tag 深度學習

標籤
貢獻321
330
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 chenzhuodeyagao 頭像 u_17580222 頭像 youqingyouyidejidan 頭像 chaoshenjinghyperai 頭像 ziwupython 頭像 u_16970152 頭像

@深度學習 / 博客 RSS 訂閱

infodator 頭像

容智信息 - 企業AI落地破局：五步行動指南，從價值試點到組織效能躍遷

在AI技術熱潮下，不少企業陷入“概念喧囂卻落地無門”的困境——空有技術憧憬，卻不知從何入手，或盲目鋪開後效果寥寥。容智信息基於千餘家企業智能化實踐沉澱，提煉五步行動指南，為企業提供從“AI可用”到“價值可感”的清晰路徑。 AI落地切忌“大而全”的盲目投入，需優先選擇對業務有直接價值、流程相對清晰、出錯影響可控的高價值任務切入。例如：市場營銷領域：可先試點產品智能推薦、市場策略

觀點 , 資訊 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

youqingyouyidejidan 頭像

底層邏輯探索 - 成熟可靠的多層級全景式教育行業數據安全管理方案

概要：在教育數字化轉型的浪潮中，數據已成為學校、培訓機構和教育平台提升教學管理效率、優化服務質量的重要資產。與此同時，這些數據也藴藏着隱私泄露、合規風險、教學中斷等諸多挑戰。針對這一現實需求，本文提出一套“成熟可靠的多層級全景式教育行業數據安全管理方案”，涵蓋從數據接入、標準化、監測、處置到持續迭代的全流程體系，兼具教學適配與合規要求。數據安全平台通過數據資產可視化、動態圖譜構建、智能風險識別、分

深度學習

收藏 評論

youqingyouyidejidan 頭像

底層邏輯探索 - 符合法規的高效閉環管理的運營商API安全解決方案

概要：在數字化轉型浪潮下，運營商作為承載海量用户數據與政企數據的數字基礎設施，其 API （應用程序接口）既是數據流轉與業務協同的樞紐，也成為合規風險與安全威脅的高發區域。為應對這一挑戰，本文介紹一套面向運營商行業、符合法規要求、具有高效閉環管理能力的 API 安全解決方案，圍繞資產盤點、風險識別、動態防護、審計溯源構建閉環管理體系。在知影-API風險監測系統具體落地中，通過某省級運營商案例：原有

深度學習

收藏 評論

youqingyouyidejidan 頭像

底層邏輯探索 - 構建數據安全體系，數據分類分級是核心

概要：隨着海量數據的爆發式增長以及監管合規要求的日益嚴苛，企業面臨的不僅是“數據有多少”的問題，更是“如何在合規前提下對數據進行高效、規模化、多維度的分級管理”這一核心挑戰。傳統依賴人工規則的分類分級模式，雖具備可控性和制度對齊優勢，但在效率、覆蓋面、動態適應能力等方面逐漸力不從心。相比之下，知源-AI數據分類分級系統通過語義理解、上下文分析、模型迭代等技術，能夠在高速增長、結構化與非結構化並存、

深度學習

收藏 評論

youqingyouyidejidan 頭像

底層邏輯探索 - 破解傳統數據安全監測瓶頸，數據安全平台是關鍵

概要：在數字化轉型的縱深階段，數據安全平台正經歷從“合規工具”到“戰略能力”的轉變。隨着《數據安全法》《網絡數據安全管理條例》等法規相繼落地，國家層面不斷強化對數據安全預警體系的頂層設計，強調構建“可視、可控、可信”的數字安全底座。《數字中國發展報告（2023）》提出，要完善數據風險監測預警體系，形成可信數字基礎設施。而這一進程的核心趨勢，正是監測體系的精細化建模、多模態識別與全景式可視化演進。傳

