tag 深度學習

標籤
貢獻317
286
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

zohocrm 頭像

Python最棒 - CRM系統如何實現客户生命週期管理

明明花了 10 萬營銷費引來 500 個潛在客户，最終成交的不到 30 個；好不容易簽下的客户，用了 3 個月就不再續費；老客户有新需求，卻被競品搶先挖掘…… 這是很多企業在客户管理中常遇到的困境。如今，市場早已從 “增量爭奪” 進入 “存量競爭”，獲客成本較 5 年前上漲了 60%，但客户留存率每提升 5%，企業利潤卻能增加 25%-95%（哈佛商學院數據）。 這組反差數據背後，藏着一個關鍵命題

數據挖掘 , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - “哈希”機制是什麼?

一文讀懂哈希機制：從原理到實戰的全面解析 在編程與數據處理中，“哈希（Hash）” 是一個高頻出現卻易被混淆的概念 —— 它既是快速查找數據的 “加速器”，也是分佈式系統中數據分片的 “導航儀”，甚至在密碼存儲、數據校驗等場景中扮演關鍵角色。那麼，哈希機制究竟是什麼？它如何通過簡單邏輯實現高效功能？本文將從基礎原理到實際應用，徹底拆解哈希機制的核心邏輯。 一、哈希機制

code , 數組 , 人工智能 , 鏈表 , 深度學習

收藏 評論

xiaosong_679f71ca94403 頭像

小宋 - 多樣本反向傳播矩陣推導及其MLP的代碼實現

一.多樣本反向傳播矩陣推導 二.MLP代碼實現 # @time : 2025/1/8 10:53 # @author : specier import numpy as np import pandas as pd import datetime import pickle class MultipleLayerPerception: def __in

pickle , 神經網絡 , numpy , pandas , 深度學習

收藏 評論

u_17512334 頭像

疆鴻智能研發中心 - 主打一個靠譜：當疆鴻智能PROFIBUS集線器在礦洞説“我隔離了，勿擾”

主打一個靠譜：當疆鴻智能PROFIBUS集線器在礦洞説“我隔離了，勿擾” 1 工廠背景：煤礦井下的輸送挑戰 山西某大型煤礦的井下主運輸巷道長達3.5公里，部署着12台皮帶輸送機組成的連續運輸系統。巷道環境極端——濕度常超85%、煤塵濃度高、電磁干擾嚴重。原有點對點PROFIBUS佈線故障頻發，單點中斷導致整條生產線停擺，平均每月因此損失生產時間達42小時。系統核心為

PROFIBUS集線器 , profibus , 工業通訊 , 變頻器 , 人工智能 , 深度學習 , 工業自動化

收藏 評論

deephub 頭像

deephub - 機器學習超參數調優：十個實用的貝葉斯優化（Bayesian Optimization）進階技巧

貝葉斯優化（Bayesian Optimization, BO）雖然是超參數調優的利器，但在實際落地中往往會出現收斂慢、計算開銷大等問題。很多時候直接“裸跑”標準庫裏的 BO，效果甚至不如多跑幾次 Random Search。 所以要想真正發揮 BO 的威力，必須在搜索策略、先驗知識注入以及計算成本控制上做文章。本文整理了十個經過實戰驗證的技巧，能幫助優化器搜索得更“聰明”，收斂更快，顯著提升模型

機器學習 , 貝葉斯 , 人工智能 , 深度學習 , Python

收藏 評論

fabarta 頭像

Fabarta - 六問「大模型落地」— 如何打通企業智能化轉型最後一公里？

作者：張紅兵 楓清科技（Fabarta）合作人 ChatGPT 2022年底出現以來，大模型熱度持續不減，尤其是今年年初DeepSeek的爆火，更讓大模型走入更多人的視野。大模型除了在C端（個人用户）廣泛應用，在B端（企業）也有越來越多的企業在做落地。2025年8月26號， 國務院發佈《關於深入實施“人工智能+”行動的意見》，更將以大模型為主的人工智能技術放到更加突出的位置。“

