tag 深度學習

標籤
貢獻321
320
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

zhidechaomian_detxs7 頭像

睿智的炒蘑菇 - 戴着鐐銬跳舞：數字化生存時代如何重建生活秩序？

左手插着輸液管，右手還在瘋狂敲擊鍵盤改方案——25歲設計師小周的第七次急診室加班，換來病歷本上"自主神經功能紊亂"七個大字。這不是個例，而是996、短視頻、信息轟炸三重絞殺下的集體生存危機。本文將帶你看透混亂真相，用數字工具奪回人生掌控權。 一、秩序感崩塌：現代人的精神失重 神經學家實錘，人腦根本不是多線程CPU，當你邊回微信邊寫方案，錯誤率會像坐火箭般飆升——這就是你總忘關燃氣灶的科學解釋

人工智能 , 深度學習 , sublime-text , 前端 , Javascript

收藏 評論

puxiaoke6 頭像

一點人工一點智能 - 書籍-《優化與最優控制簡明教程》

書籍：Optimization and Optimal Control in a Nutshell 作者：Sudath Rohan Munasinghe 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-《優化與最優控制簡明教程》 01 書籍介紹 本書簡潔地介紹了優化過程和最優控制過程，並通過實例和仿真幫助自學和更好地理解。首先從函數優

算法 , 人工智能 , 深度學習 , 優化

收藏 評論

zhidechaomian_detxs7 頭像

睿智的炒蘑菇 - 必看！電商運營新手的管理神器與效率提升實戰

凌晨三點，杭州某電商園區依然燈火通明。剛入行的運營新人小林盯着電腦屏幕，手忙腳亂地在五個平台間切換——抖音小店要改商品標題，拼多多客服消息積壓了50條，淘寶後台還有三個未處理的退款申請。這是無數電商新人的真實寫照，也是傳統運營模式的效率困局。當行業進入"分鐘級響應"時代，掌握數字工具的新手運營正以驚人的速度超越"手工黨"前輩。 新手第一課：建立數字化認知框架 剛接觸電商運營時，很多人會陷入"平台規

visual-studio-code , webapp , 深度學習 , chrome-devtools

收藏 評論

guangmingleiluodegongjian 頭像

用户bPdjp9i - manim邊學邊做--通用變換

在 Manim 動畫製作中，Transform、TransformFromCopy、ReplacementTransform和Restore是四個通用的對象變換動畫類。 這幾個類能夠實現從一個對象到另一個對象的平滑過渡、複製並變換、直接替換以及狀態恢復等多種效果。 Transform：將一個Mobject平滑地變換為另一個Mobject TransformFromCopy：從一個對象複製出一

segmentfault , 深度學習

收藏 評論

old_it 頭像

老IT人 - 聯想 X 贊奇 | 共建 AI 生態，攜手發佈軟硬協同的AIKnow智能體工作站

5月8日，聯想在上海舉辦中國合作伙伴大會。贊奇科技作為聯想ISV核心生態夥伴之一，正式發佈“贊奇AIKnow智能體工作站”。該方案深度融合聯想工作站與贊奇AIKnow智能體開發平台，實現軟硬協同，為企業提供開箱即用的AI開發解決方案，大幅降低智能體部署門檻。 贊奇AIknow是由贊奇科技開發的一站式無代碼智能體開發平台，通過整合主流的大語言模型（如Qwen、DeepSeek、ChatGLM等）、

機器學習 , 算法 , segmentfault , 人工智能 , 深度學習

收藏 評論

xingguangshanshan 頭像

星光閃閃 - GCMS調諧報告中發現半峯寬超過0.65的調整方法

質譜儀GCMS的調諧報告中發現半峯寬超過0.65，可以按照以下步驟進行調整： 檢查儀器狀態 真空狀態：確保分子渦輪泵的轉速達到百分之100，真空系統正常運行。如果真空狀態不佳，可能會影響峯寬。 離子源和四極杆温度：確認離子源温度為230℃，四極杆温度為150℃，並確保這些温度穩定。 清潔離子源和四極杆 離子源：如果離子源受到污染，可能會導致峯寬增加。可以考慮進行離子源的清潔。 四極杆

