tag 深度學習

標籤
貢獻320
315
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_17512334 頭像

疆鴻智能研發中心 - 疆鴻智能PROFIBUS集線器，驅動六軸機器人高效協同，打造汽車配件智慧產線

疆鴻智能PROFIBUS集線器，驅動六軸機器人高效協同，打造汽車配件智慧產線 工廠背景：自動化孤島下的協同困境 某中型汽車線束配件製造車間內，三條產線並行運作，其中核心工序由六台不同品牌的六軸機器人承擔，分別完成線纜切割、端子壓接、護套組裝等高精度作業。早期佈局中，各機器人通過獨立的PROFIBUS-DP端口與控制PLC直連，形成六個“點對點”通信鏈路。隨着生產節拍

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

收藏 評論

u_16213627 頭像

mob64ca1402d47a - 單層網絡 有必要加relu嗎

三網：電信網、有線電視網絡和計算機網絡 因特網發展的三個階段： 第一階段是從單個網絡ARPANET向互聯網發展的過程 第二階段的特點是建成了三級結構的因特網。 第三階段的特點是逐漸形成了多層次ISP結構的因特網 internet和Internet的區別：小寫是泛指互聯網

網絡地址 , 單層網絡 有必要加relu嗎 , 域名服務器 , 人工智能 , 深度學習 , 路由表

收藏 評論

u_14070017 頭像

寒水馨hsx - Windows 11 下載安裝 CosyVoice2，一鍵啓動

Windows 11 下載安裝 CosyVoice2，一鍵啓動 1. CosyVoice2 簡介 CosyVoice2 是阿里巴巴推出的 多語言語音合成/文本轉語音（TTS）模型。 CosyVoice2 開源免費、可本地部署、離線使用。 2. 硬件要求 顯卡品牌：英偉達（NVIDIA） 顯卡顯存：≥ 4G

CosyVoice2 , 本地部署 , 阿里巴巴 , 人工智能 , 深度學習 , 文本轉語音 , tts

收藏 評論

u_16213412 頭像

mob64ca12ebb57f - ollama模型使用gpu生成

在進行實體模型的開發及訓練過程中，使用 GPU 生成 Ollama 模型成為了提升性能和加速迭代的關鍵技術。由於 GPU 具備強大的並行計算能力，可以顯著提高數據處理速度，因此越來越多的開發者和研究人員開始關注其實現方式和操作流程。 引用塊：根據 NVIDIA 的定義，“GPU 是一種用於高速數據並行處理的硬件，適用於計算密集型任務，例如深度學習和圖形渲染。” 時間

並行計算 , aigc , 深度學習 , 開發者

收藏 評論

huamingshixunkeji 頭像

華明視訊科技 - 智能卡口系統解決方案：構築現代化海關監管的智慧防線

隨着全球貿易的飛速發展，海關卡口作為貨物進出口的關鍵節點，其監管效率與準確性直接關係到國門安全與通關流速。傳統依賴人工查驗的模式已難以應對日益增長的流量與複雜的監管需求。為此，我們推出全新的智能卡口系統解決方案，通過深度融合物聯網、自動識別與數據智能技術，實現卡口監管的無人化、自動化與智能化，為構建智慧海關提供堅實的技術底座。 智能卡口系統解決方案核心：全流程無人化智能監管 本方案旨在

機器學習 , 圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

qingfouai 頭像

青否Ai - AI時代競爭指南：如何打造高效的AI數字員工團隊！

隨着AI模型和工具的普及，我們可以藉助AI做：市場調查分析、用户需求分析、營銷文案撰寫、圖片視覺設計、視頻製作以及數據經營分析等等，這些功能完全涵蓋了一個商業模型的閉環。因此，利用AI是可以為自己打造數字化的員工團隊的。 藉助這個AI員工團隊，可以提升工作效率，可以減少機械、重複的操作，可以擴寬知識面和工作技能，同時還能無限的複製和拓展。 所以，未來一定是人+AI的競爭，也許現在和你競爭的就是一個

