找到投機取巧的路徑——比如拼命降低微分方程殘差，但完全不管初始條件和邊界約束。只要給初始條件和邊界損失配的權重夠低，它們增加的那點損失完全能被殘差損失的大幅下降抵消掉。調整權重也許能暫時緩解這個問題，但誰也不能保證最優權重在整個訓練過程中一直有效。 標準的PINN用複合損失函數，把三項加權求和： 初始條件損失 邊界損失

神經網絡 , pytorch , 人工智能 , 深度學習

收藏 評論

u_17593768 頭像

JUGG11 - 硬核解析：AI 原生知識庫系統如何擊穿企業知識管理技術瓶頸

在企業知識管理領域，傳統工具的技術短板早已成為數字化轉型的攔路虎：關鍵詞檢索的 “信息噪聲冗餘”、知識沉澱的 “被動低效困境”、跨系統集成的 “接口壁壘難題”，這些痛點本質上都是架構設計與技術選型的底層缺陷。而一款以 AI 大模型為核心驅動的開源知識庫系統，憑藉直擊核心的技術架構與工程化實現，將知識管理的效率與靈活性提升至新維度。本文將從底層技術架構、核心模塊實現、企業級適配能力

性能優化 , 數據 , 知識管理 , 人工智能 , 深度學習

收藏 評論

u_16163453 頭像

嘴巴吃糖了 - 【值得收藏】程序員必看：Anthropic雙代理架構如何讓AI Agent告別“失憶返工“，實現複雜項目自主完成

前言 當前 AI Agent的能力日益強大，開始需要承接需要數小時甚至數天才能完成的複雜任務 —— 比如：從零構建一個生產級別的 Web 應用。 但現實是，AI Agent在跨多個上下文窗口工作時，常常陷入 “失憶返工”" 半途而廢 " 的困境。 Anthropic 推出了一套針對長時運行 AI 代理的高效 harness 方案

大模型教程 , AI大模型 , 後端開發 , 人工智能 , 大模型入門 , 大模型學習 , Python

收藏 評論

u_17567677 頭像

沃觀態勢感知 - 數據驅動決策：海外社交媒體分析工具幫你精準預測下一個爆款內容

在跨境營銷中，內容創意和傳播策略直接決定品牌在海外市場的表現。隨着海外社交媒體平台數量和用户行為日益多樣化，僅憑經驗判斷和直覺投放已難以保證效果。海外社交媒體分析工具通過數據驅動的方式，幫助企業精準預測下一個可能爆款的內容，提高內容投放效率和營銷ROI。 一、趨勢洞察：抓住內容熱度的先機 社交媒體用户的興趣和偏好瞬息萬變，新話題和熱點內容常在短時間內引發廣泛討論。海外

分析工具 , 人工智能 , 數據分析 , 社交媒體 , 數據驅動

收藏 評論

u_16213686 頭像

mob64ca1410eb61 - vite pxtorem 怎麼轉換行內樣式

1.如何讓VI顯示隱藏的換行符 今天修改tomcat的啓動文件start.sh,改完之後啓動不了,請教同事之後 原來配置文件某個值很長,含有換行符. 如何避免出現類似問題? 使用以下命令顯示換行 如果你使用以下命令進入list mode，那麼就可以清楚的看到以“$”表示的換行符和以“^I”表示的製表符。 :set list 如下圖 後面的$ 就是那該死的換

機器學習 , tomcat , 配置文件 , 換行符 , 人工智能

收藏 評論

u_16213677 頭像

mob64ca140eb362 - springer link旗下的期刊怎麼看到審稿過程

年份：2020-10-26 論文鏈接： https://aclanthology.org/2020.coling-main.138.pdfhttps://drive.google.com/file/d/1UAIVkuUgs122k02Ijln-AtaX2mHz70N-/viewhttps://drive.google.com/file/d/1iwF

卷積 , word , 論文閲讀 , 架構 , 後端開發 , 人工智能 , 2d

收藏 評論

u_16655836 頭像

wx6603b05eb93d0 - 上游6666元教養殖，下游變神藥治百病！殺人蜂騙局兩頭割……

俗話説，人有多大膽，地有多大產！這句俗語，在賺錢這件事上，體現得尤為淋漓盡致。 比如，小柴看完今天的一個熱搜話題，感慨，你永遠想不到，殺人蜂這玩意，竟然也能成為暴利生意，而且還能做到兩頭收割的完美閉環。 這個熱搜話題是——央視曝光6666元包教包會養殺人蜂…… 可能看到這個話題，你就會覺得，這和當年教養蠍子的騙局有啥區別？但你要相信，騙局永遠是與時俱進的

