tag 深度學習

標籤
貢獻321
321
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

chenzhuodeyagao 頭像

沉着的牙膏 - 深度解析零信任：以身份為中心的持續安全驗證

零信任，這一重塑現代網絡安全格局的理念，最早由Forrester分析師John Kindervag於2010年正式提出。其誕生背景正是由於傳統邊界安全模型在日益分佈式的網絡環境中逐漸顯露出不足。零信任從根本上挑戰了“內部即安全、外部即危險”的傳統假設，它指出，無論設備處於網絡中的何種位置——內部還是外部，都應被視為如同連接在互聯網上一樣不可輕信，所有網絡流量都必須經過嚴格驗證與管控。 零信任

深度學習

收藏 評論

u_16099227 頭像

雲端創新者 - 深度學習向量維度一般如何設置

　　什麼是向量　　 　　向量通常指一個有長度有方向的量。向量使所有的移動和空間行為更容易理解和在代碼中實現。向量可以相加，縮放，旋轉，指向某物體。　 　　在javascript中，一個方向和長度(即向量)在二維空間中可以用橫座標x和縱座標y表示。　 　　 　　上圖中有4個不同的向量及其x和y分量(左上角為原點{x:0,y:0}，這裏的向量

深度學習向量維度一般如何設置 , 縮放 , Math , 點積 , 人工智能 , 深度學習

收藏 評論

u_17566409 頭像

wx69030d3acd3f5 - 兩大不可逆轉的趨勢正在夾擊培訓領域？AI時代，培訓新範式

　【一線數智評論】如果，你發現客户不再為你曾經的王牌課程買單，不是因為課程不好，而是因為遊戲的規則徹底改變。 　　兩大不可逆轉的趨勢正在夾擊我們： 　　1. 企業培訓預算普遍下滑：經濟下行壓力下，企業首先砍掉的就是被視為“成本中心”且ROI模糊的傳統培訓。 　　2. 學習形態徹底顛覆：我們不禁要問：當員工遇到難題時，第一反應是打開那塵封的線上課程庫，還是直接向C

數據 , 人工智能 , 深度學習 , 迭代 , 知識體系

收藏 評論

lab4ai 頭像

Lab4AI - 重磅！圖靈獎得主 Bengio 領銜 30 + 頂流學者聯合發文！首次給 AGI 下量化定義

論文標題：A Definition of AGI 作者團隊：人工智能安全中心、加州大學伯克利分校、Morph實驗室、密歇根大學等 發佈時間：2025年10月21日 👉一鍵直達論文 👉Lab4AI大模型實驗室論文閲讀 ✅Lab4AI平台提供AI導讀和AI翻譯等工具，輔助論文閲讀。您還可以投稿復現這篇論文~ ⭐論文簡介 本文旨在提出一個全面、可量化的框架，以澄清AGI的定義，並精確測量AI系統

機器學習 , llm , 算法 , 人工智能 , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - x86操作系統——內存管理

x86 操作系統：內存管理核心機制解析 內存是 x86 操作系統運行的核心資源，所有程序的指令與數據都需加載到內存才能執行。x86 架構下的內存管理，核心目標是 “高效利用物理內存、隔離不同程序內存空間、支持大程序運行”，其底層依賴 “地址轉換、分頁機制、內存保護” 三大核心技術。本文從 x86 架構特性出發，拆解內存管理的關鍵機制，帶你理解操作系統如何 “管好” 物理內存

頁表 , 物理內存 , 人工智能 , 深度學習 , 虛擬地址

收藏 評論

u_16776161 頭像

天潤融通科技 - 客户服務轉折點：從工具效率到AI勢能

過去二十年，客户服務的競爭始終圍繞“工具效率”展開。 從語音機器人到雲客服，從自動外呼到知識庫升級，企業不斷用新工具武裝人力，希望讓人“跑得更快”。但這種模式的核心仍然是“以人為驅動力”——工具只是放大器，而非替代者。 問題在於，這條路已經走到了盡頭。人的潛力被壓榨到極限，工作強度的上限已無法再突破。再好的工具，本質上仍是在要求人用更短的時間完成更多的任務。無論從人性

人工智能 , 深度學習 , 客户服務

收藏 評論

u_16175440 頭像

mob649e8155edc4 - WINDOWS 安裝 ollama用gpu運行

實現“WINDOWS安裝ollama用GPU運行”的全過程將會是一個相對複雜的任務，但也並非不可克服。為了方便大家更好地理解，我將這個過程以博文的形式記錄下來。從環境準備到擴展應用，每一個步驟力求詳細和清晰。 在開始之前，請確保您具備以下環境所需的基本條件。安裝Ollama的GPU支持涉及多個前置依賴，這對於其順暢運行至關重要。 環境準備 前置依賴安裝 以下是您需要安裝的

aigc , 深度學習 , CUDA , Python

收藏 評論

u_17512334 頭像

疆鴻智能研發中心 - 從“通訊孤島”到“數據交響曲”：CC-Link IE轉EtherNet/IP網關，貫通供漿製漿系統

從“通訊孤島”到“數據交響曲”：CC-Link IE轉EtherNet/IP網關，貫通供漿製漿系統 作為一名常年奔波在造紙行業的自動化工程師，我見證了太多生產線因協議壁壘形成的“通訊孤島”。直到我們在某大型紙企的供漿製漿系統改造中，成功部署CC-Link IE轉EtherNet/IP協議轉換網關，才真正體會到數據無縫流動帶來的變革。 一

