tag 深度學習

標籤
貢獻317
305
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_16213711 頭像

mob64ca1416f1ef - 實操教程 | 卷積神經網絡CNN詳解

卷積神經網絡（CNN）的核心操作並非孤立存在，而是通過精細的參數設計和流程配合實現特徵提取與模型學習。以下從原理細節、計算過程、參數設計、變體形式四個維度，對核心操作進行更深入的解析，幫助你掌握實際應用中的關鍵細節。 一、卷積操作（Convolution） 卷積是 CNN “特徵提取” 的核心，其本質是通過滑動窗口的局部加權求和捕捉圖像的局部

卷積 , 神經網絡 , cnn , 深度學習 , 池化 , 前端開發 , Javascript

收藏 評論

u_16640205 頭像

mb65f83f0864e54 - 華為乾崑走向生態推動者

作者：鐘聲（微信：zsheng518） 編輯：Mark 出品：紅色星際（ID：redplanx） 頭圖：華為乾崑發佈會圖片 汽車智能化即將走向一個新的階段，從L2+大規模普及，向L3有條件自動駕駛實現商業化突破的關鍵階段過渡。 在這樣的階段，行業也產生了新的需求和形勢，技術供應商們也在思考和

商業 , 數據 , 自動駕駛 , 人工智能 , 深度學習

收藏 評論

u_17512334 頭像

疆鴻智能研發中心 - 破局酒廠改造：一個網關讓PROFIBUS與485伺服精準共舞

破局酒廠改造：一個網關讓PROFIBUS與485伺服精準共舞 在現代化酒廠灌裝生產線，特別是白酒與葡萄酒並存的廠區，核心挑戰在於如何讓“大腦”與“手腳”高效協同。產線“大腦”——西門子S7-1200/1500系列PLC，通常通過高速、穩定的PROFIBUS-DP網絡指揮核心灌裝閥、流量計。而眾多“手腳”——如伺服驅動器控制的輸送帶、升降台、旋蓋單元，則普遍採用經濟、通用的R

profibus , 協議轉換網關 , 工業通訊 , RS485 , 人工智能 , 深度學習 , 工業自動化

收藏 評論

u_16970152 頭像

求知上進 - 深入學習 Python 函數：作用域 - 變量的“隱形疆域”

作用域，為什麼它是 Python 函數的“隱形疆域”？ Python 函數強大而靈活，但變量的作用域往往是開發者最易忽略卻又最易出錯的部分。作用域定義了變量的生命週期和訪問範圍：它能在哪裏被讀取、修改或“消失”。一個簡單的全局變量修改，可能在函數內引發意外；一個閉包中的自由變量，可能讓內存“永生不滅”。 為什麼説它是“隱形疆域”？ 隱形：不像顯式類型聲

作用域 , 人工智能 , 深度學習 , 嵌套 , Python

收藏 評論

nizi_60e514d097c9a 頭像

MIAOYUN - MIAOYUN | 每週AI新鮮事兒（12.05-12.12）

本週全球科技企業及團隊在AI領域動作頻頻，騰訊、阿里、微軟、智譜、美團等企業相繼推出或開源涵蓋語言、語音、圖像、代碼、情感等類型的多款大模型；阿里、商湯及Linux基金會發布開源框架、視頻生成工具並推動行業標準統一；商湯、Adobe、騰訊同步新增數字人驅動、跨平台設計、羣消息總結等AI工具；與此同時，NVIDIA發佈新版CUDA工具包、美國調整芯片出口政策、全球首個太空LLM誕生，一起來回顧本週發

機器學習 , 資訊 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

lab4ai 頭像

Lab4AI - 10.7萬條軌跡+4大機器人構型！RoboMIND開源數據集破解機器人通用操作難題

01 | 引入 開發魯棒且通用的操作策略是機器人領域的關鍵目標。為實現有效的泛化能力，構建包含大量演示軌跡和在複雜真實環境中完成多樣化任務的綜合數據集至關重要。儘管現有研究已致力於整合各類機器人數據集，但仍缺乏統一的數據收集標準，且在多樣化任務、場景和機器人類型方面的高質量數據不足。因此，構建一個大規模、標準化的多構型機器人操作數據集具有重要意義。然而，現有數據集往往存在以下侷限： l 規模有限