深度學習

收藏 評論

u_16827017 頭像

全棧技術開發者 - LLM 對時間序列推理的增強究竟指的是什麼？LLM 對齊（alignment regimes）與時序推理的可靠性之間是什麼關係？

時間序列數據廣泛出現於自然科學、社會科學以及工程技術等各類領域中，其核心特徵在於數據隨時間的演變規律。長期以來，如何從這些動態變化的數據中提取有價值的信息、實現精準預測、並基於歷史數據進行推理，一直是數據分析、統計學和機器學習研究的核心問題。傳統的時間序列分析方法，如自迴歸模型（AR）、移動平均模型（MA）、以及更復雜的狀態空間模型和卡爾曼濾波器，在一定程度上能夠描述和預測數據的

llm , 建模 , yyds乾貨盤點 , 人工智能 , 時間序列 , 深度學習 , 大模型

收藏 評論

u_15214399 頭像

u_15214399 - 華為開發者空間，基於倉頡與DeepSeek的MCP智能膳食助手

本案例由開發者：給無眠點壓力提供 最新案例動態，請查閲《【案例共創】華為開發者空間，基於倉頡與DeepSeek的MCP智能膳食助手》。小夥伴快來領取華為開發者空間進行實操吧 一、概述 1. 案例介紹 MCP，全稱Model Context Protocol，中文叫“模型上下文協議”。你可以把它想象成AI的“USB 接口” --讓不同的AI模型、工具和應用程

API , 人工智能 , 深度學習 , 開發者 , Json

收藏 評論

u_17569005 頭像

wx6906fb3f9b17a - 分析了智能一卡（碼、臉）通系統集成方案，重點探討了不同識別介質（IC卡閘機、QR門禁、人臉梯控等）的技術特點及應用場景。針對門禁、閘機、梯控等場景，提出了混合認證和多介質統一管理策略

智能一卡（碼、臉）通系統方案分析 本文分析了智能一卡通系統集成方案，重點探討了不同識別介質（IC卡、二維碼、人臉識別等）的技術特點及應用場景。針對門禁、閘機、梯控等場景，提出了混合認證和多介質統一管理策略，強調採用"1用户ID+多識別憑證"架構實現靈活配置。文章詳細介紹了設備選型建議、授權管理流程以及典型配置案例，並給出分步實施的系統建議，為各類場

門禁一卡通 , 門禁 , 梯控 , 梯控一卡通 , 人工智能 , 深度學習 , 智能一卡通

收藏 評論

histry 頭像

黎大學問 - ResNet論文精讀彙報

各位老師、同學，大家好！今天，我要為大家帶來一篇計算機視覺領域的里程碑式論文 ——《用於圖像識別的深度殘差學習》（Deep Residual Learning for Image Recognition）的精讀彙報。接下來，我會按照 “總體到細分” 的思路，從論文背景、核心問題、創新方法，再到實驗驗證與應用價值，逐步為大家拆解這篇論文的精華內容，希望能讓大家清晰理解殘差網絡（ResNe

卷積 , yyds乾貨盤點 , 數據 , 人工智能 , 深度學習

收藏 評論

u_16018702 頭像

架構師李哲 - 大模型微調「數據集構建」保姆級教程（超全）

經驗之談：實踐表明，近80%的大模型微調失敗案例，根源都可追溯至數據集問題。 2024年堪稱“行業大模型元年”，金融、醫療、教育等各行各業都在積極佈局專屬AI助手。然而，許多企業在投入重金進行模型微調後，卻常常面臨“模型表現不及預期”的困境。 實踐中常見的三大困境： ● 災難性遺忘：模型在學習了新的專業知識後，原有的通用對話與理解能力顯著衰退。 ● 泛化能

數據 , AI , 大模型微調 , aigc , 人工智能 , 深度學習

收藏 評論

u_16640205 頭像

mb65f83f0864e54 - 自动驾驶圈最 “实在” 老板

作者：鐘聲 編輯：Mark 出品：紅色星際（ID：redplanx） 頭圖：無人物流小車圖片 自動駕駛圈從不缺愛惜人才的老闆，但要説到對人才的“寵”，新石器餘恩源的動作非常實在。 就在近期新石器完成了D輪融資，幾十個小目標到賬。賬上有錢了，餘恩源搶人動作更猛了。據圈內傳聞，他為了強化技術團隊，在引進人才上各種下功夫，不惜把朝陽酒仙橋公司直接搬到海淀大鐘寺，可謂把誠意拉滿拉足。

