tag 深度學習

標籤
貢獻317
284
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

tencent_blueking 頭像

騰訊藍鯨智雲 - 把握關鍵！設備到數據的存儲監控之路

本文來自騰訊藍鯨智雲社區用户: CanWay 直達原文：從設備到數據：存儲監控的關鍵與實踐 近年來，隨着數據量的爆炸性增長，從傳統的磁盤陣列和網絡存儲，到如今的雲原生存儲、分佈式文件存儲和對象存儲，存儲領域正在快速演進。然而，無論技術如何革新，存儲系統的監控始終是保障業務持續性、優化性能以及預防故障的重中之重。 在本文中，我們將深度剖析存儲監控的關鍵，探討如何科學全面地監控存儲設備，幫助企業遠離風

大數據 , 運維 , deepseek , 人工智能 , 深度學習

收藏 評論

pannideniupai 頭像

雨大王 - 中小製造企業如何選對數字化服務商？方法論與避坑指南

工業數字化服務商，這個詞在近年來越來越頻繁地出現在製造業的討論中，尤其是在數字化轉型成為企業生存必選項的時代。但很多人其實並不清楚，這類服務商到底能帶來什麼，為什麼製造業轉型總卡在某個環節，甚至很多人會誤以為這只是買幾個軟件、上幾台設備那麼簡單。 其實，數字化轉型的核心問題往往不是技術，而是思維。製造業的歷史積累了太多經驗，這些經驗固然寶貴，但一旦固化進系統，就容易變成僵化的數據孤島。舉個例

人工智能 , 深度學習

收藏 評論

ziwupython 頭像

子午 - 【岩石種類識別系統】Python+TensorFlow+Vue3+Django+人工智能+深度學習+卷積網絡+resnet50

一、介紹 岩石種類識別系統，基於TensorFlow搭建卷積神經網絡算法，通過對7種常見的岩石圖片數據集（‘玄武岩（Basalt）’, ‘煤（Coal）’, ‘花崗岩（Granite）’, ‘石灰岩（Limestone）’, ‘大理石（Marble）’, ‘石英岩（Quartzite）’, ‘砂岩（Sandstone））進行訓練，最後得到一個識別精度較高的模型，然後搭建Web可視化操作平台。 前端

圖像識別 , 人工智能 , 深度學習

收藏 評論

u_16099295 頭像

IT劍客行 - 用chatgpt與VBA 一鍵搞定EXCEL 下載

VBA代碼收藏功能簡介 本功能要求VBA代碼助手最低版本 V3.8.6.0之前神鍵手代碼提示必須打開關鍵詞表或者在代碼管理窗口才能添加和編輯VBA代碼庫，為了進一步提高大家收藏代碼片段的便利性，增加大家收藏代碼的積極性，特此加入了在代碼區直接右鍵收藏代碼的功能，除了窗體以外，其他類型的代碼均可直接收藏進神鍵手詞庫表（VBAKeyWords.xlsx文件），免除了每次要打開表

vba , 代碼區 , 人工智能 , 深度學習 , 右鍵

收藏 評論

pannideniupai 頭像

雨大王 - 汽車製造的智能化升級：工業AI平台如何重構生產線？

汽車製造業的智能化轉型背景與挑戰 汽車製造業作為工業4.0時代的重要支柱，正面臨前所未有的轉型升級壓力。在電動化、智能化、網聯化與共享化的“新四化”浪潮推動下，傳統制造模式的侷限性逐漸暴露：生產線剛性結構難以適應多品種小批量的市場需求，工藝參數調整依賴經驗而非數據，質量缺陷溯源週期長且成本高。這些痛點不僅制約了生產效率，也削弱了企業的市場競爭力。 然而，以工業AI平台為核心的智能製造技

