tag 深度學習

標籤
貢獻317
281
05:25 PM · Oct 25 ,2025
deephub 頭像 xingxingshangdeliushu 頭像 u_15591470 頭像 u_17512334 頭像 qingfouai 頭像 tecdat 頭像 u_17580222 頭像 chenzhuodeyagao 頭像 chaoshenjinghyperai 頭像 youqingyouyidejidan 頭像 ziwupython 頭像 javaedge 頭像

@深度學習 / 博客 RSS 訂閱

teayear 頭像

學技術贏未來 - AI技術之MindSpore全場景協同的AI框架核心技術與生態實踐

在人工智能技術深度滲透千行萬業的當下，AI框架作為連接算法研究與產業落地的核心載體，其性能、易用性與場景適配能力直接決定了AI價值的釋放效率。傳統AI框架往往面臨“開發效率與執行性能難以兼顧”“端邊雲部署架構割裂”“分佈式訓練門檻高”等痛點，難以滿足全行業多樣化的AI應用需求。MindSpore（昇思）作為面向“端-邊-雲”全場景設計的深度學習框架，以“彌合AI算法研究與生產部署鴻溝”為

開發效率 , 算法研究 , 人工智能 , 深度學習 , 開發者

收藏 評論

u_15564575 頭像

韭菜財經 - F記皇牌再升級！盈J2成提取之王，快高足三大優勢引爆財富新動能

富衞集團（F記）上市不過數月，其名字已不只是資本市場的焦點，更成為港險圈高頻提及的“熱詞”。 近期，在一場分享會中，F記新升級的王牌儲蓄產品——《盈聚天下2》（盈J2），不僅延續“提取之王”地位，更在資金效率、家族傳承、產品兑現力三大維度實現突破，引發市場關注 在全球經濟充滿不確定性的背景下，高淨值客户的財富管理需求正從單純追求“高收益”轉向“確定性與流動性”

商業 , 佈局策略 , 人工智能 , 深度學習 , 團隊管理

收藏 評論

qingfouai 頭像

青否Ai - 從“採銷東哥”到千人千面直播：數字人如何破局新賽道？

2025年，直播行業正面臨前所未有的“內卷”，流量見頂、ROI疲軟，越來越多的商家開始尋找新的破局契機。 就在不少品牌陷入增長乏力的焦慮時，在技術支持下，跑出了逆勢增長的新故事：截至目前，數字人給商家帶來了超過140億的GMV增量。（青否數字人源頭v：zhibo175） 所以，曾經動輒數萬元、製作週期漫長的數字人，為何突然“飛入尋常百姓家”？ 從“採銷東哥”AI數字人的破圈，到超過9000家品牌密

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

u_16213563 頭像

網絡安全守護先鋒 - 神經網絡原理的可視化 - AI女神的個人空間 -

痛點突破 傳統繪圖工具難以表達深度學習模型的層次結構和數據流動，研究者們常常陷入「知道架構卻畫不出來」的困境。我們發現在神經網絡可視化過程中，存在架構表達不清晰、層級關係混亂、參數傳遞路徑模糊等核心痛點。 視覺化解決方案 我們開發了基於智能架構生成器的可視化解決方案，通過模塊化組件和AI架構設計思維，實現了神經網絡結構的直觀呈現。這套工具能夠將複雜的數學概念轉化

network , 神經網絡 , 深度學習 , Css , 前端開發 , HTML

收藏 評論

u_16213392 頭像

mob64ca12e6f33c - llama pytorch tensorflow

在現代深度學習框架中，Llama模型的出現使得基於PyTorch和TensorFlow的模型開發和部署變得更加高效和靈活。作為開源的、可擴展的生成預訓練變換器，Llama模型展示了強大的文本生成能力，無論是在自然語言處理還是一般的機器學習應用中都有着廣泛的應用前景。下面，我們將深入探討Llama與PyTorch與TensorFlow的結合使用，分析它們的特點、差異和應用場景。 背景定

