tag 深度學習

標籤
貢獻317
295
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

xingxingshangdeliushu 頭像

星星上的柳樹 - 半導體生態：七層供應鏈揭秘

“芯片背後，是一個龐大且脆弱的生態系統。” 今天我們從高處俯瞰芯片產業：從藍圖誕生，到晶圓生產，再到包裝測試，貫穿設計、材料、工具、IP。每一個環節都有關鍵角色參與。認識這七層，你才能真正理解“芯片為何如此珍貴、為何生產一斷就慌亂”的背後邏輯。 下面按照七層結構，一層一層地展開解讀。 ✤ 1 ✤晶圓代工廠 在這一級，典型代表包括 TSMC、Samsung、UMC、SMIC

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

u_16391614 頭像

老艾的AI世界 - AI生成原創歌曲真的來了！支持19種語言，還能説唱，GenMel下載介紹

説起音樂創作，在以前是隻有懂樂理知識的科班人員才能涉足到的領域，並且需要一套專業的編曲設備，就是最普通音樂棚的造價也是一筆不菲的數字，況且，即使是最具天賦的音樂人才的靈感也是會枯竭的。在人工智能技術持續突破的今天，音樂創作領域也迎來了革命性的變革，據説火遍各大平台的神曲《跳樓機》就是藉助AI工具創作的，過去需要數月編曲、反覆調試樂器軌道的工作，如今只需一句話告知AI你的想法，一首

yyds乾貨盤點 , AI , 人工智能 , AI歌手 , 深度學習 , AI歌曲 , AI音樂

收藏 評論

heludd 頭像

瘋聊AI - CPU、GPU還沒卷明白，DPU又來了！

1. 開場白：CPU、GPU都在卷，DPU是誰家的“熊孩子”？ 要説這幾年芯片圈誰最火，CPU是“老牌天王”，GPU是“AI新貴”，而DPU呢？就是那個突然躥紅的“隔壁老張家的孩子”——一出場就自帶光環，號稱“第三顆主力芯片”。 別看它名字聽着像“CPU的表弟”，其實它的使命是：幫CPU“打雜”，替GPU“擋槍”，讓數據中心跑得飛快還不喘。 2. DPU

算力 , 數據中心 , 人工智能 , 深度學習 , DPU

收藏 評論

u_16349720 頭像

短短同學 - SSM與Spring

SSM 與 Spring 的關係及核心差異 要理解 SSM 與 Spring 的關聯，首先需明確二者的定義邊界：Spring 是一個獨立的 “容器 + 增強” 框架，而 SSM 是 “Spring+SpringMVC+MyBatis” 的組合套件——Spring 是 SSM 的 “核心基礎”，SSM 是 Spring 在企業級開發中的 “典型應用場景”，二者並非 “並列對比

人工智能 , 持久層 , 深度學習 , mvc , Web

收藏 評論

u_16213415 頭像

mob64ca12ec8020 - 強行kill ollama 運行的模型

在使用Ollama工具運行模型的過程中，遇到“強行kill ollama 運行的模型”的情況時，這可能是由於系統資源的高消耗而導致模型無法正常工作。能力較強的模型在處理複雜請求時可能會佔用較高的CPU和內存資源，這使得在高負載環境下，強行結束進程成為一種應急措施。針對這一問題，本文將對其進行全面分析及提供相應的解決方案，並通過多個結構化的維度進行解讀。 背景定位 技術定位 O

高併發 , 自然語言處理 , aigc , 深度學習

收藏 評論

u_17583190 頭像

fangpin - 從 1.56% 到 62.9%：SFT 推理微調優化實戰

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

u_15675190 頭像

冰淇淋紅茶Q - 文檔解析與問答實戰——三步搭建基於TextIn與Coze的智能文檔Agent方案

一、引言 1.1 複雜文檔的感知瓶頸 當前，以大語言模型（LLM）為核心的智能體（Agent）技術，正快速融入法律文書問答、合同條款比對、技術標準解讀等企業核心業務流程中。基於自主任務理解、步驟規劃與工具調用能力，智能體能夠可靠執行教育科研輔助、法律信息提取、合同自動比對、標準結構化解析等一系列複雜業務操作，有效提升效率與準確性。 然而，當Agent真正

人工智能 , 深度學習 , 文檔解析 , 結構化 , Markdown

收藏 評論

u_14306318 頭像

咚咚王哲 - 人工智能之數據分析 Matplotlib：第一章 簡介和安裝

人工智能之數據分析 Matplotlib 第一章 簡介和安裝 (文章目錄) 前言 Matplotlib 是 Python 中最常用的數據可視化庫之一，用於創建靜態、動態和交互式的圖表。它功能強大、靈活，並且與 NumPy、Pandas 等科學計算庫無縫集成，廣泛應用於數據分析、機器學習、科研和工程等領域。 一、Matplotlib 簡介