開源軟件 , 數據 , 人工智能 , 深度學習

收藏 評論

u_16099165 頭像

編程小達人 - 輕量化transformer實現圖像生成

MobileNet v2是對MobileNet v1的改進，也是一個輕量化模型。 MobileNet v1遺留下的問題 1）結構問題 MobileNet v1的結構非常簡單，是一個直筒結構，這種結構的性價比其實不高，後續一系列的ResNet，DenseNet等結構已經證明通過複用圖像特徵，使用Concat/Eltwise+等操作進行特徵融合，能極大提升網

點乘 , 人工智能 , 深度學習 , 複用 , ide

收藏 評論

u_16213682 頭像

mob64ca140fd7c1 - pytorch搭建PyQt5界面實戰：ResNet-18實現CLFAR-10圖像分類，並利用PyQt5進行人機界面顯示

文章目錄 前言 1.為什麼需要殘差網絡？ 1.1梯度消失 / 梯度爆炸 1.2深度退化現象 2.ResNet 的核心創新：殘差塊與殘差連接 2.1 什麼是 “殘差”？ 2.2. 殘差塊的兩種結構 2.2.1恆等映射殘差塊

卷積神經網絡 , 後端開發 , 分類算法 , 人工智能 , 深度學習 , 1024程序員節 , Python

收藏 評論

u_16827017 頭像

全棧技術開發者 - 深度學習與傳統機器學習有什麼關係？反向傳播算法在深度學習訓練中為何如此關鍵？深度學習中的非凸優化問題如何影響模型收斂性？

在人工智能的發展歷程中，機器學習一直是研究的核心方向。自上世紀中葉以來，研究者致力於通過數學模型和算法，從數據中發現規律、預測結果並實現智能決策。這一過程不僅涉及統計學、優化理論和計算方法的深度結合，也推動了計算科學和信息理論的持續發展。傳統機器學習方法，如迴歸分析、支持向量機、決策樹和集成方法，為理解數據結構和建立預測模型提供了穩固的理論基礎，其理論體系清晰，模型可解釋性強，並

機器學習 , yyds乾貨盤點 , 數據 , 人工智能 , 深度學習

收藏 評論

chenzhuodeyagao 頭像

沉着的牙膏 - 自動化、規模化、運維成本低的運營商行業數據分類分級最佳實踐與案例

一、概要 （提示：在強監管與高複雜度並存的運營商場景下，只有自動化、規模化的數據治理能力，才能真正降低長期運維成本。） 在5G與雲網融合持續深化的背景下，運營商正快速邁入以數據為核心驅動力的新階段。用户身份信息、通信記錄、位置軌跡等高敏感數據，成為支撐業務運行、網絡優化與新業務創新的關鍵資產。但與此同時，數據規模的指數級增長、系統架構的高度複雜化，也使傳統以人工為主的數據治理方式徹底失

深度學習

收藏 評論

u_17583190 頭像

fangpin - 從 0 搭建 LLM 不再難！這個 PyTorch 項目幫你吃透大模型底層邏輯

如果你曾想深入理解大語言模型（LLM）的 “五臟六腑”，卻被框架封裝的黑盒接口、複雜的源碼結構勸退；如果你希望親手實現 Transformer 的每一個組件，而非單純調用transformers庫 —— 那麼今天推薦的這個開源項目，絕對能成為你的 LLM 學習 “腳手架”。 它就是 GitHub 上的 llm-from-scratch（項目地址），一個基於 PyTorch、專為教育設

AIGC二三事 , llm , BPE , 人工智能 , transformer , 深度學習 , 大模型

收藏 評論

u_16213650 頭像

mob64ca14085c24 - whisper桌面版翻譯的是繁體字

Windows電腦翻譯軟件敬業籤雲便籤翻譯器支持在線中英文翻譯功能。使用該Windows電腦桌面雲便籤V2.5.4或者其以上版本的用户，可以在其工具面板中找到“翻譯”，使用翻譯功能。那麼該電腦桌面翻譯軟件下載安裝好之後應該如何使用，怎麼在線實時進行翻譯呢？ 一、打開Windows電腦桌面上的敬業便籤，登錄賬號進入便籤主界面後點擊右下角的“工具面板”