機器學習 , 電商平台 , aigc , 深度學習

收藏 評論

u_13788151 頭像

小殊小殊 - 【論文筆記】大型語言模型的知識蒸餾與數據集蒸餾

目錄 寫在前面 一、知識蒸餾（KD）：讓大模型當老師，小模型當學生 1.怎麼教？軟標籤與推理過程一起學 2.多老師合作與自我學習 二、數據集蒸餾（DD）：把萬噸數據壓縮成一勺精華 1.兩種核心方法 2.智能數據篩選 三、KD+DD組合拳：實戰中的高效搭配 四、未來挑戰：瘦身不能丟“靈魂”

數據集 , 論文閲讀 , 數據 , 人工智能 , 深度學習 , jquery , 前端開發

收藏 評論

u_17157486 頭像

萬少skr - iFlow CLI 強大的終端AI助手，開啓智能編程新時代

iFlow CLI 強大的終端AI助手，開啓智能編程新時代 https://platform.iflow.cn/cli/quickstart?spm=54878a4d.cbb83e8.0.0.51d735c48MIY52#%E5%BF%AB%E9%80%9F%E5%AE%89%E8%A3%85 前言 在當今快節奏的軟件開發環境中，開發者們一直在尋求更高效、更智能

yyds乾貨盤點 , 初始化 , bash , 人工智能 , 深度學習 , 開發者

收藏 評論

JavaEdge 頭像

JavaEdge - Google 將 Colab 集成帶入 Visual Studio Code

Google 宣佈推出一款全新的 Visual Studio Code 擴展，可將本地筆記本連接到 Colab 運行環境。這使開發者能夠將原本分離的本地開發環境與基於網頁的 Colab 環境整合到一起。 Google Colab 團隊表示，他們通過社區反饋（包括博客文章、論壇討論和熱門 GitHub 倉庫中記錄的各種解決方案）發現了這兩種環境之間存在的差距。

code , yyds乾貨盤點 , google , 人工智能 , 深度學習 , 開發者

收藏 評論

yingjundeshubiao 頭像

英俊的鼠標 - PyTorch深度學習開發醫學影像端到端判別項目完結無密

PyTorch深度學習開發醫學影像端到端判別項目完結無密這個標題太有分量了👇🏻ke🍊：xingkeit點top/9070/！“無密分享”和“完結”這兩個詞，直接定義了這篇文章的價值——它不是一份普通的項目總結，而是一份為後來者照亮前路的實戰地圖。 從“深度學習醫療落地”這個宏大命題出發，這篇文章可以聚焦於連接“算法模型”與“臨牀價值”之間的那條最關鍵、也最崎嶇的路。 跨越“技術-醫學”鴻

觀點 , pytorch , 深度學習

收藏 評論

u_15591470 頭像

ceshiren2022 - 輕鬆生成測試數據：Dify工作流結合大模型，實現百萬級逼真數據生成

在軟件研發、數據分析和機器學習項目中，構建高質量、高覆蓋度的測試數據是確保產品質量的關鍵環節。然而，手動創建測試數據不僅耗時耗力，還常常面臨數據單調、缺乏真實性、難以模擬複雜業務邏輯等痛點。尤其是在進行壓力測試、性能基準測試或訓練複雜模型時，對百萬級逼真測試數據的需求，往往讓開發者和測試工程師們頭疼不已。 今天，我們將介紹一種革命性的解決方案：利用 Dify 工作流 結合 大語言模型（L

數據 , 測試數據 , 人工智能 , 深度學習 , Json

收藏 評論

deephub 頭像

deephub - Pydantic-DeepAgents：基於 Pydantic-AI 的輕量級生產級 Agent 框架

DeepAgents的靈感源自 LangChain deepagents，但在設計上更做減法，它強調類型安全且內置了 Docker 沙箱 2025 年的Autonomous AI Agents早就不是實驗室裏的花架子了。在現實世界的自動化流程、代碼生成工具、數據管道以及各類智能助手中都能看到它們的身影。 現在的很多主流 Agent 框架越來越重。為了用上 Agent，你往往得引入一堆沉重的

llm , agent , 人工智能 , 深度學習

收藏 評論

luohenyueji 頭像

luohenyueji - [python] Python數據類使用指北

在Python編程中，類定義是組織數據與封裝邏輯的核心範式。然而，當需要創建僅用於數據存儲的簡單類時，開發者往往需編寫大量重複機械的樣板代碼。例如用於屬性初始化的__init__方法、支持對象信息友好展示的__repr__方法、實現對象相等性比較的__eq__方法等。這類代碼不僅耗費開發精力，還容易因細節疏忽引入潛在錯誤，導致代碼可讀性與維護性下降。 為解決這一行業痛點，Python

