tag 深度學習

標籤
貢獻317
292
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

quanzhikeji 頭像

全知科技 - 實力入選！全知科技榮登《中國網絡安全年鑑2025》

近日，斯元商業諮詢正式發佈了《中國網絡安全年鑑2025》。這是首部以宏觀經濟為背景、以資本與科技為線索，系統記錄中國網絡安全產業全貌、具備國際化視野的年鑑。全知科技憑藉在數據安全領域的深厚技術積澱、豐富實踐成果及行業影響力，成功入選《中國網絡安全年鑑2025》，並被評為專業廠商。 《中國網絡安全年鑑2025》以客觀視角梳理了中國網絡安全產業的成長軌跡，其收錄的企業及技

人工智能 , 深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 高效利用技術庫

在現代 IC 設計流程中，合理利用技術庫（Technology Library）是優化 RTL 合成結果的關鍵。 1、技術庫：設計優化的核心資源 技術庫包含標準單元及其詳細特性（如時序、功耗、面積等），合成工具依賴這些數據將 RTL 轉換成物理電路。精確的模型與策略直接決定設計是否能滿足性能、功耗與製造的嚴格要求。 2、關鍵技術與應用實踐 I. 庫表徵（Library Characte

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - 打造自己的 Claude Code：LangGraph + MCP 搭建一個極簡的 AI 編碼助手

實踐是最好的學習方式。為了深入理解 LangGraph 和模型上下文協議（MCP）服務器的生態，我們來從零開始構建一個 CLI 編碼代理。我們的目標是，拋開 Claude Code 那些花裏胡哨的功能，看看最基礎的編碼代理能做到什麼程度。 那些商業編碼代理往往會添加各種專有的"秘密配方"——特殊的上下文管理、精心設計的提示策略、優化過的工具選擇算法。這些技術細節被包裝得嚴嚴實實，很難

llm , 人工智能 , 深度學習 , claude , Python

收藏 評論

old_it 頭像

老IT人 - DGX Spark 雙機互連實測 Qwen3-235B 模型

前段時間我們使用單台 DGX Spark 測試了gpt-oss-120b模型性能。今天，我們通過一根 200 Gbps 帶寬的 QSFP 線纜連接兩台 DGX Spark，並測試了一個參數更大的模型：Qwen3-235B，看看性能如何。 整體測試下來，單用户生成速度為10 tokens/s，但預填充速度還不錯，單用户可達1000 tps，詳細測試數據如下: 生成速度 知識庫應用（輸入4K） 知

機器學習 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

old_it 頭像

老IT人 - DGX Spark 實戰解析：模型選擇與效率優化全指南

自 DGX Spark 發佈以來，這段探索之路挑戰與收穫並存。在成功完成軟件移植的攻堅後，我們決定將這段時期的實戰經驗系統梳理，轉化為一份關於模型選擇與性能優化的實用指引，希望能助力更多團隊高效利用 DGX Spark。 模型選擇策略：效率與性能並重 經過充分測試，我們發現不同模型在 DGX Spark 平台上的表現存在明顯差異。 以下是我們的具體推薦： 文本生成模型首選： gpt-oss-20b

教程 , 知識 , 人工智能 , 深度學習

收藏 評論

rivers_chaitin 頭像

百川雲開發者 - 2025年知識管理系統推薦，這款AI驅動的開源工具讓我徹底告別信息混亂！

你是不是也經常遇到這樣的情況：團隊文檔散落在無數個聊天記錄、郵件附件和本地文件夾裏，找個去年的方案得翻半天；新員工入職培訓時，面對一堆零散資料無從下手；或者寫技術文檔時，明明公司內部有現成案例，卻壓根不知道去哪裏找？ 別擔心，你不是一個人。在信息爆炸的2025年，高效的知識管理已經成為企業和個人發展的核心挑戰。好在，AI技術的成熟讓知識管理工具迎來了全新突破。今天要聊的，正是一款讓我眼前一亮的知識