數據挖掘 , HTTP , 數據庫 , 人工智能 , 深度學習

收藏 評論

chunzhendexiaogou 頭像

PoloAPI - 谷歌正式推出 Gemini 2.5 系列模型，使 AI 推理性能提升30%。

谷歌於2025年6月正式推出‌Gemini 2.5系列模型‌，核心聚焦推理效率與多模態能力升級，具體解讀如下： 🚀 ‌一、三大模型定位與技術亮點‌ ‌Gemini 2.5 Pro‌ ‌角色定位‌：主攻複雜推理與多模態分析（“思考型模型”），在數學、編碼任務中刷新LMArena榜單記錄。 ‌上下文能力‌：支持100萬token輸入（計劃擴展至200萬），可解析代碼庫、大型數據集及混合媒

llm , 算法 , google , 人工智能 , 深度學習

收藏 評論

elhix0bg 頭像

阿里雲大數據AI - PAI-LangStudio x AI搜索開放平台 x ElasticSearch: 構建AI Search RAG全棧應用

本文詳細介紹瞭如何使用 PAI-LangStudio 和 Qwen3 構建基於AI搜索開放平台 x ElasticSearch 的 AI Search RAG 智能檢索應用。該應用通過使用 AI 搜索開放平台、ElasticSearch 全文檢索+向量檢索引擎的混合檢索技術配合阿里雲最新發布的 Qwen3 推理模型編排在一個 Agentic Workflow 中，為客户提供了業內領先的 AI Se

大數據處理 , 數據挖掘 , 搜索引擎 , 人工智能 , 深度學習

收藏 評論

chunzhendexiaogou 頭像

PoloAPI - Windows 系統安裝與使用 Claude Code 全攻略

Claude Code 作為一款高效的 AI 編程輔助工具，深受開發者青睞，但由於其本身不支持 Windows 文件系統，在 Windows 系統上使用需要藉助 WSL（適用於 Linux 的 Windows 子系統）。下面為你詳細介紹在 Windows 系統上安裝和使用 Claude Code 的完整流程。 什麼是 WSL WSL（Windows Subsystem for Linux，適用於

編程 , 人工智能 , 深度學習 , 後端 , 前端

收藏 評論

puxiaoke6 頭像

一點人工一點智能 - 《分數階行為建模：若干非典型工具的分析與應用》

書籍：Fractional Behaviours Modelling: Analysis and Application of Several Unusual Tools 作者：Jocelyn Sabatier，Christophe Farges，Vincent Tartaglione 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-

工具 , 人工智能 , 深度學習 , 模型

收藏 評論

fabarta 頭像

Fabarta - Cursor可控AI編程實踐：縮短交付週期，保障產品質量

導讀AI編程工具的興起讓開發效率有了質的飛躍，但很多開發者在使用過程中會發現一個問題：AI生成的代碼往往與現有項目的技術棧、編碼規範不匹配，需要大量的手動修改，開發效率拖了後腿。如何讓AI按照我們的意圖和規範來編寫代碼？這就是"可控AI編程"要解決的核心問題。 通過Cursor可控AI編程技術，我們大幅提升了開發效率，同時確保了產品的高質量和可靠性。本文將展示這一技術如何為企業創造實際價

編程 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - LangGraph實戰：從零構建智能交易機器人，讓多個AI智能體像投資團隊一樣協作

現在的量化交易早就不是簡單的技術指標了。真正有效的交易系統需要像一個完整的投資團隊一樣工作——有專門的分析師收集各種數據，有研究員進行深度分析和辯論，有交易員制定具體策略，還有風險管理團隊把關。問題是傳統的程序很難模擬這種複雜的協作流程。 LangGraph的多智能體架構正好解決了這個問題。我們可以構建一個像真實投資公司一樣運作的系統，每個智能體負責特定的職能，它們之間可以進行辯論、協商，最終形成

llm , 代理 , 人工智能 , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - Java中SSM框架實現增刪改查功能代碼詳解