算法 , 人工智能 , 深度學習

收藏 評論

tecdat 頭像

拓端tecdat - Python用LightGBM、XGBoost、隨機森林及Optuna超參數優化的航班票價數據集預測研究

全文鏈接：https://tecdat.cn/?p=44623 原文出處：拓端數據部落公眾號 關於分析師 在此對Shen Wenwen（Wenwen Shen）對本文所作的貢獻表示誠摯感謝，他在浙江工商大學完成了信息管理與信息系統專業的相關學習，專注數據分析領域。擅長Python、Matlab、深度學習、電商數據分析等。 Wenwen Shen曾在數據分析相關領域參與多個實踐

機器學習 , 數據挖掘 , 算法 , 人工智能 , 深度學習

收藏 評論

u_15591470 頭像

ceshiren2022 - 告別Selenium時代：用Playwright解決Selenium的三大痛點

去年這個時候，我們還在被 Selenium 的“玄學失敗”折磨得睡不好覺。 每週一晨會，大家聊得最多的不是業務需求，而是：“昨天那幾個腳本又隨機掛了，誰幫忙看看？” 直到一個週五深夜，我第 N 次調試那個經典的 “Element not interactable” 錯誤——明明元素就在頁面上，就是點不了。那一刻我意識到：不是我們寫得不夠好，而是工具已經跟不上時代了。 三個月後

playwright , 人工智能 , 深度學習 , 自動化測試 , selenium

收藏 評論

tecdat 頭像

拓端tecdat - 專題：2025新能源轉型展望報告|附270+份行業報告PDF、數據可視化模板彙總下載

原文鏈接：https://tecdat.cn/?p=44355 原文出處：拓端抖音號@拓端tecdat 引言 全球能源體系正經歷以“清潔化、智能化、分佈式”為核心的結構性變革，新能源已從補充能源躍升為推動能源安全與氣候治理的核心力量。從中國光伏農業的土地複合利用創新，到全球儲能需求的爆發式增長，從AI技術對能源效率的極致提升，到可控核聚變的技術突破，行業轉型已進入“實踐深化+技術迭代”的關

機器學習 , 數據挖掘 , 算法 , 人工智能 , 深度學習

收藏 評論

zhuifengdekaomianbao 頭像

張老師講數字孿生 - 凡拓自動標註平台：AI模型的“超級飼料機”

自動化、智能化正成為數據標註的新常態，凡拓數創以技術創新重塑AI數據基礎設施。 在人工智能行業，有一句話廣為流傳：“有多少智能，就有多少人工”。這句話在數據標註領域體現得尤為明顯。傳統的數據標註高度依賴人力，標註員需要長時間盯着屏幕，對圖像、文本、語音等數據進行反覆標註和校對，不僅工作量大、成本高，還存在效率低下和標準不統一的問題。 凡拓數創最新推出的自動標註平台，正在徹底改變這一現狀

資訊 , 數據 , 人工智能 , 深度學習

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【TVM 教程】使用元組輸入（Tuple Inputs）進行計算和歸約

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：Ziheng Jiang 若要在單個循環中計算具有相同 shape 的多個輸出，或執行多個值的歸約，例如 argmax。這些問題可以通過元組輸入來解決。 本教程介紹了 TVM 中元組輸入的用法。 from __fu

編程 , 人工智能 , 編譯器 , 深度學習 , 後端

收藏 評論

u_17580222 頭像

mb691327edb400f - AI 智能體

AI重塑人才選拔：效率與精準的雙重革新 人才選拔賽道的競爭日趨激烈，招聘官深陷堆積如山的簡歷與密集的面試流程，卻仍面臨核心人才難尋、面試主觀性強、招聘成本高企的困境。當HR團隊疲於應對初篩與基礎面試時，企業正為這些低效流程承擔高昂代價。 艾瑞諮詢數據顯示，AI技術已貢獻HR SaaS市場60%的價值，其中個性化評估是核心應用場景。這場技術革命正從培訓領