人工智能 , 深度學習

收藏 評論

u_16213620 頭像

mob64ca1401464d - Sigmoid函數參數極大似然matlab 參數的極大似然估計

極大似然估計，通俗理解來説，就是利用已知的樣本結果信息，反推最具有可能（最大概率）導致這些樣本結果出現的模型參數值！ 換句話説，極大似然估計提供了一種給定觀察數據來評估模型參數的方法，即：“模型已定，參數未知”。 可能有小夥伴就要説了，還是有點抽象呀。我們這樣想，一當模型滿足某個分佈，它的參數值我通過極大似然估計法求出來的話。比如正態分佈中公

極大似然估計 , 正態分佈 , 人工智能 , 最大似然估計 , 深度學習

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI大模型知識圖譜：給AI裝“邏輯大腦”，讓智能有跡可循

傳統AI像“只會背答案的學霸”，能快速找出現成信息，卻看不懂知識間的關聯——比如知道“喝茶能提神”，卻講不清“茶裏的咖啡因如何刺激神經”。而AI大模型知識圖譜的出現，就像給AI裝上了“邏輯大腦”，用技術把分散的知識織成網，讓智能不僅能“找答案”，還能“懂邏輯、會推理”。 這個“邏輯大腦”的核心技術，是“知識建模+AI推理”的雙向賦能。首先得把雜亂的信息“拆解開、連起來”：工程師用“實

建模 , NLP , 自動補全 , 人工智能 , 深度學習

收藏 評論

chenzhuodeyagao 頭像

沉着的牙膏 - 高兼容性、聯動閉環、規模化：醫療行業數據分類分級管理系統解決方案

一、概要 提示：本文旨在系統闡述醫療機構在數據分類分級方面的核心挑戰與智能化解決方案。隨着醫療數字化轉型的深入，數據已成為醫院運營與科研創新的核心資產，其安全與合規管理日益嚴峻。“知源-AI數據分類分級系統”，以高兼容性、聯動閉環與規模化為核心特性，幫助醫療機構實現數據資產的全鏈路智能治理。該系統已在多家醫院落地，顯著提升了數據識別效率與分類準確率，推動醫療數據在合規基礎上實現安全共享與價值

深度學習

收藏 評論

youqingyouyidejidan 頭像

底層邏輯探索 - 政務數據智能治理一體化解決方案：合規對標、易掌握、自適應分類的全面實現

一、概要 提示：本文系統闡述政務數據分類分級管理的政策背景、行業痛點、技術路徑與落地成效，突出“合規對標、易掌握、自適應分類”三大核心特性，為數字政府建設提供可操作、可複製的治理典範。在數字政府縱深發展的當下，政務數據已成為提升治理能力與公共服務品質的關鍵要素。然而，數據規模急劇增長、系統異構分散、合規要求趨嚴等多重挑戰，使得政務數據管理面臨“數據不清、安全難控、共享不暢”的普遍困境。“知源

深度學習

收藏 評論

Abin 頭像

Abin_2025 - 破局多模型集成困境：GMI Cloud 推理引擎深度體驗與架構解析

前言 在當今技術迭代日新月異的背景下，項目引入且靈活調配多個AI模型已成為常態。然而，這種多模型策略也帶來了顯著的工程挑戰：開發團隊不得不為OpenAI、DeepSeek、Claude、Qwen等每一個平台重複進行獨立的賬户註冊、API密鑰申請、SDK學習與接口適配。不僅引入了鉅額的集成與維護成本，更使得開發者在頻繁的模型切換與比對測試中，陷入了效率低下的泥潭。構建一個統一、標準化且

插入圖片 , API , 人工智能 , 深度學習 , cloud

收藏 評論

u_17569005 頭像

wx6906fb3f9b17a - 全協議讀卡模塊廣泛應用於門禁、梯控、消費系統，支持1K起訂的OEM定製及二次開發，可集成掌靜脈/人臉等多模態識別技術，是智能安防系統的理想解決方案

DAIC-MJ-QRW全協議讀卡模塊技術摘要：該模塊採用47×27×5mm緊湊設計，支持DC5V/3.3V/12V寬電壓輸入，功耗100mA。支持13.56MHz/125KHz雙頻段，兼容ISO14443A/B/C等20餘種協議，可讀取二代證(3cm)、Mifare(5cm)及15693標準卡(8cm)。提供Wiegand/UART/USB多接口，支持TCP/IP/MQTT等網絡