人工智能 , 數據分析 , 社交媒體

收藏 評論

u_12218 頭像

棉花糖 - 學習筆記七：transformer總結（1）

《Transformer最強動畫講解》以“視覺化理論推演+PyTorch工程化落地”的教學範式，讓我實現了從“懂理論”到“通代碼”的進階，更收穫了一套高效的深度學習學習方法。 教程開篇錨定2017年奠基論文《Attention Is All You Need》，直擊傳統序列模型的兩大痛點：RNN及其變體受串行計算限制，長距離依賴捕捉能力弱且並行效率低；CNN雖能

歸一化 , Mask , 人工智能 , 深度學習

收藏 評論

u_16060192 頭像

HyperAI超神經 - 2026年將成中美AI競賽拐點？美國監管邏輯轉向背後，各巨頭算力豪賭未止

如果要用關鍵詞概括 2025 年，那麼這一年無可爭議地屬於人工智能：當 AI 發展不再止步於技術圈內部的競賽，而深度滲入內容生產、情感互動和公共討論，那麼它已經成為了塑造世界的真實力量。 人們對 AI 的評價也從未如此分裂。劍橋詞典發佈了 2025 年度詞「Parasocial（準社會關係）」，指出了人們與虛擬對象——包括 AI 聊天機器人——之間愈發普遍的單向情感連接。 「隨着與

插入圖片 , 人工智能 , 基礎設施 , 深度學習

收藏 評論

u_15641375 頭像

芯動大師 - 關於深度學習量化的操作

0. 簡介 深度學習中做量化提升運行速度是最常用的方法，尤其是大模型這類非常吃GPU顯存的方法。一般是高精度浮點數表示的網絡權值以及激活值用低精度（例如8比特定點）來近似表示達到模型輕量化，加速深度學習模型推理，目前8比特推理已經比較成熟。比如int8量化，就是讓原來32bit存儲的數字映射到8bit存儲。int8範圍是[-128,127]， uint8範圍是[0,255]

機器學習 , yyds乾貨盤點 , 最小值 , 數據 , 人工智能 , 非對稱

收藏 評論

u_17420180 頭像

合合信息解決方案 - 如何將公司內部知識庫（Word/PDF）接入大模型？

2025 年 12 月，OpenAI 正式發佈以 “職場效率革新” 為核心的 GPT-5.2 大模型，其在長文檔分析、多模態理解、專業場景推理等領域的突破性表現，為企業激活內部知識資產提供了全新可能。對於企業而言，GPT-5.2 的強大能力不至於通用問答—— 真正的核心需求，是讓這一先進大模型能夠 “讀懂” 公司內部海量的 Word 技術文檔、PDF 合同協議、Excel 數據報

機器學習 , 上傳 , 人工智能 , 文檔解析 , 結構化

收藏 評論

puxiaoke6 頭像

一點人工一點智能 - 書籍-《計算機科學中的離散數學》

書籍：Essential Discrete Mathematics for Computer Science 作者：Harry Lewis，Rachel Zax 出版：Princeton University Press​​ 編輯：陳萍萍的公主@一點人工一點智能 書籍下載-《計算機科學中的離散數學》 01 書籍介紹 離散數學是計算機科學許多領域的基礎，從算法和自動機

離散數學 , 人工智能 , 計算機科學

收藏 評論

u_17061379 頭像

AI編程社區 - 零基礎上手 Qoder，我的一些感悟分享

最近機緣巧合參加了內部 AI 分享會上財務同學的介紹後，看到一個之前沒怎麼接觸過編程的同學，也能在短時間內生成一個像模像樣的小工具，那一刻確實有被 AI Coding 的能力震撼到。AI生成代碼的能力，無疑會大大降低編程的門檻，提升編程的效率。 好奇心驅使，結合目前團隊的需求，在這一個月裏，我對 Qoder 進行了深度使用，並完成了兩個初步可用的小系統，目前這兩個系統已穩定

機器學習 , 專家經驗 , 人工智能 , 安全資訊 , 代碼實現

收藏 評論

u_16349720 頭像

短短同學 - 對象住哪裏?——深入剖析JVM內存結構與對象分配機制

對象住哪裏？—— 深入剖析 JVM 內存結構與對象分配機制 在 Java 程序運行時，我們創建的每一個對象（如new User()）都需要佔用 JVM 內存，但這些對象究竟 “居住” 在哪個內存區域？為何有的對象很快被回收，有的卻能長期存活？要解答這些問題，必須先理清 JVM 的內存結構劃分，再深入對象從創建到銷燬的全生命週期分配邏輯 —— 這不僅是面試高頻考點，更是理解

