tag 深度學習

標籤
貢獻317
296
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

u_16776161 頭像

天潤融通科技 - 人工佔比減少70%，天潤融通把家居品牌“安裝客服”做成了新優勢

在家居行業的售後服務中，“安裝”一直是最讓客户頭疼的環節。 根據行業調研數據顯示，超過60% 的售後投訴都與安裝環節相關，其中近一半的問題集中在“説明書難以理解”“配件使用錯誤”“安裝耗時過長”等方面。傳統客服方式下，一個安裝諮詢平均要佔用人工客服 30-60 分鐘，高峯時段甚至讓其他客户排隊等待。 而引入天潤融通的對話式AI產品 ZENAVA 後，這一局面正在被徹底

人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - 解決語義搜索痛點，基於對比學習的領域特定文本嵌入模型微調實踐

文本嵌入模型能夠將文本轉換為具有語義意義的向量表示，廣泛應用於檢索、分類等多種任務場景。然而，通用嵌入模型在處理特定領域任務時往往存在性能瓶頸。微調技術為解決這一問題提供了有效途徑。本文將深入探討嵌入模型微調的核心原理，並以AI職位匹配為例，詳細闡述基於對比學習的微調實現過程。 檢索增強生成中的嵌入應用 檢索增強生成（Retrieval-Augmented Generation, RAG）

llm , 搜索 , 人工智能 , 深度學習

收藏 評論

u_17580222 頭像

mb691327edb400f - 智能招聘新範式

人才戰爭下半場：AI重構精準招聘新範式 當生成式AI從炫技工具變為生產力標配，企業競爭已悄然進入“人機協同”的深水區。數據顯示，仍沿用傳統方式招聘的企業，正以每年15%的速度流失人才競爭力。招聘的終極戰場，早已從“找到更多人”升級為“精準識別對的人”。 現實中，大多數HR團隊仍陷在簡歷海嘯中，用人類寶貴的情感判斷力，去完成本應由AI處理的數據篩選。這種

數據 , 上傳 , ATS , 人工智能 , 深度學習

收藏 評論

u_16776161 頭像

天潤融通科技 - 從客服到“數字員工”：天潤融通AI如何接管連鎖門店的後台運營

憑藉高效率與標準化運營，連鎖便利店已成為零售市場增長最快的業態。但當規模擴張至上千家門店，規模效應也同樣伴隨複雜的管理與支持挑戰。 對於連鎖品牌而言，總部不僅承擔商品供應、它還需要為門店提供報損、調撥、營銷、會員、物流等多維度支持。全國數百、上千家門店每天的諮詢與請求，形成了巨大的運營流量。 如何高效地運作、管理、支撐這些門店，已成為連鎖品牌的核心挑戰。 然而，

人工智能 , 深度學習

收藏 評論

qingfouai 頭像

青否Ai - 青否數字人轉化率提升63%，老羅直播間GMV環比激增313%！

2025年“雙11省心好物節”圓滿收官！數字人直播成為增長新引擎，開播規模提升119%，GMV增長91%，高説服力數字人轉化率提升63%。平台AI能力全面賦能，核心商家GMV提升44%，“省心選”IP矩陣整體增長42%。 老羅直播間創新“真人+數字人”雙軌模式，季度GMV環比增長313%。各大品類齊頭並進，珠寶、茶器、服飾等多賽道商家GMV實現新突破，智能電商範式再次得到成功驗證。（青否數字人源頭

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

u_16175513 頭像

mob649e8167c4a3 - ollama怎麼查詢是不是用的GPU

ollama怎麼查詢是不是用的GPU 在深度學習和人工智能領域，使用GPU來加速計算的重要性不言而喻。在使用“ollama”時，瞭解當前系統是否利用了GPU資源，對於提升模型加載和推理速度至關重要。本文將詳細探討如何查詢“ollama”是否使用了GPU，以幫助開發者優化計算資源和提高工作效率。 問題背景 在機器學習和深度學習的日常工作中，GPU是極為重要的，並且能顯著提高模型