windows , whisper桌面版翻譯的是繁體字 , 翻譯器 , 人工智能 , 深度學習 , 計算機英文桌面使用圖標翻譯 , 翻譯軟件

收藏 評論

youyudetusi 頭像

憂鬱的吐司 - 什麼是真正的AI員工？青否AI員工系統的核心功能有哪些？

隨着人工智能技術不斷髮展，AI大模型從研發走向應用，“AI數字員工”應運而生。它並非科幻意義上的“類人夥伴”，而是作為虛擬勞動力，實質參與生產、運營、服務等流程，為跨行業領域的數字化與智能化轉型提供有力支撐。 “‘AI數字員工’作為一個在企業數字環境中工作的智能體，已超越傳統自動化工具範疇，不再是模仿人類操作的機械工具，而是具備‘感知—規劃—行動—學習’閉環能力的‘數字同事’。（青否ai員工源頭v

算法 , 人工智能 , 深度學習

收藏 評論

u_15641375 頭像

芯動大師 - codigger體驗過程記錄

一、codigger的介紹 codigger是一款分佈式操作系統，主要是便於進行個人移動化辦公、在線協同辦公、開發和娛樂的私人應用。 收到codigger開發者朋友的邀請，於是進行了這款產品的升級體驗，接下來就簡單介紹一下自己的體驗過程吧。 二、登錄系統 首先，我根據提供的專屬賬號和密碼登錄進了系統，進去之後，感覺整體的設計非常的美觀。

文本編輯 , yyds乾貨盤點 , 人工智能 , 深度學習 , 開發者 , 資源管理器

收藏 評論

u_16175452 頭像

mob649e8158ed1f - stable diffusion xl 提示詞

在當前生成模型技術中，Stable Diffusion XL 被廣泛應用於圖像生成任務。它的成功在於高效的提示詞（prompts）設計，保障生成的圖像質量。同時，如何優化這些提示詞，以達到更好的輸出效果，成為了研究者們亟待解決的問題。 背景定位 Stable Diffusion XL 是一種先進的圖像生成模型，使用深度學習技術變換提示詞為高質量的圖像。其基本運作可以用以下公式模型

生成模型 , 用户創建 , aigc , 深度學習

收藏 評論

u_16099297 頭像

mob6454cc7416d1 - 鏡像添加宋體

©作者 | Hanbo Cheng 單位 | NJUST 研究方向 | 場景文字檢測 論文標題： GLASS: Global to Local Attention for Scene-Text Spotting Abstract 本篇文章針對端到端的 Scene-Text Spottin

機器學習 , 雲計算 , 鏡像添加宋體 , 人工智能 , 深度學習 , 雲原生 , Python

收藏 評論

u_15591470 頭像

ceshiren2022 - 避免人為漏測：Dify工作流成為你的“測試策略大腦”，全天候在線排查

關注 霍格沃茲測試學院公眾號，回覆「資料」, 領取人工智能測試開發技術合集 在軟件開發中，我們是否經常面臨這樣的困境？儘管測試團隊傾盡全力，但線上漏測問題依然像幽靈一樣不時出現。人為的測試總有極限：測試用例設計可能覆蓋不全、迴歸測試因時間緊張而被壓縮、疲勞可能導致誤判…… 這些“人性化”的漏點，單靠增加人力或延長工時往往收效甚微。 那麼，有沒有一種方法，能將我們的測試策

測試策略 , API , 測試類 , 人工智能 , 深度學習 , dify

收藏 評論

u_16213574 頭像

數據分析家 - 訓練權重分割怎麼做

中南大學ACM的暑期集訓馬上就要開始了，這次集訓會將全體N名集訓隊員（編號分別為1, 2, …, N）按集訓選拔賽的排名分成兩組，前K名隊員分入A組，其餘隊員分入B組。 但現在助理教練CSGrandeur一不小心把集訓選拔賽的排名弄丟了，而之前又沒將A組和B組的人員確定出來，於是CSGrandeur打算問一下集訓人員他們的

訓練權重分割怎麼做 , include , i++ , 測試數據 , 人工智能 , 深度學習

收藏 評論

u_15675190 頭像

冰淇淋紅茶Q - openEuler網絡優化：TCP/IP協議棧性能深度測評

一、測評背景與目標 在現代分佈式計算環境中，網絡協議棧性能是衡量操作系統網絡處理能力的關鍵指標。面對多樣化的網絡應用場景，高效的TCP/IP協議棧能夠顯著提升數據傳輸效率和系統整體性能。openEuler作為面向數字基礎設施的開源操作系統，在網絡協議棧優化方面進行了深度技術投入。本次測評旨在全面評估openEuler在網絡協議棧性能方面的表現，驗證其在多樣性算力支持環境下的