人工智能 , 深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - IC 測試革新

無論你是IC 設計新手，還是資深RTL Synthesis 工程師，深入掌握設計可測試性（DFT）關鍵技術，是提升芯片可靠性的必經之路。 1、為什麼DFT 在現代IC 中變得不可或缺 提升可控性與可觀測性：通過在設計中嵌入測試結構，內部節點的狀態能被有效控制與觀察，從而支持故障定位與調試。 縮短測試時間、降低成本：採用scan chain、大規模並行測試、BIST 和MB

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

kestrel_task 頭像

微芒不朽 - 用 n8n 實現工作自動化後，我每天多睡 2 小時！

n8n 是一個開源的工作流自動化平台，允許用户通過拖放節點來創建複雜的自動化流程。n8n 提供了豐富的內置節點和社區貢獻的節點，支持與各種 API、數據庫和其他服務集成。本文將詳細介紹 n8n 中節點的使用方法，包括如何添加節點、配置節點、連接節點以及調試和優化工作流。 1. n8n 基本概念 1.1 工作流（Workflow） 工作流是由多個節點組成的自動化流程，每個節點代表一個操作，如發送電

機器學習 , 人工智能 , 深度學習

收藏 評論

digitalocean 頭像

DigitalOcean - 裸金屬 vs. 虛擬化 GPU 服務器：AI 訓練與推理應該怎麼選

根據研究機構預測，全球人工智能市場規模在 2024 年的價值為 234.6 億美元。預計該市場將從 2025 年的 2,941.6 億美元增長到 2032 年的 1,7716.62 億美元，在預測期間的複合年增長率為 29.2％。到 2030 年全球 ​AI​​​ 推理市場規模將達到 2549.8 億美元​，而推理任務將佔據 ​數據中心整體計算需求的 70% 以上​。 AI 模型的複雜度正以指數級

llm , 人工智能 , 深度學習

收藏 評論

rivers_chaitin 頭像

百川雲開發者 - 2025年這五款AI Wiki神器，讓你的知識管理效率翻倍！

在這個信息爆炸的時代，知識管理已經成為每個企業和團隊都必須面對的挑戰。傳統的文檔管理方式不僅效率低下，而且查找困難，協作不便。幸運的是，隨着AI技術的快速發展，一批智能化的Wiki軟件應運而生，它們不僅能夠幫助我們高效地組織和管理知識，還能通過人工智能技術實現智能搜索、自動問答甚至內容創作。 今天，就讓我們一起來看看2025年最值得關注的五款AI Wiki軟件，看看它們是如何重新定義知識管理的！

人工智能 , 深度學習 , 開源項目介紹

收藏 評論

deephub 頭像

deephub - 大模型強化學習的熵控制：CE-GPPO、EPO與AsyPPO技術方案對比詳解

LLM的強化學習訓練最近進展很快，SOTA模型在各種推理benchmark上的表現確實亮眼。但更值得關注的其實是另一條信息——從Rutgers到Alibaba再到HKUST，這些研究團隊正在攻克的是RL領域的一個老大難：怎麼控制好熵，同時避免模型退化成毫無用處的確定性輸出。 三篇新論文給出了不同角度的解法：CE-GPPO、EPO和AsyPPO。雖然切入點各有不同，但合在一起就能發現它們正在重塑大規

llm , 強化學習 , 人工智能 , 深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 緩存一致性驗證秘笈

在多核 SoC 設計中，緩存一致性（Cache Coherence）驗證 是保障數據一致性與系統性能的基石。本文深入解析高級驗證策略，結合實戰案例，系統講解如何在設計早期高效捕捉潛在一致性問題。 1、形式驗證 — 數學級確保一致性 形式驗證通過數學模型與狀態空間窮舉來驗證緩存協議，各種邊界場景都不放過。 實踐案例：某半導體廠商採用 Cadence JasperGold，對多核處理器的緩