機器學習 , 人工智能 , 數據分析 , 深度學習 , Python

收藏 評論

u_17580222 頭像

mb691327edb400f - AI破局招聘困局：從決策困境到效率新生

AI破局招聘困局：從決策困境到效率新生 企業往往低估招聘偏差帶來的隱性損耗：一次不合適的僱傭，除了造成該崗位年薪三成到五成的直接開支浪費，還會引發團隊協作阻滯、培訓投入打水漂等一系列問題。傳統招聘中，HR僅憑主觀印象和簡歷上的零散信息做判斷，很容易讓真正的人才與企業失之交臂，而AI技術的深度應用，正為這一長期困擾行業的難題提供了全新解法。

鏈路 , ATS , 人工智能 , 深度學習 , 迭代

收藏 評論

qingfouai 頭像

青否Ai - 獲客+引流+銷售全流程，實現ai超級員工：企業降本增效的未來工作模式！

在當今快速發展的數字化時代，企業面臨着日益複雜的市場環境和競爭壓力。為了在激烈的市場競爭中立於不敗之地，企業必須不斷提高效率，降低成本。AI（人工智能）、RPA（機器人流程自動化）和AI Agent（人工智能代理）的結合，為企業提供了一種全新的解決方案——定製化的數字員工。這種未來工作模式不僅能夠顯著提升企業的運營效率，還能有效地降低企業的運營成本。本文將探討這一創新模式的實現路徑及其在企業中的應

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

u_16099250 頭像

架構師之光 - 國外深度學習開發開台有哪些

目錄 一、安裝anaconda 二、配置虛擬環境 三、安裝vscode 四、在vscode安裝pylint 五、安裝YAPE 六、安裝TensorFlow pip install與conda install 測試安裝 git工具安裝 tensorflow object detection api 下載安裝 建立文件

tensorflow , 國外深度學習開發開台有哪些 , 人工智能 , 深度學習 , Git , Python

收藏 評論

u_16349720 頭像

短短同學 - 大模型的秘密:從三元一次方程組到KV Cache

大模型的秘密：從三元一次方程組到 KV Cache 當我們驚歎於大模型生成流暢文本、解答覆雜問題的能力時，其底層核心並非不可捉摸的 “黑魔法”，而是從基礎數學逐步構建的精密系統。從初中數學的三元一次方程組，到 Transformer 架構中的 KV Cache 優化，這條技術脈絡清晰展現了 “簡單原理→複雜擴展→效率突破” 的進化路徑。本文將拆解這一過程，揭開大模型高效運行

方程組 , 線性變換 , 緩存 , 人工智能 , 深度學習

收藏 評論

u_17607960 頭像

wx694bc8b9eaf99 - 《從邏輯混戰到精準控：我在 Coze 平台打磨 Prompt 優化的萬字心得》

一、 序言：為什麼 Coze 是 Prompt 優化的練兵場？ 這兩天深度體驗了字節跳動旗下的 Coze（釦子）平台。作為一個零代碼/低代碼的 AI 構建工具，它最迷人的地方不在於它集成了多少插件，而在於它提供了一個極其透明的“反饋迴路”。 在 Coze 上創建智能體，本質上是在做一場**“精確溝通”**的實驗。如果你給出的提示詞（Prompt）模糊不清，即便有最強大的 L

人工智能 , 深度學習 , 約束條件 , 開發者 , 結構化

收藏 評論

u_6478076 頭像

郭傳志的博客 - 多模態智能體

項目介紹 需求數據拆解 數據收集智能體 研究員智能體 本文包含：-->

多模態智能體 , 人工智能 , 深度學習

收藏 評論

u_16213669 頭像

mob64ca140ce312 - 機器學習必知必會：凸優化

本文包含：--> --> 本文章為轉載內容，我們尊重原作者對文章享有的著作權。如有內容錯誤或侵權問題，歡迎原作者聯繫我們進行內容更正或刪除文章。

連線 , 人工智能 , 深度學習 , 圖像理解

收藏 評論

teayear 頭像

學技術贏未來 - python for循環

Python從入門到精通之for循環（500字簡介） for循環是Python中最核心的迭代控制結構，也是新手從入門邁向進階的關鍵語法，它以簡潔、靈活的特性適配各類遍歷場景，是處理序列、集合、迭代器等數據的核心工具。 與其他語言不同，Python的for循環基於“可迭代對象”設計，而非傳統的計數器模式，語法格式為for 變量 in 可迭代對象: 執行代碼，無需手動管理循環邊界，大

人工智能 , 深度學習 , 迭代 , for循環 , Python

收藏 評論

openbayescom 頭像

OpenBayes - VibeVoice-Realtime TTS重構實時語音體驗；覆蓋9大真實場景，WenetSpeech-Chuan讓模型聽懂川話

公共資源速遞 5 個公共數據集： VOccl3D 三維人體遮擋視頻數據集 Spatial-SSRL-81k 空間感知自監督數據集 WenetSpeech-Chuan 川渝方言語音數據集 MMSVGBench 多模態矢量圖生成基準數據集 Fungi MultiClass Microscopic 真菌顯微圖像數據集 6 個公共教程： 基於手勢識別的 3D 聖誕樹 Dia2-TTS：