連接建立 , tcp , 人工智能 , 深度學習 , 網絡協議棧

收藏 評論

u_15591470 頭像

ceshiren2022 - 2025年測試工程師的核心能力：掌握Dify工作流編排AI測試智能體

測試工程師的角色正從“腳本執行者”向“質量策略架構師”躍遷。掌握用Dify這樣的AI工作流平台來編排“AI測試智能體”，將成為你的新護城河。 在傳統的自動化測試中，我們編寫腳本（如Selenium, Playwright）來模擬用户操作，驗證預設結果。這套模式在過去二十年裏非常有效。然而，隨着AI應用的爆炸式增長，尤其是大語言模型（LLM）和Agent（智能體）的普及，軟件界面、交互邏輯

智能體 , AI , 人工智能 , 深度學習 , dify , 測試報告

收藏 評論

huodadexiang 頭像

南瓜 - 基於 YOLOv8 的駕駛員疲勞狀態識別系統實戰（含完整源碼與可視化界面）

基於 YOLOv8 的駕駛員疲勞狀態識別系統實戰（含完整源碼與可視化界面） 一、項目背景與研究意義 隨着汽車保有量的持續增長，疲勞駕駛已成為交通事故的重要誘因之一。據統計，在高速公路和長途駕駛場景中，由於駕駛員長時間保持同一姿態，容易出現注意力下降、反應遲鈍、頻繁眨眼、打哈欠等疲勞特徵，從而顯著提升事故風險。 傳統的疲勞檢測方法多依賴以下方式： 車載方向盤行為分析 心率、腦電等生理傳感器

機器學習 , 人工智能 , 深度學習

收藏 評論

u_16993377 頭像

一線數智 - 實戰為王！這場“AI・共創”會議 憑“強實用 + 高互動” 圈粉，嘉賓直呼“拿來就能用”

　　【一線數智資訊】2026 年被業界公認為 AI 規模化爆發的關鍵一年，AI 正從實驗室走向企業生產一線。近日，一場聚焦“AI・共創”為主題的AI與數智化創新研討會（以下簡稱研討會）在北京召開。會議現場邀請到火山引擎、光環雲等企業從模型能力、算力支持、數據治理三大核心維度，拆解了 AI 落地的實戰路徑，乾貨滿滿且福利豐厚。 　　本文將完整覆盤分享核心內容，為企業和從業者提

數據 , 人工智能 , 深度學習 , 解決方案 , 迭代

收藏 評論

u_17580222 頭像

mb691327edb400f - HR的下半場：不靠加班，而靠升級為AI指揮官

HR的下半場：不靠加班，而靠升級為AI指揮官 “再努力也招不到優秀的人”正在成為HR的共同焦慮。許多HR加班篩簡歷到深夜，卻仍錯過關鍵人才；安排面試滿滿一週，卻被候選人臨時放鴿子；做了大量流程工作，卻常常被質疑“招聘為什麼這麼慢、這麼不準”。 我們正在進入一個現實：人才不是稀缺，識別能力才是稀缺。 與此同時，市場變化、業務迭代、候選人體驗與僱主品牌競爭，

快速啓動 , 數據 , 人工智能 , 深度學習 , 迭代

收藏 評論

u_16213394 頭像

mob64ca12e77061 - ollama命令千問

在現代的IT環境中，“ollama命令千問”成為了一個備受關注的話題。特別是在處理複雜的命令和解決方案時，面對不斷涌現的問題，我們需要一個清晰的框架來理解如何應對這些挑戰。本文將探討“ollama命令千問”的解決過程，涵蓋多個核心維度，幫助您從理論到實戰，全方位掌握相關知識。 背景定位 隨着開源工具的流行和技術的不斷進步，開發者對命令行工具的需求日益增加。ollama命令就是一個

初始化 , 生產環境 , aigc , 深度學習

收藏 評論