機器學習 , 圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - 全網最詳細CSS知識講解

CSS 全棧知識指南：從基礎語法到高級實戰 CSS（Cascading Style Sheets，層疊樣式表）是網頁的 “美容師” 與 “建築師”—— 它不僅定義文字顏色、背景樣式等視覺表現，更通過佈局技術構建網頁的骨架結構。從 1996 年 CSS1 誕生至今，其已發展為包含數百個屬性、適配多端場景的龐大體系。本文將以 “原理→技術→實戰→優化” 為脈絡，拆解 CSS 的

選擇器 , 盒模型 , 人工智能 , 深度學習 , Css

收藏 評論

JavaEdge 頭像

JavaEdge - 你的JAR包放對了嗎？​​後端開發必知的Linux目錄規範

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 , 文件系統 , jar , 應用程序 , 人工智能 , 深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 極簡邊緣AI：谷歌發佈 Coral NPU IP

“一個真正開放的 NPU 版本，即將改變邊緣 AI 的遊戲規則。” 在 AI 算力加速下，邊緣設備（例如可穿戴、智能家電、無人機）越來越需要低功耗、高性能、安全可靠的神經處理單元（NPU）。為此， 谷歌（Google Research）決定將其 Coral 品牌下的新 NPU IP 免費開源，面向整個行業開放；而 Synaptics 則成為首家將該 IP 真正整合於自己 Astra SL26

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

u_16841336 頭像

火雲大軍 - 程序員應該熟悉的概念(4)MCP能做什麼

在上一篇文章 MCP簡介 中，我們對 MCP(Model Context Protocol) 有了一個概念上的認識，本文將更加深入的介紹 MCP 的架構和功能。 MCP是什麼 如果我們認為 LLM(大語言模型) 是大腦的話， MCP 提供其它的能力將給這個大腦裝上四肢和五官，使得它具備與外界環境交互的能力。 使用 MCP，Claude 或 ChatGPT 等 AI 應用程序可

大語言模型 , 指尖人生 , llm , mcp , 人工智能 , 深度學習

收藏 評論

youqingyouyidejidan 頭像

底層邏輯探索 - 數據資產管理：從定義到價值實現的全流程指南

一、什麼是數據資產？ 1.1 數據的來源 數據源自企業在經營過程中不斷累積的各類數字化記錄。這些數據既包括傳統結構化數據，也涵蓋文本、語音、圖像、照片、視頻等多媒體信息，還延伸至微博、微信、消費與出行記錄、各類文件等多種形式。凡是企業活動沉澱下的數字記錄，都屬於數據範疇。 1.2 什麼數據才能被視為資產？ 會計學對“資產”的界定是：由企業過去的交易或事項形成，被企業擁有或控制，並

深度學習

收藏 評論

u_16213625 頭像

mob64ca1402665b - 業界| 英特爾發文Caffe2在CPU上的性能檢測：將實現最優的推理性能 -

Caffe2是一個輕量級、模塊化且可擴展的深度學習框架，專為表達性、速度和模塊化而設計。對於深度學習開發者和研究人員來説，掌握Caffe2的編譯優化技巧是提升模型訓練和推理性能的關鍵步驟。 🚀 為什麼需要編譯優化？ 深度學習框架的性能直接影響模型訓練和推理的效率。通過合理的編譯優化配置，可以顯著提升Caffe2在CPU和GPU上的運行速度，特別是在處理大規模