機器學習 , 算法 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

tecdat 頭像

拓端tecdat - 專題：2026年中國消費零售行業新圖景報告：消費者行為、品牌增長與AI應用|附540+份報告PDF、數據、可視化模板彙總下載

原文鏈接：https://tecdat.cn/?p=44449 原文出處：拓端抖音號@拓端tecdat 引言 2025年消費零售行業正站在“變革與機遇”的交叉點——一邊是AI技術深度滲透品牌情緒洞察、數字化重塑消費體驗，一邊是消費者在經濟波動中呈現“理性謹慎與品質追求並存”的矛盾心態：既會因價格上漲選擇“消費平替”或縮減開支，又願為健康、安全等核心需求支付溢價，Z世代更以“快樂消費”的獨特

機器學習 , 數據挖掘 , 人工智能 , 深度學習

收藏 評論

u_16099264 頭像

碼農小哥 - 光伏發電預測（一）_光伏發電預測算法

前言 本期基於某光伏電站發電功率數據集，推出一組Informer-SENet預測對比模型合集。包括'LSTM', 'Transformer-encoder', 'Informer', 'Informer-encoder', 'Informer-SENet', 'Informer-encoder-SENet'等6組模型對比實驗： 1 模

預測模型 , Informer , 後端開發 , 時間序列預測 , 深度學習 , Python

收藏 評論

u_16175507 頭像

mob649e8166179a - ollama 怎麼開啓顯卡計算

在現代深度學習的應用中，利用 GPU 進行加速計算顯得尤為重要。對於使用 Ollama 的開發者而言，掌握“如何開啓顯卡計算”是一項基礎而關鍵的技能。然而，在實際操作中，用户可能會遇到各種問題，導致顯卡計算未能正常開啓。接下來，我們將詳細記錄如何解決“ollama 怎麼開啓顯卡計算”的過程。 問題背景 在使用 Ollama 進行深度學習模型的推理以及訓練時，用户期待顯卡能夠提供加

配置文件 , aigc , 深度學習 , 顯卡驅動

收藏 評論

u_17562481 頭像

思考的袋鼠 - 2025年數據分類分級產品選型排名與深度解析：可視化、自適應、一鍵部署成關鍵能力

在新一輪數字化治理要求持續強化的背景下，《數據安全法》《個人信息保護法》以及最新的《數據安全技術 數據分類分級規則（2024）》共同推動數據分類分級從“建議性建設”邁入“強制性治理能力”。面對企業數據規模指數增長與監管壓力持續加大，具有可視化與易用性、自適應分類、一鍵化部署等特徵的智能化數據分類分級產品，正成為企業構建數據安全體系的基礎性設施。 根據 IDC《2024年度中國數據

數據 , 數據安全 , 人工智能 , 深度學習 , 結構化

收藏 評論

openbayescom 頭像

OpenBayes - 教程上新丨美團開源視頻生成模型LongCat-Video，兼具文生視頻/圖生視頻/視頻續寫三大能力，媲美開閉源頂尖模型

世界模型旨在理解、模擬與預測複雜的現實世界環境，是人工智能在真實場景中實現有效應用的重要基礎。在這一框架中，視頻生成模型通過其生成過程，逐步壓縮並學習幾何、語義、物理等多種知識形態，因而被視為構建世界模型的一條關鍵路徑，並有望最終實現對真實物理世界動態的有效模擬與預測。 而在視頻生成領域，實現高效的長視頻生成能力尤為重要。 基於此，美團開源了最新視頻生成模型 LongCat-Video，該模型旨在

機器學習 , 自然語言處理 , 教程 , 人工智能 , 深度學習

收藏 評論

u_16099241 頭像

技術領航博主 - Leaky ReLU和ReLU的關係

論文提出了動態ReLU，能夠根據輸入動態地調整對應的分段激活函數，與ReLU及其變種對比，僅需額外的少量計算即可帶來大幅的性能提升，能無縫嵌入到當前的主流模型中   論文: Dynamic ReLU 論文地址：https://arxiv.org/abs/2003.10027 論文代碼：https://githu

歸一化 , Dynamic , Leaky ReLU和ReLU的關係 , 激活函數 , 人工智能 , 深度學習

收藏 評論

lab4ai 頭像

Lab4AI - AAAI2025論文！川大團隊領銜！用 “稀疏注意力” 幹掉手工特徵，讓圖像造假無所遁形 | 圖像編輯

01 論文概述 這篇頂會級工作由 四川大學計算機學院 + 教育部機器學習與工業智能工程研究中心 核心領銜（通訊作者：周吉喆教授），聯合 穆罕默德・本・扎耶德人工智能大學、澳門大學計算機與信息科學系 共同完成。 論文名稱：Can We Get Rid of Handcrafted Feature Extractors? SparseViT: Nonsemantics-Centered, Param

機器學習 , 神經網絡 , 算法 , 人工智能 , 深度學習

收藏 評論