ETHERNET , ip , 變頻器 , CCLINKIE , 協議轉換 , 人工智能 , 深度學習 , 工業自動化

收藏 評論

u_16213635 頭像

mob64ca1404baa2 - 評價文本生成模型生成效果

生活是美好的，佈滿每個角落，不要用良家婦女的心態去club，拜託！還是回家洗衣服去吧。 目的：評論自動分類 美護好評作為基礎數據，總共9萬6千條，數據越多訓練的模型越準確。 1. 首先對用户的評論進行標點符號去除，然後分詞，最後去掉停用詞。保存到一個文件中，一行是一條評論，每個詞之間用空格分開。 2. 使用word2vec訓練，得

聚類 , 評價文本生成模型生成效果 , 人工智能 , 深度學習 , 數據結構與算法 , 詞向量

收藏 評論

ziwupython 頭像

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

一、介紹 魚類識別系統，基於TensorFlow搭建Resnet50卷積神經網絡算法，通過對30種常見的魚類圖片數據集（‘墨魚’、‘多寶魚’、‘帶魚’、‘石斑魚’等）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。 後端基於Django處理邏輯請求 基於Ajax實現前後端數據通信 選題背景與意義

圖像識別 , 人工智能 , 深度學習 , Python

收藏 評論

u_16175522 頭像

mob649e8169ec5f - ollama 2b 7b

在這篇博文中，我將詳細記錄“ollama 2b 7b”問題的解決過程，通過各個模塊對比、遷移、兼容性、實戰案例、排錯和性能優化等方面的解析，幫助大家更好地理解和應對這一問題。 “ollama 2b 7b”是在處理深度學習模型方面的一個重要議題，尤其是在資源管理和模型優化的過程中，版本的更新與遷移顯得至關重要。 版本對比 在處理“ollama 2b 7b”問題時，我首先進行了版

適配層 , 新版本 , aigc , 深度學習

收藏 評論

u_16489298 頭像

8181大拿 - Zigbee與LoRaWAN物聯網協議深度對比與技術選型指南

在物聯網設備通信領域，Zigbee和LoRaWAN作為兩種主流的低功耗廣域網絡(LPWAN)技術，各自擁有獨特的優勢和應用場景。本文將全面解析這兩種協議的技術特點，並提供實際項目中的選型決策框架。 協議棧架構對比 Zigbee協議棧結構 應用層(APS) ↓ 網絡層(NWK) → 支持Mesh網絡拓撲 ↓ MAC層(802.15.4) ↓ 物理層(2.4GHz/915M

低功耗 , 網絡拓撲 , 協議棧 , 人工智能 , 深度學習

收藏 評論

u_13539 頭像

jowvid - 【深度學習之Transformer】

文章目錄 Week 22: 深度學習補遺：Transformer Encoder構建 摘要 Abstract 1. Positional Encoding 位置編碼 1.1 概要 1.2 代碼實現 1.3 效果簡析 2. LayerNo

人工智能 , transformer , 深度學習 , Css , 代碼實現 , 前端開發 , HTML

收藏 評論

huodadexiang 頭像

南瓜 - 從人工目檢到 AI 質檢-YOLOv8 驅動的 PCB 缺陷檢測系統【完整源碼】

從人工目檢到 AI 質檢-YOLOv8 驅動的 PCB 缺陷檢測系統【完整源碼】 一、項目背景與研究意義 在電子製造領域，PCB（Printed Circuit Board，印製電路板）缺陷檢測是保障產品質量的核心環節之一。傳統的人工目檢或規則算法存在以下問題： ❌ 效率低：人工檢測難以滿足大規模流水線需求 ❌ 一致性差：不同檢測人員經驗差異明顯 ❌ 規則泛化能力弱：傳統圖像算法難以應對

機器學習 , 人工智能 , 深度學習

收藏 評論

u_17569005 頭像

wx6906fb3f9b17a - 智能掃碼刷卡或臉梯控系統集成RFID、QR與AI，適用於智慧社區和辦公樓，具備高效安全的門禁管理功能

智能QR二維碼刷IC卡人臉AI識別梯控系統設備清單及詳情，整合了關鍵信息並補充了部分功能説明，使其更清晰和完整。 系統模塊 設備名稱

智能梯控 , 梯控 , 智能派梯 , IC卡電梯 , 人工智能 , 深度學習 , 電梯門禁

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【TVM教程】為 Mobile GPU 自動調優卷積網絡