指令集 , 後端開發 , 編譯優化 , 深度學習 , Python

收藏 評論

u_16060192 頭像

HyperAI超神經 - 活動預告丨上海創智/TileAI/華為/先進編譯實驗室齊聚上海，TVM/TileRT/PyPTO/Triton各顯神通

隨着 AI 模型規模不斷攀升，開發者和工程團隊對計算性能、資源利用率和執行效率的要求也愈發嚴格。也正因如此，AI 編譯器正在成為硬件與應用之間的關鍵樞紐，為訓練與推理提供高效執行和智能算力調度。 在這一趨勢下，業內對前沿技術交流與最佳實踐分享的需求也隨之升温。越來越多的團隊希望通過面對面的深入討論，探索算力優化的新方法、驗證落地路徑、並從真實場景中汲取經驗。 一直以來，由 Hyp

Triton , TileLang , TVM , 人工智能 , 編譯器 , 深度學習

收藏 評論

deephub 頭像

deephub - 深度學習調參新思路：Hyperband早停機制提升搜索效率

Hyperband是機器學習中一個相當實用的超參數調優算法，核心思路是用逐次減半來分配計算資源。説白了就是讓一堆配置先跑幾輪，表現差的直接踢掉，剩下的繼續訓練更多輪次。 這個方法的巧妙之處在於平衡了探索和利用。你既要試足夠多的配置組合（探索），又要給有潛力的配置足夠的訓練時間（利用）。傳統方法要麼試得不夠多，要麼每個都試要很久浪費時間。 本文我們來通過調優一個lstm來展示Hyperband的工作

神經網絡 , 人工智能 , 深度學習 , 參數

收藏 評論

congweibiaobaidemalingshu 頭像

小白獅ww - LAMMPS 教程：以單晶鋁為例，模擬材料單軸拉伸

LAMMPS（Large-scale Atomic/Molecular Massively Parallel Simulator）是一種經典的分子動力學仿真代碼，專注於材料建模。它旨在在並行計算機上高效運行，並且易於擴展和修改。LAMMPS 最初由美國能源部機構桑迪亞國家實驗室開發，現在包括來自許多機構的許多研究小組和個人的貢獻。LAMMPS 的大部分資金來自美國能源部（DOE）。LAMMPS 是

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 - 金融行業智能識別、覆蓋率高、低代碼配置數據分類分級最佳實踐與案例

一、概要 （提示：在強監管與高風險並存的金融行業，數據分類分級正在從合規要求演進為數據治理與業務創新的基礎能力。） 隨着金融行業全面邁入數字化深水區，數據已成為支撐交易處理、風險防控與客户服務的核心生產要素。但與數據價值同步放大的，是客户信息泄露、賬户濫用、數據越權等風險隱患。金融數據一旦失控，不僅影響單一機構，更可能引發系統性風險。在此背景下，數據分類分級不再是簡單的“貼標籤”工作，

深度學習

收藏 評論

lab4ai 頭像

Lab4AI - 7M參數，幹翻巨無霸LLM！這款超小遞歸模型（TRM），在ARC-AGI上證明了“少即是多”

01 論文概述 論文標題：Less is More: Recursive Reasoning with Tiny Networks 作者團隊：三星AI實驗室（Samsung SAIL Montréal） 發佈時間：2025年9月6日 論文鏈接：https://arxiv.org/pdf/2510.04871 👉您可以跳轉到 Lab4AI 平台上去閲讀論文原文。 Lab4AI

機器學習 , 神經網絡 , 自然語言處理 , 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（11.28-12.05）

本週全球科技企業密集發佈AI領域新成果，騰訊、崑崙萬維、快手、Meta、智譜AI、生數科技、DeepSeek、Runway、NVIDIA、華為、Mistral AI、阿里、火山引擎、可靈AI等推出多模態、3D生成、視頻生成、推理優化等方向新模型，聚焦性能提升與商業化適配；技術上，華為發佈MoE推理優化技術、商湯開源原生多模態架構；同時，階躍星辰開源 GUI 智能體，拍我AI、Anuttacon推出