加載 , aigc , 深度學習 , Python

收藏 評論

u_17580222 頭像

mb691327edb400f - AI重塑招聘生態：從效率革命到職能升級

AI重塑招聘生態：從效率革命到職能升級 當 HR 還在忙着追候選人時，AI 已經把招聘週期縮短了 40%。 人工智能技術正在逐步改變招聘行業的運作方式。有數據顯示，通過微表情分析與語義推理等技術手段，招聘週期可以實現40%的縮短；某大型銀行引入AI系統後，面試到場率提升至90.7%；輝瑞製藥在研發人才識別中採用AI技能圖譜，創新週期相應縮短22%。 這些變化表明

初始化 , 新版本 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - 將VAE用於時間序列：生成時間序列的合成數據

變分自編碼器(VAEs)是一種生成式人工智能,因其能夠創建逼真的圖像而備受關注,它們不僅可以應用在圖像上，也可以創建時間序列數據。標準VAE可以被改編以捕捉時間序列數據的週期性和順序模式,然後用於生成合成數據。本文將使用一維卷積層、策略性的步幅選擇、靈活的時間維度和季節性依賴的先驗來模擬温度數據。 我們使用亞利桑那州菲尼克斯市50年的ERA5小時温度數據訓練了一個模型。為了生成有用的合成數據,它必

tensorflow , 神經網絡 , 人工智能 , 深度學習

收藏 評論

u_12897 頭像

jordana - PyTorch中文教程 | (15) 在深度學習和NLP中使用PyTorch_pytorch 中文nlp

PyTorch 的 torch.nn 模塊是構建和訓練神經網絡的核心模塊，它提供了豐富的類和函數來定義和操作神經網絡。 以下是 torch.nn 模塊的一些關鍵組成部分及其功能： nn.Module 類 nn.Module 是所有自定義神經網絡模型的基類。用户通常會從這個類派生自己的模型類，並在其中定義網絡層結

卷積 , 神經網絡 , pytorch , 後端開發 , 人工智能 , 深度學習 , Python

收藏 評論

u_16213561 頭像

技術極客俠 - LSTM解決了RNN的侷限性

引入LSTM 儘管RNN被設計成可以利用歷史的信息來輔助當前的決策，但是由於在上節提到的梯度消失或者梯度爆炸問題，RNN主要還是學習短期的依賴關係。所以RNN新的技術挑戰就是-長期依賴。 長短時記憶網絡(Long Short Term Memory Network, LSTM)，是一種改進之後的循環神經網絡，可以解決RNN無法處理長距離的依賴

機器學習 , 神經網絡 , 激活函數 , 循環神經網絡 , 人工智能 , 深度學習 , LSTM解決了RNN的侷限性

收藏 評論

lzning 頭像

編程小白狼 - AI自學路線：從零構建智能思維體系

踏上AI學習之旅不需要天才基因，只需要一條清晰的路徑和持續的實踐。 為什麼你需要一條系統化的學習路線？ 人工智能正以前所未有的速度重塑世界，從推薦算法到自動駕駛，從醫療診斷到創意生成。對於許多技術愛好者而言，進入AI領域最困難的部分往往不是某個具體的技術難點，而是 “不知道從何處開始” 以及 “如何系統性地學習”。 A

機器學習 , 深度學習 , 代碼人生 , Python

收藏 評論

u_16213637 頭像

mob64ca140530fb - python 字符串變量 保留原始值 r

前言 1 變量和簡單數據類型 變量命名格式：變量名 = “賦值” 1.1 變量使用規範 使用變量時，需要遵守一些規則。違反這些規則將引發錯誤。 ~變量名只能包含數字、字母、下劃線。變量名不能以數字開頭以及不能包含空格。 ~變量名不能將Python保留字和函數名作為變量名。如print等 如下是pyth

經驗分享 , 開發語言 , 後端開發 , 深度學習 , 職場和發展 , Python

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【TVM 教程】在 NVIDIA GPU 上調優高性能卷積