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 總線死鎖驗證方法

在複雜SoC 設計中，總線死鎖是一類嚴重影響系統可靠性的問題：多個模塊因相互等待資源而陷入永不響應的“僵局”。本文介紹先進的驗證策略，結合具體案例，幫你係統掌握如何早期發現並避免總線死鎖。 1、什麼是總線死鎖？ 當多個組件互相等待彼此持有的總線資源，形成循環等待，導致系統無法繼續操作，這就是總線死鎖。尤其在多核、多請求源的環境中，檢測並解決死鎖至關重要。 2、驗證技術詳解

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

openbayescom 頭像

OpenBayes - 教程上新丨MIT等推出BindCraft，直接調用AF2，實現蛋白質結合體的智能化設計

在生命體系中，蛋白質很少單獨發揮其生物學功能，而是依賴於蛋白質-蛋白質相互作用（PPI）來執行復雜的生物學過程。因此，設計能夠特異性靶向和調控 PPI 的蛋白質結合物具有巨大的治療和生物技術潛力。 然而，傳統的蛋白質結合物生成方法，例如免疫接種、抗體庫篩選或定向進化，通常費力費時，並且對靶位的控制有限。 計算蛋白質設計提供了一種強大的替代方案，能夠根據特定靶標和結合位點定製結合物。而早期計算方法（

機器學習 , 自然語言處理 , 教程 , 人工智能 , 深度學習

收藏 評論

chenzhuodeyagao 頭像

沉着的牙膏 - 醫療行業數據安全管理方案 ——低誤差 · 場景化 · AI驅動 · 高效合規的醫療數據安全建設新路徑

概要：醫療行業的數據安全管理，已成為數字化醫療高質量發展的關鍵基石。隨着醫療信息化、智能化進程的加快，從電子病歷、互聯網診療到醫保數據共享，數據已成為醫療機構最核心的生產要素。如何在保證數據可用的同時，確保安全、合規與高效，是當前醫療行業共同面臨的挑戰。本方案以“低誤差識別、場景化落地、AI驅動智能決策、高效合規治理”為核心特徵，構建了一套覆蓋醫療數據全生命週期的安全管理體系。通過非侵入式採集、智

API , 深度學習

收藏 評論

infodator 頭像

容智信息 - 智能體最佳實踐的方法論（二）：實施

當企業智能體建設進入「第二階段實施環節」，如何將“規劃藍圖”轉化為“業務實效”成為核心命題。這一階段的成敗，直接決定智能體是“淪為技術試驗品”還是“成為業務增長極”。對於技術決策者和企業領導層而言，把握實施階段的四個關鍵步驟，並選對“業務能深度參與”的工具，是破局的關鍵。 智能體實施，是從“概念設計”到“價值交付”的實戰環節，可拆解為四個環環相扣的步驟，每一步都直指“落地效率

自動駕駛 , 機器人 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - vLLM 性能優化實戰：批處理、量化與緩存配置方案

很多團隊把它vLLM 當 demo 跑，但是其實這沒把它系統能力發揮出來。這篇文章將介紹怎麼讓 vLLM 真正幹活——持續輸出高令牌/秒，哪些參數真正有用，以及怎麼在延遲和成本之間做取捨。 先説 vLLM 到底好在哪 vLLM 提供 OpenAI 兼容的 API，核心是 continuous batching 加上 PagedAttention。PagedAttention 用分頁管理 K