User , jvm , 人工智能 , 深度學習 , 常量池

收藏 評論

u_15996251 頭像

明日cto - 機器學習——可視化工具

機器學習中，可視化工具用於幫助理解數據分佈、模型性能、訓練過程以及結果分析。以下是一些常用的可視化工具及其詳細講解 一、Matplotlib 作用：基礎的繪圖庫，適用於各種靜態、動態和交互式圖表。 主要功能： 繪製折線圖、柱狀圖、散點圖、直方圖等 自定義圖表樣式、座標軸、圖例等 示例： pythoni

機器學習 , yyds乾貨盤點 , 人工智能 , 可視化工具 , Python

收藏 評論

yuanfang_648a85b26d85e 頭像

farfarcheng - 邁入大模型時代的深度學習：使用 Flash Attention 技術讓 Transformer 起飛

Transformer 是 ChatGPT 等大語言模型的核心技術之一，而注意力機制是其的關鍵部分。但是，標準的注意力實現具有二次時間和內存複雜度，使其在長序列任務上變慢並消耗大量顯存。這限制了 Transformer 能夠建模的上下文長度，同時使得大尺度模型的訓練和推理時間延長。 FlashAttention: Fast and Memory-Efficient Exact Attention

機器學習 , Flash , 人工智能 , transformer , 深度學習

收藏 評論

youyudetusi 頭像

憂鬱的吐司 - 數字人帶貨狂攬 23 億！數字人主播成電商新寵，直播帶貨迎來全新時代？

2025 年雙十一，數字人帶貨交出了震撼行業的成績單：京東平台數字人直播總成交額突破 23 億元，1.7 萬商家通過虛擬主播實現 24 小時不間斷開播，帶動平台整體轉化率提升 30%。（青否數字人源頭v：zhibo175） !從凌晨三點仍在滔滔不絕的國貨彩妝虛擬主播，到創下 5500 萬單場 GMV 的羅永浩 AI 分身，數字人正從直播帶貨的 “補充角色” 躍升為 “核心生產力”，引發行業對 “無

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

u_12195 頭像

jojo - qnx裏面執行system需要增加的權限

折騰了一天 看了很多文章 加上和HB的討論 口乾舌燥的我們 終於差不多弄清楚了 keil option 的配置，換句話説就是scatter文件的配置。 網上都有的 我就不寫了。 重點是 scatter的作用 scatter 是 指定我將要加載的地址（加載域,r

機器學習 , scatter arm , 加載 , 人工智能 , 編譯器 , 啓動過程

收藏 評論

u_17579295 頭像

mb6911caa73d1d1 - 工業數字孿生：從 “設備可視化” 到 “產線級智能調度與優化”

在智能製造浪潮的推動下，數字孿生技術正以前所未有的深度融入工業生產的核心。越來越多的企業通過數字孿生工程，已初步實現關鍵設備的三維可視化監控、遠程運維支持與故障精準回溯，顯著提升了管理透明度與響應效率。 然而，在智能化升級的大趨勢下，工業數字孿生的價值，不應止步於“鏡像現實”，而應邁向“優化現實”。其演進路徑，是從“看見”到“預見”，從“呈現”到“優化”的深刻躍遷。

it , 數據 , 物聯網 , 數據可視化 , 人工智能 , 數字孿生

收藏 評論

u_16213573 頭像

數據探索家 - JAXBElement

由於javaBean中的屬性是custFullName，所以在使用jsp的時候，通過el表達式獲取屬性的值td${m.CustFullName}/td。但是加載頁面的時候報【javax.el.PropertyNotFoundException: Property [custFullName] not readable on type [com.aiwei.tdjk.entity.

機器學習 , 大小寫 , el表達式 , 首字母 , JAXBElement , 人工智能

收藏 評論

u_15837107 頭像

中偉視界科技尹生 - 中偉視界：企業級解決方案，構建基於多模態數據的皮帶堵料智能預警平台

——基於雙模式AI視覺與多模態預警平台的綜合施策 1. 項目背景與核心痛點 在礦山、水泥、冶金及電力等行業，皮帶輸送機是物料輸送的命脈。其轉運下料口作為最易發生故障的瓶頸點，堵料問題頻發，導致生產中斷、設備損壞，甚至引發安全事故。 傳統檢測方式的侷限： 人工巡檢：響應滯後、人力成本高、夜間及惡劣環境下效率低下。 機械擋板/行程開關：與物料直接

機器學習 , 多模態融合 , 智慧礦山 , 皮帶堵料檢測 , 私藏項目實操分享 , 人工智能 , 礦山多模態預警平台 , 皮帶堵料AI解決方案

收藏 評論