上傳 , 人工智能 , 深度學習 , 應用場景 , 解決方案

收藏 評論

chenzhuodeyagao 頭像

沉着的牙膏 - 構建高準確率、可控、符合規範的政務數據庫審計和監測方案

一、概要 提示：本文旨在系統性闡述政務行業數據庫風險監測的整體框架與實踐成效，突出數據化治理與落地成果。在數字化政務全面推進的背景下，數據庫已成為政府數據資產的核心載體與安全薄弱環節。“知形-數據庫風險監測系統”，以高準確率、可控性強、符合規範為核心特性，通過智能化監測與可視化審計，助力政務機構實現數據庫風險的全鏈路感知與閉環處置。在某省級政務數據中心的落地實踐中，系統實現數據庫資產自動發現

深度學習

收藏 評論

u_16213345 頭像

mob64ca12db7156 - ollama模型設置為多顯卡

在使用Ollama模型進行深度學習訓練時，能夠有效地利用多顯卡資源是提升訓練效率的重要手段。然而，實際上，在設置Ollama模型為多顯卡時，用户常常會遇到一些問題。本文將詳細記錄解決“ollama模型設置為多顯卡”問題的過程，並分享一些調試和優化的經驗。 背景定位 在現代深度學習任務中，隨着數據集的規模和模型複雜度的不斷增加，訓練時間往往會顯著增加。如果無法有效利用多顯卡，可能導

配置文件 , aigc , 深度學習 , CUDA

收藏 評論

u_17562481 頭像

思考的袋鼠 - 金融行業精細化、協同、閉環式的數據安全管理最佳實踐指南

一、概要：構建金融數據安全的精細化、協同化、閉環式能力體系 （提示：本章從宏觀層面概述金數據安全管理的行業趨勢與落地價值。） 隨着金融數字化轉型進入深水區，金融機構在零售銀行、智能投顧、消費金融、跨境支付等業務中產生的海量數據，不僅成為核心生產要素，也是貫穿業務創新、風控提升、客户體驗的重要支撐。然而，“數據價值提升”與“數據風險上升”始終並行：數據覆蓋鏈路愈長、協同

鏈路 , 數據 , 數據安全 , 人工智能 , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - 基於ssm框架下的分頁顯示查詢

SSM 框架實現分頁顯示查詢（基於用户管理案例） 在 SSM 框架中實現分頁查詢，最常用且高效的方案是集成MyBatis 分頁插件（PageHelper），它能自動攔截 SQL 並添加分頁語句（LIMIT），無需手動編寫複雜分頁 SQL。以下基於之前的 “用户管理” 案例，完整補充分頁查詢的實現步驟，包含配置、代碼編寫與測試。 一、前期準備：集成 PageHelper

User , 分頁 , 人工智能 , 深度學習 , 分頁查詢

收藏 評論

u_17562481 頭像

思考的袋鼠 - 數據庫風險監測系統建設理論研究：從規範落地到智能化防禦的全週期體系

提示：隨着數據成為企業運營核心要素，數據庫風險監測的重要性被快速推向前台。 一、概要 在數字經濟的深度發展背景下，大量業務系統、海量敏感數據與複雜的數據流動使數據庫成為企業最核心、同時也是最脆弱的關鍵信息載體。傳統以審計、邊界安全為核心的防護思路，已難以應對數據庫雲化、多地部署、動態訪問權限與高強度數據流通帶來的安全挑戰。數據庫風險監測系統作為一種新型的安全管理理

數據 , 數據庫 , 數據安全 , 人工智能 , 深度學習

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI 城市智能感知展示平台：讓城市有“眼”更有“腦”

當路燈能感知行人車流、積水點自動預警、交通信號燈動態適配路況，城市正通過 AI 智能感知展示平台，從“被動響應”轉向“主動預判”。這個平台絕非簡單的監控大屏，而是融合邊緣計算、AI 視覺、數字孿生的城市“神經中樞”，用技術穿透治理壁壘，讓城市運行更高效、更安全。 平台的核心底氣，是“邊緣 + 雲端”的協同計算架構。城市街頭的攝像頭、井蓋傳感器、積水監測儀等設備，每時每刻都在產生海量數