SSM 框架實現增刪改查（CRUD）功能代碼詳解 以 “用户管理” 模塊為案例，基於 SSM（Spring+SpringMVC+MyBatis）框架實現用户的新增、查詢（單條 / 列表）、修改、刪除功能，全程遵循 “POJO→Mapper→Service→Controller” 的分層開發邏輯，附完整代碼與配置説明。 一、前期準備：項目結構與依賴 1.1 項目目

User , spring , 人工智能 , JAVA , 深度學習

收藏 評論

deephub 頭像

deephub - Google開源Tunix：JAX生態的LLM微調方案來了

JAX生態這兩年在LLM訓練這塊追趕得挺快。PyTorch雖然還是主流但JAX在並行計算、TPU加速和API組合性上確實有些獨特的優勢。Google今天放出了Tunix這個庫，專門做LLM的後訓練——微調、強化學習、知識蒸餾這些都能搞。 Tunix是什麼 這是個構建在JAX之上的後訓練庫，和Flax NNX集成得比較緊密。主要解決三類問題： 監督微調（Supervised Fine-T

llm , jax , google , 人工智能 , 深度學習

收藏 評論

yinuo112 頭像

程序員一諾python - 【深度學習】嘿馬深度學習目標檢測教程第5篇：數據集處理,2.2 目標數據集標記【附代碼文檔】

🏆🏆🏆教程全知識點簡介：涵蓋圖像識別背景、目標檢測定義和應用場景。核心算法原理包括R-CNN系列算法（R-CNN、SPPNet、Faster R-CNN、RPN原理）、YOLO算法（單次檢測、候選框機制、單元格概念）以及SSD算法（單次多框檢測器、多個Detector classifier、訓練與測試流程）。數據處理模塊包含目標數據集標記、數據集格式轉換（TFRecords文件、VOC2

算法 , 人工智能 , 深度學習 , Python

收藏 評論

deephub 頭像

deephub - AutoGen框架入門:5個核心概念搭建智能體協作系統

AutoGen 是微軟研究院開源的多智能體 AI 系統框架。這個框架的設計思路很簡單——讓多個 AI 智能體（加上人類參與）在對話中完成複雜任務的協作和推理。 你甚至可以把它理解成一個團隊聊天室，智能體們在裏面討論、爭論、協作，最終得出解決方案。 AutoGen 通過創建多個專門化智能體，為每個智能體設定自己的角色、目標，來達到上面説的聊天能力，並且還能通過配置工具來獲得代碼執行能力。智能

llm , agent , 人工智能 , 深度學習 , Python

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 高效驗證：ACE VIP 實踐指南

在當代多核SoC設計中，ACE VIP（Advanced Coherency Extensions Verification IP）是確保系統一致性與性能穩定的重要驗證工具。本文將圍繞協議驗證、UVM整合、功耗性能分析與仿真加速四大應用展開，結合實際案例，帶你快速理解ACE VIP的實用價值。 1、緩存一致性協議驗證：ACE VIP的核心能力 ACE VIP支持全面的協議一致性驗證，包

觀點 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

rivers_chaitin 頭像

百川雲開發者 - 2025年這五款AI Wiki神器，讓你的知識管理效率翻倍！

在這個信息爆炸的時代，知識管理已經成為每個企業和團隊都必須面對的挑戰。傳統的文檔管理方式不僅效率低下，而且查找困難，協作不便。幸運的是，隨着AI技術的快速發展，一批智能化的Wiki軟件應運而生，它們不僅能夠幫助我們高效地組織和管理知識，還能通過人工智能技術實現智能搜索、自動問答甚至內容創作。 今天，就讓我們一起來看看2025年最值得關注的五款AI Wiki軟件，看看它們是如何重新定義知識管理的！