門禁讀卡器 , ID卡讀卡器 , CPU卡讀卡器 , 人工智能 , 深度學習 , 梯控讀卡器

收藏 評論

daniusdk 頭像

音視頻牛哥 - AI時代底層技術鏈：GPU、雲原生與大模型的協同進化全解析

過去兩年，你可能經常看到類似的信息洪流： 一台服務器賣 300 萬？因為它裝了 8 張 H100 GPU。 大模型訓練一次要燒掉上億人民幣？ 雲計算巨頭都在搶「算力調度業務」？ 各國發布「AI 國家戰略」？ 看新聞彷彿置身一場術語大混戰： AI、大模型、GPU、雲原生，到底在説啥？ 是彼此

雲原生大模型 , yyds乾貨盤點 , AI底層技術鏈 , 人工智能 , 深度學習 , 計算機視覺 , GPU雲原生

收藏 評論

u_15591470 頭像

ceshiren2022 - AI測試開發工程師面試指南：20個核心技術問題及思路解析

我是霍格沃茲測試開發學社，我們學員在面試AI測試開發崗位時發現，技術面試不僅考算法能力，更看重你在模型落地、工程實踐、性能優化、MLOps和數據監控方面的經驗和解決問題的思路。 為了幫助大家系統覆盤，我們整理了一套AI測試開發崗位精選面試題，每題附答題思路框架，方便大家快速整理面試經驗，並結合真實項目案例量化指標提升説服力。 Tip：建議你結合真實項目經驗，每道題儘量給出具體

性能優化 , 面試題 , 測試開發 , 人工智能 , 深度學習

收藏 評論

u_16432251 頭像

Transofomer周 - Deepseek math V2的價值

我之前説過講一下math V2的論文，今天來還個願 其實為什麼這論文沒人重視呢？主要是兩個原因： 1- 絕大多數人討厭數學 2- 之前出過一個prover2，大家也不知道幹啥的也和數學有關，然後又來一個 討厭數學就不説了（甚至有人討厭香菜），主要説第二個，prove2為什麼讓人不知道是幹啥的？ 它其實是lean 生成器，

data , 生成器 , 人工智能 , 深度學習 , Lean

收藏 評論

youyacao 頭像

卓伊凡 - 技術與合規兩條線深度解析番茄寫小説要不要勾選 AI（包括 AI 潤色 / AI 修改 / AI 擴寫）-卓伊凡

技術與合規兩條線深度解析番茄寫小説要不要勾選 AI（包括 AI 潤色 / AI 修改 / AI 擴寫）-卓伊凡 1）“勾選 AI”在系統裏代表什麼（技術信號） 在工程系統裏，這個勾選不是“道德選項”，它更像一個 content_meta_feature（內容元數據特徵），會被用於： 合規鏈路：內容審核/風控分流（risk ro

風控 , 鏈路 , 數據 , 人工智能 , 深度學習

收藏 評論

u_16060192 頭像

HyperAI超神經 - 首個天文多模態基礎模型AION-1誕生！UC伯克利等基於2億天文目標預訓練，成功構建泛化性多模態天文AI框架

基於 Transformer 架構的基礎模型，已在自然語言處理與計算機視覺等領域引發深刻變革，推動技術從「一事一模型」的定製範式，邁向通用化的新階段。然而，當這類模型進入科學研究領域時，卻遭遇了明顯的水土不服。科學觀測數據來源多樣、格式不一，且常包含各類觀測噪聲，使得數據呈現出顯著的「複雜異質性」。這一現實使得科學數據分析陷入兩難： 若僅處理單一類型數據，則難以充分挖掘其潛在價值；若依賴

多模態 , AI , 天文學 , 人工智能 , 深度學習

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【Triton 教程】分組 GEMM

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/ 分組 GEMM 內核通過啓動固定數量的 CTA 來計算一組 gemms。調度是靜態的，並且在設備上完成。 Out: group-ge