數據 , NLP , 人工智能 , 深度學習 , 計算技術

收藏 評論

qingfouai 頭像

青否Ai - 價值重構：從時間出賣者到價值創造者，凸顯ai員工的重要性！

"我每天工作10小時，週末還要加班，但感覺離財務自由越來越遠。 這正是傳統職場的最大陷阱：我們被訓練成"時間出賣者"，而非"價值創造者"。 在舊體系中，你的價值=工時×時薪。這種線性模型註定讓你陷入忙碌卻無法突破的困境。 而AI時代正在重構價值評估體系：你的價值=解決問題的能力×放大係數。 關鍵區別在哪裏？窮人的時間只賣給一個人，富人的時間通過產品化賣給成千上萬人。 一個案例（青否ai員工源頭v：

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

u_16508055 頭像

卡梅德生物 - 探秘媒介探針qPCR：一種“解耦”策略如何推動分子檢測技術革新

在生命科學研究和臨牀診斷中，核酸的精準、快速檢測至關重要。自問世以來，實時熒光定量PCR（Quantitative Real-Time PCR, qPCR）憑藉其卓越的靈敏度與定量能力，始終佔據着核心地位。其經典技術路線，如TaqMan水解探針法，依賴於一條與靶序列完全互補、且雙端標記有熒光基團和淬滅基團的寡核苷酸探針。然而，這種“一靶一探針”的模式在面對多靶標檢測需求時，面臨着

分子檢測技術 , 人工智能 , 深度學習 , 靶標識別 , 媒介探針qPCR

收藏 評論

deephub 頭像

deephub - 氛圍編程陷阱：為什麼AI生成代碼正在製造大量"偽開發者"

這是一篇再國外討論非常火的帖子，我覺得不錯所以把它翻譯成了中文。 大語言模型和ai只能提的發展衍生出了一個東西叫"vibe coding"（氛圍編程）——用自然語言描述需求，讓AI生成代碼，看起來不用寫代碼就能做出產品。 但這玩意兒本質上是個陷阱。它培養的不是開發者，而是一羣只會生成代碼、卻看不懂也改不了代碼的"中間商"。 對新手來説，這不是什麼職業捷徑。這是條斷頭路，而且很多人正往裏衝。 氛圍編

觀點 , llm , 神經網絡 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - Scikit-image 實戰指南：10 個讓 CV 模型更穩健的預處理技巧

在計算機視覺工程落地中我們常遇到一種現象：模型在驗證集上表現完美，但是一旦部署到生產環境準確率卻莫名下跌。這種“性能衰退”往往不源於模型架構本身而是歸咎於預處理管道的脆弱性。數據類型的隱式轉換、縮放算法的細微差異、或是未被矯正的幾何形變，這些看似微不足道的工程細節往往是系統失效的根源。 相比於盲目調整超參數，建立一套確定性強的預處理流程性價比更高。本文總結了基於 scikit-image 的十個工

圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

baihai 頭像

baihai - 分享一名海外獨立開發者的 AI 編程工作流

編者按： 當AI編程智能體宣稱能自動化一切時，我們是否在工具與概念的叢林中迷失了方向，反而忘記了如何最簡單、直接地解決問題？ 本文的核心主張尖鋭而明確：與其追逐繁雜的“智能體套件”、子智能體（Subagents）、RAG 等概念，不如迴歸本質 —— 選擇一個強大且高效的模型，像與一位靠譜的工程師同事那樣，通過簡潔的對話和直覺性的協作來直接解決問題。作者直言不諱地

AI , AI編程 , 人工智能 , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - Spring Boot 3.4.0 新特性詳解：重塑效率的依賴管理功能

依賴管理是 Spring Boot 生態的核心優勢，但在微服務規模化開發中，“版本衝突”“依賴臃腫”“跨團隊適配難” 等問題始終困擾開發者。Spring Boot 3.4.0 針對性推出全新依賴管理功能，通過增強型 BOM 體系、智能按需加載與兼容性自適應三大升級，將依賴管理效率提升數倍，徹底告別 “jar 包地獄”。本文結合技術原理與實戰場景，詳解這些新特性的價值與用法。

spring , 微服務 , 依賴管理 , 人工智能 , 深度學習

收藏 評論