Apache TVM 是一個端到端的深度學習編譯框架，適用於 CPU、GPU 和各種機器學習加速芯片。更多 TVM 中文文檔可訪問 →https://tvm.hyper.ai/ 作者：Lianmin Zheng 本教程介紹如何為 NVIDIA GPU 編寫高性能可調模板。通過在此模板上運行自動調優器，可在許多情況下勝過供應商提供的 cuDNN 庫。 注意，本教程不會在 Windows 或最新版本的

機器學習 , gpu , 人工智能 , 編譯器 , 深度學習

收藏 評論

u_16492348 頭像

wx65950818d835e - 14: 基於卷積神經網絡（CNN）的超分算法

引言 卷積神經網絡（CNN）是深度學習中最成功的模型之一，廣泛應用於圖像分類、物體檢測等任務。隨着深度學習技術的發展，CNN在圖像超分辨率（SR）領域也取得了顯著進展。基於CNN的超分算法利用深度卷積網絡從低分辨率圖像中提取特徵，並通過層層卷積和反捲積層重建高分辨率圖像。本文將探討基於CNN的超分算法的原理、優勢和挑戰。 CNN在超分中的基本原理 CNN通過多層

卷積 , 圖像重建 , c++ , 後端開發 , 深度學習 , c

收藏 評論

u_16970152 頭像

求知上進 - 深入學習Python函數：靜態方法

第一章：靜態方法的基礎原理 1.1 靜態方法的起源與Python演進 靜態方法的根源可追溯到1970年代的C++語言，這是OOP的早期實踐者，它引入靜態成員函數以實現類級工具邏輯。Python的靜態方法由Guido van Rossum在Python 2.2中通過新式類和描述符協議正式引入，當時旨在簡化類內純函數的組織。到Python 3起，一切類均為新式，靜態方法統

sed , 靜態方法 , 生成器 , 人工智能 , 深度學習

收藏 評論

huikaichedemianbao 頭像

合合技術團隊 - 【技術白皮書】第五章：信息抽取技術的未來發展趨勢和麪臨的挑戰

5.信息抽取技術的未來發展趨勢和麪臨的挑戰 5.1 NER技術的未來發展趨勢和麪臨的挑戰 論文《 Survey on Deep Learning for Named Entity Recognition》總結了NER技術面臨的挑戰和未來發展方向。隨着建模語言的進步和實際應用的需求，NER會得到研究人員更多的關注。另一方面，NER通常被視為下游應用程序的預處理組件。這意味着特定的NER任務

事件 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

u_12902 頭像

jiecho - 偏差類型和公差等級的區別

互換性與機械加工誤差概述 互換性 互換性：同一規格的零(部)件 ，不需要任何挑選、調整或修配，就能裝到機器(或部件)上去，並完全符合規定的性能要求。 加工誤差與公差的區別：公差是實際參數值所允許的最大變動量，兩者區別是誤差在加工過程中產生的，而公差由設計人員確定。 為了實現互換性，必須對公差制進行標準化，不能各行其是，標準化是實現

產品質量 , 互換性 , 視頻教程 , 偏差類型和公差等級的區別 , 互換性與技術測量電子版 , 人工智能 , 深度學習

收藏 評論

u_17580222 頭像

mb691327edb400f - AI 重構招聘：從效率到精準決策

AI 重構招聘：從效率到精準決策 AI破局招聘“海底撈針”困境：從效率困境到精準決策的轉型 當下企業招聘正陷入“流程冗餘卻結果不佳”的怪圈——HR每天面對海量簡歷，卻要在匹配度不足5%的信息中篩選；組織對“選對人”的需求愈發迫切，可人工面試的主觀性、候選人表現的“套路化”，讓每一次判斷都充滿不確定性；更關鍵的是，HR超七成精力被回覆消息、核對信息等事務性工作佔據，真正

