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_16213653 頭像

mob64ca14092155 - 為什麼使用隨機梯度下降求解出現問題 隨機梯度下降的隨機

迴歸與梯度下降 　　迴歸在數學上來説是給定一個點集，能夠用一條曲線去擬合之，如果這個曲線是一條直線，那就被稱為線性迴歸，如果曲線是一條二次曲線，就被稱為二次迴歸，迴歸還有很多的變種，如本地加權迴歸、邏輯迴歸，等等。 　　用一個很簡單的例子來説明迴歸，這個例子來自很多的地方，也在很多的開源軟件中看到，比如説weka。大概就是，做一個房屋

梯度下降 , 人工智能 , 深度學習 , 數據結構與算法 , 為什麼使用隨機梯度下降求解出現問題 , Python

收藏 評論

chenzhuodeyagao 頭像

沉着的牙膏 - 2025 年數據庫風險監測產品排名：行業領先、高性能、多方式的安全方案推薦

隨着《數據安全法》《個人信息保護法》《網絡數據安全管理條例》持續落地，企業對數據庫安全的要求已從“合規記錄”走向“實時風險治理”，傳統的審計日誌工具已無法滿足對敏感數據濫用、內部違規、跨境流動和複雜攻擊鏈路的監測需求。新一代數據庫風險監測產品必須同時具備 行業領先的技術能力、高性能的處理引擎、多方式的部署模式，才能真正支撐企業的數據安全體系建設。 本文基於最新技術趨勢與權威評測，對國內數據庫

深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 物理驗證：你選哪款 DRC/LVS

“物理驗證是通往 tape-out 的最後一關。” 當工藝推進至 7 nm、5 nm 乃至更先進節點，設計規則變得愈發複雜、模塊層級更多、混合信號／3D 封裝挑戰加劇。此時， DRC (Design Rule Check) 與 LVS (Layout Versus Schematic) 這兩項物理驗證工作不僅是良率保障，更是與 foundry 簽入流程中不可繞開的一環。選對工具，能讓你少走彎

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

mageedu 頭像

馬哥教育 - AI對主流IT崗位的影響

代碼開發： 影響極高（90-95%）：AI成為強大的代碼補全與生成助手，極大提高開發效率，但系統設計、業務抽象和複雜邏輯整合等仍需人類主導；初級編程任務被自動化，開發者角色向“架構師”和“代碼審核者”轉變 轉型方向：從“編寫代碼”轉向定義問題、設計架構、評審AI產出 ；掌握提示詞工程；強化業務理解與系統設計能力 DevOps： 影

運維 , 架構設計 , 系統架構 , 人工智能 , 深度學習

收藏 評論

u_17408641 頭像

咕泡科技 - 技術人視角：傳統產品經理如何系統性轉型AI產品經理

AI技術的迭代速度正在重塑所有行業，也對產品經理這一角色提出了全新的要求。在技術團隊中，一個懂行的AI產品經理（AI PM）能極大提升技術價值的轉化效率。對於希望轉型的傳統PM，或希望理解PM工作的技術同學，本文梳理了一條從認知到實戰的系統性路徑。 一、 認知重構：理解AI PM的核心價值與定位 轉型的第一步是思維升級，明確AI PM與傳統PM的核心差異。

商業 , 數據 , 產品經理 , 人工智能 , 深度學習

收藏 評論

youyudetusi 頭像

憂鬱的吐司 - 青否AI員工提升客户體驗：讓服務更智能、更人性化！

在現代企業中，客户體驗已經成為競爭力的重要指標。客户期待快速、精準、個性化的服務，而人工服務往往受限於效率和精力。AI員工的出現，讓企業服務煥然一新，它不僅能高效執行任務，更能讓服務變得智能而人性化。 AI員工能夠實時理解客户需求，從諮詢到解決問題，完成整個業務流程的閉環交付。比如，當客户提出修改訂單或查詢服務狀態時，AI員工會快速識別信息、調用系統執行操作，並及時反饋結果。 整個過程中，客户不再

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

ziwupython 頭像

子午 - 昆蟲識別系統【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度學習+卷積神經網絡算法

一、介紹 昆蟲識別系統，本項目為一款基於深度學習的昆蟲識別系統，融合當前人工智能技術熱點，針對10種常見昆蟲（包括蜜蜂、甲蟲、蝴蝶、蟬、蜻蜓、蚱蜢、蛾、蠍子、蝸牛、蜘蛛）構建數據集，採用卷積神經網絡（CNN）進行模型訓練，最終實現了高精度的圖像識別模型，並搭建了完整的Web端操作平台。 前端: Vue3、Element Plus 後端：Django 算法：TensorFlow、卷積神經網絡算法 具

圖像識別 , 人工智能 , 深度學習

收藏 評論

comehope 頭像

comehope - AI實戰：用 HuBERT 識別樂曲風格

摘要 本項目的目標是使用深度學習來識別樂曲風格，如一首歌曲是流行樂還是搖滾樂。 我們將把樂曲特徵轉換為圖像數據，再利用 HuBERT 進行訓練，生成的模型可以存儲到你自己的 Hugging Face 帳號中。 本教程的 Jupyter 文件地址： https://openbayes.com/console/public/tutorials/ODwKxev36xS 本教程的視頻地址： h