機器學習 , 自然語言處理 , 人工智能 , 編譯器 , 深度學習

收藏 評論

u_16566216 頭像

美狐美顏SDK小金 - 直播美顏sdk架構解析：算法、渲染、端側優化三大模塊

在過去幾年裏，直播行業從“拼流量”逐漸走向“拼體驗”。而美顏能力，已經成為影響直播平台用户停留、主播活躍以及商業合作的重要因素。對於開發者來説，選擇或打造一個專業的直播美顏SDK不再是錦上添花，而是產品體驗和競爭力的核心基礎設施。 本文將從算法層、渲染層、端側優化層三大模塊拆解一套直播美顏SDK的完整技術路線，並結合行業趨勢、性能優化思路與示例代碼，讓內容更貼近實際開發環境

視頻美顏sdk , 美顏api , 美狐美顏sdk , 人工智能 , 直播美顏sdk , 深度學習 , 在51CTO的第一篇博文 , 美顏SDK

收藏 評論

u_16776161 頭像

天潤融通科技 - 天潤融通ZENAVA上崗3C家電售後，90%的報修無需人工處理

在競爭日趨激烈的家電行業，售後服務已成為影響消費者忠誠度和品牌口碑的關鍵戰場。 過去，面對一台壞掉的空調、洗衣機，消費者要撥打售後熱線，重複描述問題、等待人工響應、排隊建單、安排維修……流程複雜、響應慢、體驗差，品牌好感度就這樣一點點流失。 而現在，這一切正被AI徹底改寫。 在大量真實客户的服務場景中，天潤融通推出的對話式AI產品ZENAVA，已經將90%以上的

人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - NeurIPS 2024最佳論文，擴散模型的創新替代：基於多尺度預測的視覺自迴歸架構

本文將詳細解讀NeurIPS 2024最佳論文："Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction（視覺自迴歸建模：基於下一尺度預測的可擴展圖像生成）"。 該論文提出了視覺自迴歸建模（Visual Autoregressive Modeling，VAR）方法，在圖像生成領域實現了重

圖像處理 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

JavaEdge 頭像

JavaEdge - 零距離拆解銀行司庫系統（TMS）的微服務設計與實踐

本文已收錄在Github，關注我，緊跟本系列專欄文章，咱們下篇再續！ 🚀 魔都架構師 | 全網30W技術追隨者 🔧 大廠分佈式系統/數據中台實戰專家 🏆 主導交易系統百萬級流量調優 車聯網平台架構 🧠 AIGC應用開發先行者 | 區塊鏈落地實踐者 🌍 以技術驅動創新，我們的征途是改變世界！ 👉 實戰乾貨：編程嚴

yyds乾貨盤點 , 微服務 , 數據庫 , 人工智能 , 分佈式事務 , 深度學習

收藏 評論

u_17583190 頭像

fangpin - 從0到1：揭秘LLM預訓練前的海量數據清洗全流程

讀完這篇文章，你將用監督微調（SFT）把一個 1.5B 規模的數學模型在 GSM8K 上的零樣本推理正確率從 1.56% → 62.9%，同時把輸出格式遵循率從 18.9% → 100%。我們將完整走通數據集下載、Prompt 架構、訓練配置和評估方法，所有代碼均來自本倉庫 alignment 文件夾，保證可復現與透明。 本文將深入剖析 llm-from-scratch

lua , 人工智能 , 深度學習 , Json , Python

收藏 評論

JavaEdge 頭像

JavaEdge - 搭載 Gemini 3 的 Google 搜索：迄今最智能的搜索

Gemini 3 具備最先進的推理能力，能夠精準掌握內容的深度與細微差異，並開啓了全新的生成式 UI 體驗；通過動態視覺版面配置、互動式工具及模擬情境，為您的搜索查詢量身打造專屬結果。 今天，推出了 Gemini 3，這是迄今最聰明的模型，具備頂尖的推理能力、深度的多模態理解，以及強大的代理能力（agentic capabilities）。現在，你可以在 Googl

yyds乾貨盤點 , 搜索 , google , 人工智能 , 深度學習 , 生成式

收藏 評論