鏈路 , 人工智能 , 高精度 , 深度學習 , 迭代

收藏 評論

lab4ai 頭像

Lab4AI - 【論文復現上新】NeurIPS 2023! 經典論文！ DPO：你的語言模型，其實就是個獎勵模型 | 強化學習 | 微調策略

01 論文概述 論文名稱： Direct Preference Optimization: Your Language Model is Secretly a Reward Model —— DPO：你的語言模型，其實就是個獎勵模型 論文鏈接：https://arxiv.org/pdf/2305.18290 👉Lab4AI 鏈接： https://www.lab4ai.cn/paper/det

機器學習 , 神經網絡 , 教程 , 人工智能 , 深度學習

收藏 評論

u_16566216 頭像

美狐美顏SDK小金 - 2026年直播美顏sdk行業前瞻：美顏sdk與美型功能開發的新方向

過去幾年，直播行業完成了從“能播”到“好看”的躍遷。從秀場直播、電商帶貨，到社交直播、在線教育、虛擬人互動，美顏早已不再是“加分項”，而是用户留存和轉化的基礎設施。 站在2026年的時間節點回看，美顏sdk行業正在發生一場安靜卻深刻的變化： 從簡單濾鏡疊加，走向智能化、場景化、精細化的美顏與美型能力重構。 這篇文章，試着從行業趨勢與技術演進的角度，聊

視頻美顏sdk , 美顏api , 人工智能 , 直播美顏sdk , 深度學習 , 第三方美顏SDK , 在51CTO的第一篇博文 , 美顏SDK

收藏 評論

u_15591470 頭像

ceshiren2022 - 構建智能測試閉環：深入解析ReAct範式與LangGraph的實用應用

一、ReAct範式簡介 在AI智能測試和Agent開發中，ReAct（Reasoning + Acting）範式是核心方法。它通過邊思考邊行動的方式，實現智能體閉環動態決策。 • Reasoning（推理）：分析任務信息、環境狀態和歷史數據，生成下一步行動策略。 • Acting（行動）：根據策略執行動作，如調用接口、生成測試用例或運行任務。 🔹 對測試開發人員來説，ReAct能讓

react , 智能體 , 人工智能 , 深度學習

收藏 評論

u_16213358 頭像

mob64ca12dedda8 - Stable Diffusion checkpoints

Stable Diffusion Checkpoints 是一種用於保存和共享模型狀態的方法，以便在深度學習任務中進行恢復和持續訓練。檢查點的使用可以顯著提高模型訓練的效率，並減少因突發問題造成的損失。以下是針對如何解決與“Stable Diffusion checkpoints”相關的問題的詳細探討，包括協議背景、抓包方法、報文結構、交互過程、工具鏈集成及擴展閲讀。 協議背景

抓包 , 檢查點 , aigc , 深度學習

收藏 評論

ziwupython 頭像

子午 - 【蔬菜識別系統】Python+TensorFlow+Vue3+Django+人工智能+深度學習+卷積網絡+resnet50算法

一、介紹 蔬菜識別系統，基於TensorFlow搭建卷積神經網絡算法，通過對8種常見的蔬菜圖片數據集（'土豆', '大白菜', '大葱', '蓮藕', '菠菜', '西紅柿', '韭菜', '黃瓜'）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: Vue3、Element Plus 後端：Django 算法：TensorFlow、卷積神經網絡算法 具體功能：

圖像識別 , 人工智能 , 深度學習

收藏 評論

u_16297326 頭像

虎斑嘟嘟 - 魯棒性認證：隨機平滑的ℓ₁/ℓ₂認證半徑精確分析

魯棒性認證：隨機平滑的ℓ₁/ℓ₂認證半徑精確分析 對抗樣本的存在猶如深度學習領域的"暗物質"，揭示了模型決策邊界中隱藏的脆弱性。面對這一挑戰，隨機平滑技術脱穎而出，成為首個能夠為大規模深度學習模型提供可證明魯棒性保證的實用方法。然而，傳統的隨機平滑分析主要集中於ℓ₂範數威脅模型，在現實世界中更為常見的ℓ₁威脅（如稀疏對抗擾動）面前顯得力不從心。 本文將深入探討隨機平滑

縮放 , yyds乾貨盤點 , 後端開發 , JAVA , 深度學習 , 二分搜索

收藏 評論