字段 , 默認值 , 人工智能 , 深度學習 , Python

收藏 評論

u_17580222 頭像

mb691327edb400f - AI技術驅動下的招聘行業轉型

AI技術驅動下的招聘行業轉型 當前招聘領域正經歷深刻變革，智能化轉型已成為不可逆轉的趨勢。過去一年間，人力資源行業在AI技術的推動下呈現出明顯的分化態勢：部分企業仍採用傳統的人工篩選、溝通方式，而領先企業已實現全流程智能化管理。 多項數據顯示，AI技術正在重塑招聘行業的效率標準，具體表現為以下案例與數據： 智聯招聘採用AI全託管系統後，招聘週期縮短40

交互設計 , 數據 , 新版本 , 人工智能 , 深度學習

收藏 評論

u_16099194 頭像

數據大俠客 - 新名詞：數據增廣(增強) Data Augmentation - TR

目錄 數據增強是什麼 為什麼數據增強 數組增強分類 有監督數據增強 無監督數據增強 數據增強是什麼 數據增強又稱數據擴增，是一種通過應用合理且隨機的變換（例如圖像位移、旋轉）來增加訓練集多樣性的技術。讓有限的數據產生等價於更多數據的價值，並避免不相關性特徵。 例如針對車型識別模型，

AutoAugment , 人工智能 , 深度學習 , gan , 數據增強 , 前端開發 , Javascript

收藏 評論

ziwupython 頭像

子午 - 【民族服飾識別系統】Python+TensorFlow+Vue3+Django+深度學習+卷積網絡+resnet50算法

一、介紹 民族服飾識別，民族服飾智能識別與分析系統基於TensorFlow框架，採用卷積神經網絡（CNN）算法構建而成。系統在收集了回族、漢族、滿族、苗族四類典型民族服飾圖像數據集的基礎上，通過多輪迭代訓練，最終生成高精度識別模型，並配合Web可視化平台實現便捷交互。 前端: Vue3、Element Plus 後端：Django 算法：TensorFlow、卷積神經網絡算法 具體功能： 系統

圖像識別 , tensorflow , 深度學習

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【Triton 教程】矩陣乘法

Triton 是一種用於並行編程的語言和編譯器。它旨在提供一個基於 Python 的編程環境，以高效編寫自定義 DNN 計算內核，並能夠在現代 GPU 硬件上以最大吞吐量運行。 更多 Triton 中文文檔可訪問 →https://triton.hyper.ai/ 在本教程中，您將編寫一個非常簡短的高性能 FP16 矩陣乘法內核，其性能可以與 cuBLAS 或 rocBLAS 相媲美。 您將具體學

編程 , gpu , 人工智能 , 編譯器 , 深度學習

收藏 評論

u_15591470 頭像

ceshiren2022 - 測試腳本已過時？AI+Playwright正在重新定義自動化測試

在自動化測試領域，Playwright已成為端到端測試的優選方案，以其跨瀏覽器支持和高可靠性著稱。 然而，傳統測試腳本的編寫和維護依然是一項昂貴且對專業知識要求很高的工作。隨着大語言模型和AI智能體技術的發展，一個全新的範式正在興起：讓AI驅動Playwright完成測試任務。 Model Context Protocol在這一變革中扮演了關鍵橋樑的角色，它使得LangChain等AI應

人工智能 , 深度學習 , 自動化測試 , ui

收藏 評論

puxiaoke6 頭像

一點人工一點智能 - 書籍-《使用TensorFlow和Keras的神經網絡》

書籍：Neural Networks with TensorFlow and Keras: Training, Generative Models, and Reinforcement Learning 作者：Philip Hua 出版：Apress​ 編輯：陳萍萍的公主@一點人工一點智能 下載：書籍下載-《使用TensorFlow和Keras的神經網絡》 01 書