資訊 , 自動駕駛 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

puxiaoke6 頭像

一點人工一點智能 - 書籍-《自然語言理解解析》

書籍：Understanding Natural Language Understanding 作者：Erik Cambria 出版：Springer​ 編輯：陳萍萍的公主@一點人工一點智能 下載：書籍下載-《自然語言理解解析》 01 書籍介紹 大約半個世紀前，AI先驅們如Marvin Minsky開始了一項雄心勃勃的項目：模擬人類大腦如何編碼和解碼意義。雖然現在我

自然語言處理 , 人工智能 , transform , 深度學習

收藏 評論

u_16213653 頭像

mob64ca14092155 - 深度學習 知識蒸餾原理詳解 蒸餾原理和過程

目錄 背景 模型結構 模型效果 實現代碼 背景 模型結構 訓練過程 實現代碼 前言 本文主要介紹知識蒸餾原理，並以BERT為例，介紹兩篇BERT蒸餾論文及代碼，第一篇論文是在下游任務中使用BiLSTM對BERT蒸餾，第二篇是對Transformer蒸餾，即TinyBert。

深度學習 知識蒸餾原理詳解 , 損失函數 , 人工智能 , 深度學習 , 概率分佈 , Git

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 常見觸發器類型解析

“觸發器決定了數字電路的“節奏與記憶”。” 在數字系統中，觸發器（Flip-Flop）是構建時序邏輯電路的核心元件。它能夠存儲一個二進制狀態，並在時鐘或控制信號的作用下改變輸出。不同類型的觸發器在功能和用途上略有差異：有的僅在特定時鐘沿觸發狀態變化，有的支持置位、復位或翻轉操作。理解各種觸發器的特性，是掌握寄存器設計、計數器實現以及有限狀態機建模的基礎。 1、觸發器的基本概念觸發器是一種雙穩

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

u_16993377 頭像

一線數智 - AI時代 客户標籤體系為什麼必須重做？

　 【一線數智資訊】在過去十多年的移動互聯網年代，客户運營一直圍繞“標籤”展開：年齡、性別、消費頻次、品類偏好……，基於大數據的標籤same like方式推薦，但當企業進入 AI 原生時代，大模型、向量數據庫、智能體開始走進業務，傳統標籤體系正在快速失效。 　　不是傳統標籤不重要，而是客户已經變了，業務節奏變了，而標籤體系沒變就會有問題。所以就出現了

靜態屬性 , 數據 , 自動生成 , 人工智能 , 深度學習

收藏 評論

u_16827017 頭像

全棧技術開發者 - 如何理解「128倍更少數據，卻能獲得更強智能體行為」？如何直觀地理解「少即是多（Less is More）」在智能體訓練中意義？

在人工智能尤其是智能體訓練領域，數據量的需求長期被認為是提升模型行為表現的核心驅動力。傳統強化學習方法和深度學習策略普遍依賴大量訓練數據，以期覆蓋智能體在複雜環境中可能遇到的各種狀態和動作組合。這種大規模數據驅動的訓練模式在某種程度上保證了智能體策略的穩健性和泛化能力，但同時也帶來了顯著的資源消耗、計算壓力以及訓練效率低下的問題。尤其在高維環境和複雜任務下，數據量呈指數級增長，訓

yyds乾貨盤點 , 數據 , 模塊化 , 人工智能 , 深度學習 , 子任務 , 大模型

收藏 評論

u_17408641 頭像

咕泡科技 - 代碼的未來：當AI學會創造，我們技術人的價值何在？

AI與大模型，已如電力和互聯網般融入我們工作和生活的方方面面。當技術從分析過去邁入生成未來，企業與技術人又該如何重塑自身價值？我們又該如何藉助這一波技術浪潮，實現能力的跨越與職業的突破？ 11月16日，咕泡科技聯合創始人、AI大模型事業部負責人譚鋒（Mic）老師受邀參與“數有引力·Sure沙龍丨AI時代，個體機遇新選擇”深度沙龍進行分享，與眾多行業同行展開探討：大模型不僅改

應用層 , 人工智能 , 深度學習 , 生成式 , 迭代 , 大模型

收藏 評論