Apache TVM 是一個深度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：Lianmin Zheng, Eddie Yan 針對特定設備的自動調優對於獲得最佳性能至關重要。本文介紹如何調優整個卷積網絡。 TVM 中 Mobile GPU 的算子實現是以 template 形式編寫的。該 te

編程 , 機器學習 , 人工智能 , 編譯器 , 深度學習

收藏 評論

u_16756731 頭像

KlipC小助手 - 英偉達Q3超預期財報，能否擊破“AI泡沫論”？

KlipC報道：當地時間11月19日，市場高度期待的英偉達三季度財報如期公佈，公司再度交出遠超預期的成績單。 財報顯示，英偉達三季度營收達到570億美元，同比增長62%；淨利潤319億美元，同比暴增65%；調整後每股收益（EPS）為 1.30美元，全面超出市場預估。同時，給出了超預期的四季度指引，預計營收將達到650億美元，上下浮動2%。 值得注意的是，英偉達最重要的業務板塊數據中心表現

英偉達 , 數據中心 , 人工智能 , 深度學習

收藏 評論

u_16213666 頭像

mob64ca140c3859 - 深度學習中如何確定缺陷面積

軟件或程序中存在的各種問題及錯誤 一、軟件缺陷的定義 二、軟件缺陷的判定標準 三、軟件缺陷產生的原因 四、軟件缺陷產生的根源 五、軟件缺陷信息 1、 缺陷的基本內容 2、缺陷的狀態 3、缺陷的嚴重程度 4、缺陷的優先級 一、軟件缺陷的定義

軟件測試 , 優先級 , 管理工具 , 軟件缺陷 , 人工智能 , 深度學習中如何確定缺陷面積 , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - 一文吃透HTTP協議:從基礎原理到深度細節

一文吃透 HTTP 協議：從基礎原理到深度細節 HTTP（HyperText Transfer Protocol，超文本傳輸協議）是支撐萬維網運行的核心協議，所有瀏覽器與服務器的交互、App 的接口請求、靜態資源加載，本質都是 HTTP 協議的通信過程。掌握 HTTP 不僅是開發者排查接口問題、優化性能的基礎，更是理解 Web 架構的關鍵。本文從 “基礎定義→核心組成→進階

服務器 , HTTP , 緩存 , 人工智能 , 深度學習

收藏 評論

tecdat 頭像

拓端tecdat - 專題：2025全球遊戲產業趨勢洞察報告 | 附130+份報告PDF、數據、可視化模板彙總下載

原文鏈接：https://tecdat.cn/?p=44307 原文出處：拓端抖音號 @拓端 tecdat 1983年任天堂FC紅白機把遊戲搬進家庭客廳，2016年《Pokémon GO》用AR讓玩家走出家門，2025年AI能自動生成30%的遊戲場景、雲平台支撐全球千萬玩家同步聯機——三十多年裏，遊戲產業從“小眾娛樂”長成了規模1890億美元的數字娛樂支柱。這背後不只是設備的升級，更是玩家需求從

數據挖掘 , 算法 , 人工智能 , 深度學習

收藏 評論

infodator 頭像

容智信息 - 錨定GCAO核心原則，讓企業智能體建設精準落地、高效產出

不少B端企業在智能體建設中陷入困局：投入了技術資源，落地的智能體卻要麼偏離業務核心目標，要麼決策脱離實際場景，最終淪為“演示工具”而非“生產力引擎”。問題的核心，在於缺乏一套系統、可落地的構建原則——而容智信息提出的GCAO框架，為破解這一困局提供了一套專業方法論，讓智能體建設從“盲目試錯”轉向“價值導向”。 智能體建設的首要誤區，是將“自動化”等同於“價值化”，導致工具落

資訊 , 機器人 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【TVM 教程】用 TEDD 進行可視化

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：Yongfeng Gu 本文介紹使用 TEDD（Tensor Expression Debug Display）對張量表達式進行可視化。 張量表達式使用原語進行調度，單個原語容易理解，但組合在一起時，就會變得複雜。

編程 , 機器學習 , 人工智能 , 編譯器 , 深度學習

收藏 評論

u_15675190 頭像

冰淇淋紅茶Q - 十月第一篇【AI落地應用實戰】基於 Amazon Bedrock、Agents、Rekognition 構建家庭智慧安防方案

一、引言 近年來，人工智能（AI）技術的飛速發展為智能家居和安全防護領域帶來了前所未有的機遇。隨着人們對居住環境安全性和智能化水平需求的不斷提升，如何利用AI的強大能力，豐富家居攝像頭、智能門鎖、智能安防監控等產品的核心功能，並顯著提升其智能化和自動化水平，已成為業界關注的焦點和創新的前沿。 基於這一背景，本方案主要由兩大場景構成：家庭環境智能監控和人臉檢測及校驗。

數據 , 智能家居 , amazon , 人工智能 , 深度學習

收藏 評論