機器學習 , tensorflow , 神經網絡 , 深度學習

收藏 評論

zengjingaiguodekaomianbao 頭像

曾經愛過的烤麪包 - 2025刷屏事件背後：一場正在席捲每個人的“能力革命”

當AI一夜之間撼動美股，機器人登上春晚舞台，你我的未來，其實早已被重新書寫。 時光飛逝，2025年僅餘最後一月。回望這一年，從DeepSeek的技術突破到《哪吒2》的文化出圈，從春晚機器人扭秧歌到神舟凱旋的家國自豪——每一次刷屏，都是時代車輪滾過的深深印跡。 這些瞬間不只停留在熱搜，它們共同拼貼出一個正在加速運轉的世界。而在所有宏大敍事的背後，一場關乎每個人職業生涯的“能力革命”，已悄然拉開序幕。

pytorch , 機器人 , 人工智能 , 深度學習 , 後端

收藏 評論

huikaichedemianbao 頭像

合合技術團隊 - 【論文解讀】transformer小目標檢測綜述

一、簡要介紹 Transformer在計算機視覺領域迅速普及，特別是在目標識別和檢測領域。在檢查最先進的目標檢測方法的結果時，我們注意到，在幾乎每個視頻或圖像數據集中，transformer始終優於完善的基於cnn的檢測器。雖然基於transformer的方法仍然處於小目標檢測（SOD）技術的前沿，但本文旨在探索如此廣泛的網絡所提供的性能效益，並確定其SOD優勢的潛在原因。小目標由於其低可見性，

人工智能 , transform , 深度學習

收藏 評論

JavaEdge 頭像

JavaEdge - TornadoVM 2.0 為 Java 帶來自動 GPU 加速與LLM支持

TornadoVM 2.0 為 Java 帶來自動 GPU 加速與大語言模型（LLM）支持 TornadoVM 項目近日發佈了 2.0 版本，這是這個 開源項目 的一個重要里程碑。該項目旨在為 Java 提供一個可在異構硬件上運行的執行環境，這次更新對在 JVM 上開發大語言模型（LLM）解決方案的團隊尤其有吸引力。 TornadoVM 可以讓 Java 程序自動在多

yyds乾貨盤點 , OpenCL , API , 人工智能 , JAVA , 深度學習

收藏 評論

youqingyouyidejidan 頭像

底層邏輯探索 - AI與網絡安全的較量：主動防禦時代的策略與實踐

一、人工智能下隱藏的威脅 1.1 數據污染 在訓練階段，一旦AI數據集被惡意篡改（如加入虛假信息、重複數據或偏置樣本），模型可能在關鍵場景中出現嚴重誤判。典型案例包括：被植入木馬的面部識別系統只需識別到特定飾品便會放行；而自動駕駛車輛即便在日常運行中表現正常，也可能在看到某個特定信號後觸發預設木馬，導致危險行為。 1.2 門檻降低 生成式AI顯著降低了發動複雜攻擊的技術門檻

深度學習

收藏 評論

u_14844 頭像

definitely - TVFEMD算法 具體步驟

TVM介紹 為解決深度學習框架和硬件後端適配問題，華盛頓大學的陳天奇等人提出了TVM. TVM是一個端到端的全棧編譯器，包括統一的IR堆棧和自動代碼生成方法，其主要功能是優化在CPU、GPU和其他定製AI芯片上執行的AI模型，通過自動轉換計算圖，實現計算模式的融合和內存利用率最大化，並優化數據佈局，完成從計算圖到算子級別的優化，提供從前端框架到AI芯片、端

機器學習 , 手機端 , TVFEMD算法 具體步驟 , 深度神經網絡 , 人工智能 , 深度學習

收藏 評論

u_16970152 頭像

求知上進 - Python 數據結構：序列通用操作

在 Python 編程中，序列是一種重要的數據結構，它用於存儲一系列的元素。Python 中的序列類型包括列表（list）、元組（tuple）、字符串（str）以及範圍（range）等。理解序列的通用操作能夠幫助開發者更高效地處理數據，提高編程的靈活性和可讀性。本文將深入探討 Python 中的序列通用操作，內容涵蓋基本概念、常見方法、應用場景以及最佳實踐，力求為讀者提供全面且深

字符串 , 人工智能 , 深度學習 , 元組 , Python

收藏 評論