tag 深度學習

標籤
貢獻321
322
05:25 PM · Oct 25 ,2025
deephub 頭像 xingxingshangdeliushu 頭像 u_15591470 頭像 tecdat 頭像 u_17512334 頭像 qingfouai 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

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

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