人工智能 , 深度學習 , 開源項目介紹

收藏 評論

deephub 頭像

deephub - vLLM 性能優化實戰：批處理、量化與緩存配置方案

很多團隊把它vLLM 當 demo 跑，但是其實這沒把它系統能力發揮出來。這篇文章將介紹怎麼讓 vLLM 真正幹活——持續輸出高令牌/秒，哪些參數真正有用，以及怎麼在延遲和成本之間做取捨。 先説 vLLM 到底好在哪 vLLM 提供 OpenAI 兼容的 API，核心是 continuous batching 加上 PagedAttention。PagedAttention 用分頁管理 K

神經網絡 , 教程 , 人工智能 , 深度學習 , llama

收藏 評論

infodator 頭像

容智信息 - 智能體最佳實踐的方法論（二）：實施

當企業智能體建設進入「第二階段實施環節」，如何將“規劃藍圖”轉化為“業務實效”成為核心命題。這一階段的成敗，直接決定智能體是“淪為技術試驗品”還是“成為業務增長極”。對於技術決策者和企業領導層而言，把握實施階段的四個關鍵步驟，並選對“業務能深度參與”的工具，是破局的關鍵。 智能體實施，是從“概念設計”到“價值交付”的實戰環節，可拆解為四個環環相扣的步驟，每一步都直指“落地效率

自動駕駛 , 機器人 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

chenzhuodeyagao 頭像

沉着的牙膏 - 醫療行業數據安全管理方案 ——低誤差 · 場景化 · AI驅動 · 高效合規的醫療數據安全建設新路徑

概要：醫療行業的數據安全管理，已成為數字化醫療高質量發展的關鍵基石。隨着醫療信息化、智能化進程的加快，從電子病歷、互聯網診療到醫保數據共享，數據已成為醫療機構最核心的生產要素。如何在保證數據可用的同時，確保安全、合規與高效，是當前醫療行業共同面臨的挑戰。本方案以“低誤差識別、場景化落地、AI驅動智能決策、高效合規治理”為核心特徵，構建了一套覆蓋醫療數據全生命週期的安全管理體系。通過非侵入式採集、智

API , 深度學習

收藏 評論

openbayescom 頭像

OpenBayes - 教程上新丨MIT等推出BindCraft，直接調用AF2，實現蛋白質結合體的智能化設計

在生命體系中，蛋白質很少單獨發揮其生物學功能，而是依賴於蛋白質-蛋白質相互作用（PPI）來執行復雜的生物學過程。因此，設計能夠特異性靶向和調控 PPI 的蛋白質結合物具有巨大的治療和生物技術潛力。 然而，傳統的蛋白質結合物生成方法，例如免疫接種、抗體庫篩選或定向進化，通常費力費時，並且對靶位的控制有限。 計算蛋白質設計提供了一種強大的替代方案，能夠根據特定靶標和結合位點定製結合物。而早期計算方法（

機器學習 , 自然語言處理 , 教程 , 人工智能 , 深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 總線死鎖驗證方法

在複雜SoC 設計中，總線死鎖是一類嚴重影響系統可靠性的問題：多個模塊因相互等待資源而陷入永不響應的“僵局”。本文介紹先進的驗證策略，結合具體案例，幫你係統掌握如何早期發現並避免總線死鎖。 1、什麼是總線死鎖？ 當多個組件互相等待彼此持有的總線資源，形成循環等待，導致系統無法繼續操作，這就是總線死鎖。尤其在多核、多請求源的環境中，檢測並解決死鎖至關重要。 2、驗證技術詳解

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 緩存一致性驗證秘笈

在多核 SoC 設計中，緩存一致性（Cache Coherence）驗證 是保障數據一致性與系統性能的基石。本文深入解析高級驗證策略，結合實戰案例，系統講解如何在設計早期高效捕捉潛在一致性問題。 1、形式驗證 — 數學級確保一致性 形式驗證通過數學模型與狀態空間窮舉來驗證緩存協議，各種邊界場景都不放過。 實踐案例：某半導體廠商採用 Cadence JasperGold，對多核處理器的緩

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論