神經網絡 , 教程 , 人工智能 , 深度學習 , llama

收藏 評論

deephub 頭像

deephub - Google開源Tunix：JAX生態的LLM微調方案來了

JAX生態這兩年在LLM訓練這塊追趕得挺快。PyTorch雖然還是主流但JAX在並行計算、TPU加速和API組合性上確實有些獨特的優勢。Google今天放出了Tunix這個庫，專門做LLM的後訓練——微調、強化學習、知識蒸餾這些都能搞。 Tunix是什麼 這是個構建在JAX之上的後訓練庫，和Flax NNX集成得比較緊密。主要解決三類問題： 監督微調（Supervised Fine-T

llm , jax , google , 人工智能 , 深度學習

收藏 評論

fabarta 頭像

Fabarta - Cursor可控AI編程實踐：縮短交付週期，保障產品質量

導讀AI編程工具的興起讓開發效率有了質的飛躍，但很多開發者在使用過程中會發現一個問題：AI生成的代碼往往與現有項目的技術棧、編碼規範不匹配，需要大量的手動修改，開發效率拖了後腿。如何讓AI按照我們的意圖和規範來編寫代碼？這就是"可控AI編程"要解決的核心問題。 通過Cursor可控AI編程技術，我們大幅提升了開發效率，同時確保了產品的高質量和可靠性。本文將展示這一技術如何為企業創造實際價

編程 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - LangGraph實戰：從零構建智能交易機器人，讓多個AI智能體像投資團隊一樣協作

現在的量化交易早就不是簡單的技術指標了。真正有效的交易系統需要像一個完整的投資團隊一樣工作——有專門的分析師收集各種數據，有研究員進行深度分析和辯論，有交易員制定具體策略，還有風險管理團隊把關。問題是傳統的程序很難模擬這種複雜的協作流程。 LangGraph的多智能體架構正好解決了這個問題。我們可以構建一個像真實投資公司一樣運作的系統，每個智能體負責特定的職能，它們之間可以進行辯論、協商，最終形成

llm , 代理 , 人工智能 , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - Java中SSM框架實現增刪改查功能代碼詳解

SSM 框架實現增刪改查（CRUD）功能代碼詳解 以 “用户管理” 模塊為案例，基於 SSM（Spring+SpringMVC+MyBatis）框架實現用户的新增、查詢（單條 / 列表）、修改、刪除功能，全程遵循 “POJO→Mapper→Service→Controller” 的分層開發邏輯，附完整代碼與配置説明。 一、前期準備：項目結構與依賴 1.1 項目目

User , spring , 人工智能 , JAVA , 深度學習

收藏 評論

deephub 頭像

deephub - AutoGen框架入門:5個核心概念搭建智能體協作系統

AutoGen 是微軟研究院開源的多智能體 AI 系統框架。這個框架的設計思路很簡單——讓多個 AI 智能體（加上人類參與）在對話中完成複雜任務的協作和推理。 你甚至可以把它理解成一個團隊聊天室，智能體們在裏面討論、爭論、協作，最終得出解決方案。 AutoGen 通過創建多個專門化智能體，為每個智能體設定自己的角色、目標，來達到上面説的聊天能力，並且還能通過配置工具來獲得代碼執行能力。智能

llm , agent , 人工智能 , 深度學習 , Python

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 高效驗證：ACE VIP 實踐指南

在當代多核SoC設計中，ACE VIP（Advanced Coherency Extensions Verification IP）是確保系統一致性與性能穩定的重要驗證工具。本文將圍繞協議驗證、UVM整合、功耗性能分析與仿真加速四大應用展開，結合實際案例，帶你快速理解ACE VIP的實用價值。 1、緩存一致性協議驗證：ACE VIP的核心能力 ACE VIP支持全面的協議一致性驗證，包

觀點 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

nizi_60e514d097c9a 頭像

MIAOYUN - MIAOYUN | 每週AI新鮮事兒（10.17-10.24）

本週AI領域動態頻出，百度、阿里、DeepSeek推出高效OCR與視覺語言模型，提升文檔解析與多模態能力；騰訊、字節跳動分別開源世界模型與3D生成模型，推動3D內容生成；Anthropic、OpenAI、Google升級AI工具，聚焦生命科學、瀏覽器集成與開發體驗；華為鴻蒙6、宇樹機器人H2及多項評測基準發佈，推動AI向終端與實體場景加速落地，一起來回顧本週發生的AI新鮮事兒吧！ AI 大模型 百

機器學習 , 機器人 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論