機器學習 , tensorflow , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI輔助審核系統：用技術給內容把關，效率精度雙提升

傳統人工審核就像“大海撈針”，面對海量文字、圖片、視頻內容，不僅要熬夜加班，還容易因疲勞漏判、標準不一出錯。而AI輔助審核系統的出現，用硬核技術重構審核邏輯，讓“人工+智能”的協同模式成為主流，既解放人力，又把審核精度拉滿。 這個系統的核心技術邏輯是“學習-識別-輔助”的閉環，每一步都藏着實打實的技術硬活。首先是“學習階段”，工程師會把海量合規與違規樣本“喂”給AI模型——比如文字裏

NLP , 自然語言處理 , 人工智能 , 深度學習 , 核心技術

收藏 評論

u_16213660 頭像

mob64ca140ac564 - 深度學習計算每層參數數量公式

BN和conv pooling一樣是一個含有參數的層，其解決的問題是樣本間在隱含層的特徵數據分佈不均，提升訓練效率。 基本算法如下，首先對每一層的數據，都會計算其均值和方差，再將特徵數據分佈歸一化到均值為1，標準差為0。僅僅是這樣操作後會有一個硬傷：原本一些數據分佈可能都是大於0的，現在你歸一化到均值為1，一般情況下，神經元在ReLu都不會被激活！

歸一化 , DL , 深度學習計算每層參數數量公式 , 數據 , 數據分佈 , 人工智能 , 深度學習

收藏 評論

u_87634 頭像

新新人類 - CNN vs RNN vs ANN——3種神經網絡分析模型，你pick誰？

前言 卷積神經網絡（CNN）和循環神經網絡（RNN）是深度學習中處理兩類核心數據的基石模型：CNN擅長捕捉空間特徵（如圖像），RNN擅長處理序列依賴（如文本、語音）。本文將從原理、結構、易錯點到代碼實現全面解析，適合作為學習筆記或技術博客參考。 一、卷積神經網絡（CNN） 1. 核心原理：局部感知與權值共享 人類視覺系統觀察物體時

rnn , cnn , 人工智能 , 深度學習 , 筆記 , 前端開發 , Javascript

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - Verilog端口類型解析

“理解端口類型，是Verilog模塊設計的關鍵。” 在Verilog設計中，端口是模塊與外界交互的橋樑。不同類型的端口——輸入、輸出與雙向——在數據流向與信號驅動方式上有着嚴格的規則。若定義不當，不僅會引發編譯錯誤，還可能導致仿真行為與硬件實現不一致。掌握Verilog端口類型的使用原則，能幫助設計者構建結構清晰、邏輯可靠的電路系統。 1、端口類型與信號流向Verilog模塊的端口可分為三類

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

u_17580222 頭像

mb691327edb400f - AI 招聘系統的變革與升級

AI 招聘系統的變革與升級 招聘領域的靜默革命：AI重塑人才選拔的核心邏輯 招聘失誤的成本往往被企業低估，一次糟糕的僱傭決定，可能讓企業付出該職位年薪30%-50%的直接成本，還會引發團隊士氣受損、培訓資源浪費等連鎖反應。傳統面試模式下，HR依賴主觀判斷和有限的簡歷信息做決策，極易導致優質人才錯失，這一行業痛點，正隨着AI技術的落地迎來解決之法。

交互設計 , 上傳 , ATS , 人工智能 , 深度學習

收藏 評論

u_16099356 頭像

IT智行領袖 - bevformer簡單復現

©作者|杜偉、陳萍 微軟亞洲研究院升級了 Swin Transformer，新版本具有 30 億個參數，可以訓練分辨率高達 1,536×1,536 的圖像，並在四個具有代表性的基準上刷新紀錄。 在不久之前公佈的 ICCV 2021 論文獎項中，來自微軟亞洲研究院的研究者憑藉論文《Swin Transformer: Hierarchic

機器學習 , bevformer簡單復現 , 人工智能 , 深度學習 , 計算機視覺

收藏 評論

u_15591470 頭像

ceshiren2022 - 簡化接口測試：利用Dify工作流結合CI/CD，實現一鍵式迴歸驗證

在敏捷開發與DevOps成為主流的今天，我們追求的是快速迭代、持續交付。然而，每當新功能開發完成或代碼發生變更時，繁瑣的接口迴歸測試往往成為流程中的“剎車片”。手動執行測試用例、核對響應數據、撰寫測試報告……這些重複性工作不僅效率低下，還容易出錯，嚴重拖慢了交付節奏。 有沒有一種方法，能將接口測試無縫嵌入到CI/CD流水線中，實現一鍵觸發、全自動迴歸驗證，並將結果清晰可溯地反饋給團隊？答

API , 人工智能 , 深度學習 , dify , 接口測試

收藏 評論

ziwupython 頭像

子午 - 【中草藥識別系統】Python+TensorFlow+Django+人工智能+深度學習+卷積神經網絡算法

一、介紹 中草藥識別系統，基於TensorFlow搭建Resnet50卷積神經網絡算法，通過對10種常見的中草藥圖片（'丹蔘', '五味子', '山茱萸', '柴胡', '桔梗', '牡丹皮', '連翹', '金銀花', '黃姜', '黃芩'）數據集進行訓練，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。 技術棧： 項目前端使用Html、CSS、BootStrap搭建界面。

圖像識別 , 人工智能 , 深度學習

收藏 評論

u_17241003 頭像

瀾極美顏SDK - Letmagic Beauty SDK: Free Basic Version Out!

In today's digital age, beauty enhancement functions have become an indispensable part of many applications. Whether it's live streaming, short videos, or social photo - taking apps, user

sed , 人工智能 , 深度學習 , ci , ide

收藏 評論

u_16099240 頭像

陌陌香閣 - 圖像顯著目標檢測模型

和昨天的那篇U²Net同作者，但是更早一點。 大多數深度學習方法→在顯著性預測時側重於區域預測→但現在他們創建了一個新的損失函數→也考慮了目標的邊界。 顯著性預測→我們人類擅長於此→關注給定的圖像或視頻中的“重要”目標。(但沒有很多方法考慮目標的邊界)。現在有很多深度學習模型結合了不同的表示方式。

code , 圖像顯著目標檢測模型 , 損失函數 , 人工智能 , 深度學習 , 計算機視覺

收藏 評論

u_16213656 頭像

mob64ca1409d8ea - 麥克風陣列定位深度學習代碼

亞馬遜Echo和谷歌Home爭奇鬥豔，除了雲端服務，他們在硬件上到底有哪些差異？我們先將Echo和Home兩款音箱拆開來看，區別最大的還是麥克風陣列技術。Amazon Echo採用的是環形6+1麥克風陣列，而Google Home（包括Surface Studio）只採用了2麥克風陣列。這種差異我們在文章《對比Amazo

信號處理 , 語音信號 , 人工智能 , 深度學習 , 麥克風陣列定位深度學習代碼 , 語音識別

收藏 評論

u_16213640 頭像

mob64ca1405d568 - HAO 人 物體 動作預測 計算機視覺任務

作者|VVingerfly 3D人體姿態和形狀估計在最近幾年是一個重要的研究熱點，但大部分工作僅僅關注人體部分，忽略了手部動作，港中文聯合Facebook AI研究院提出了一種從單張圖片同時估計人體姿態和手部動作的新方法，展示效果好似科學怪物。 如下圖左下和右下所示，易看出本文提出的方法姿態估計效果更好。

機器學習 , 神經網絡 , 人工智能 , 深度學習 , 計算機視覺

收藏 評論

pannideniupai 頭像

雨大王 - 工業智能體到底是什麼？製造業的“數字員工”解析

工業智能體作為一種新興的智能製造技術，正在製造業領域迅速發展。它通過多智能體協同架構，實現了從感知、決策到執行的全鏈路閉環，為製造業的智能化轉型提供了全新路徑。本文將從工業智能體的定義、核心價值、技術架構、行業應用及發展趨勢等方面進行深入探討。 首先，工業智能體並非簡單的自動化工具，而是融合了人工智能與工業知識的綜合性解決方案。以廣域銘島的實踐為例，其工業智造超級智能體由多個專業智能體組成，

人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - CALM自編碼器：用連續向量替代離散token，生成效率提升4倍

過去這些年語言模型的效率優化基本圍繞着兩條主線展開：參數規模和注意力機制的複雜度。但有個更根本的問題一直被忽視，那就是自迴歸生成本身的代價。這種逐token生成的模式讓模型具備了強大的通用性，同時也帶來了難以迴避的計算開銷。 現在有一種思路值得關注：不去替換現有的優化手段，而是在上層加一個潛在空間的映射層，直接削減前向傳播的次數。 每次讓GPT-5寫封郵件模型都得一個token一個token地往外

llm , 人工智能 , 深度學習

收藏 評論

u_16099221 頭像

技術領航者之聲 - gis 拓撲錯誤 能否批量處理

主要有添加構建拓撲，拓撲中添加要素，添加規則，輸出拓撲錯誤的功能。 使用： TopologyChecker topocheck = new TopologyChecker(mainlogyDataSet);//傳入要處理的要素數據集 top

數據集 , List , System , arcgis , 人工智能 , 深度學習 , gis 拓撲錯誤 能否批量處理

收藏 評論

u_16099245 頭像

遊俠小影 - Whisper通過命令調優

一：列出文件清單 1． List (gdb) list line1,line2 二：執行程序 要想運行準備調試的程序，可使用run命令，在它後面可以跟隨發給該程序的任何參數，包括標準輸入和標準輸出説明符(和)和外殼通配符（*、？、[、]）在內。 如果你使用不帶參數的run

數組 , 信號處理 , 賦值 , 人工智能 , 深度學習 , Whisper通過命令調優

收藏 評論