數據 , 自動駕駛 , 激光雷達 , 人工智能 , 深度學習

收藏 評論

u_15591470 頭像

ceshiren2022 - Dify vs Coze：誰是最終的AI工作流解決方案？

關注 霍格沃茲測試學院公眾號，回覆「資料」, 領取人工智能測試開發技術合集 在人工智能技術飛速發展的今天，低代碼/無代碼AI工作流平台正成為企業和開發者快速構建智能應用的首選工具。Dify和Coze作為兩款備受關注的開源項目，憑藉各自優勢吸引了大量用户。 本文將從架構設計、工作流能力、適用場景等多維度深入對比這兩大平台，幫助您根據實際需求做出最佳選擇。 一、核心概覽

coze , 人工智能 , 深度學習 , dify

收藏 評論

u_16756731 頭像

KlipC小助手 - 史上最高薪酬誕生！馬斯克“萬億美元薪酬計劃”獲批

KlipC報道：當地時間11月6日，在特斯拉舉行的新一屆股東大會上，特斯拉股東批准馬斯克價值近1萬億美元的薪酬方案。 這項薪酬方案以超過75%的支持率獲得通過。據悉，此前挪威主權財富基金等多家機構投資者明確表示將投反對票。馬斯克本人曾暗示，如果薪酬方案未通過，他將考慮離開特斯拉或辭去CEO職務。 根據新的計劃，馬斯克可以在 10 年內從特斯拉股票中賺取高達 8780 億美元。不過，馬斯克

3c , 人工智能 , 深度學習 , 2d

收藏 評論

u_15591470 頭像

ceshiren2022 - 提升測試效率5倍！Dify驅動的可視化工作流實現自動化測試“開箱即用”

在快速迭代的軟件開發週期中，測試環節往往成為交付瓶頸。傳統自動化測試需要大量編碼工作，維護成本高昂，讓許多團隊望而卻步。 現在，通過Dify的可視化工作流，即使是測試新手也能快速構建專業的自動化測試體系，實現真正的“開箱即用”。 一、傳統自動化測試的困境與破局 為什麼傳統自動化測試難以普及？ 1.技術門檻高 # 傳統測試腳本示例 - 需要專業的編程能力 from sele

人工智能 , 深度學習 , dify , 自動化測試 , Docker , 瀏覽器版本

收藏 評論

u_16776161 頭像

天潤融通科技 - 天潤融通AI Agent實戰營北京站圓滿收官，引爆企業AI生產力！

10月22-23日，天潤融通AI訓練師精英計劃AI Agent實戰營第四期在北京圓滿收官，吸引了來自消費品零售、互聯網、軟件信息服務、汽車、工業製造、大健康等多個行業的80餘位精英學員。學員們在理論學習與實操演練中，掌握AI Agent搭建技能與業務落地，完成了從理念認知到實踐應用的全面進階。 在AI浪潮重塑產業格局的今天，企業正迎來從“人口紅利”向“AI紅利”轉變

人工智能 , 深度學習

收藏 評論

u_15591470 頭像

ceshiren2022 - 藉助Dify工作流構建AI測試智能體，效率提升可達500%

在軟件開發領域，測試工作一直是保障產品質量的關鍵環節，但傳統的手工測試用例編寫方式效率低下且容易遺漏邊界場景。每個新功能上線，測試團隊都需要手動編寫大量測試用例，這個過程不僅耗時耗力，而且極易出錯。 通過Dify工作流，我們可以構建智能測試AI體，實現測試效率500%的提升，徹底告別測試的"手工作坊"時代。 一、痛點分析：為什麼測試工作急需變革？ 傳統測試開發的困境 在引入D

測試用例 , 測試數據 , 人工智能 , 深度學習 , dify

收藏 評論

u_16776161 頭像

天潤融通科技 - AI替代人工：車企如何用天潤融通ZENAVA重塑試駕邀約流程

在競爭白熱化的汽車市場裏，試駕已經成了成交的入口。數據顯示，超過70%的客户在完成試駕後才會做出購車決定。換句話説，錯過試駕，就等於錯過大部分成交機會。 然而現實卻殘酷：一線銷售每天要撥打成百上千通電話，往往是上百次撥號，換不來幾次有效邀約。人力消耗巨大，結果卻參差不齊。更雪上加霜的是，客户對“騷擾電話”的反感與日俱增，傳統邀約方式正在快速失靈，寶貴的銷售線索不斷流失。

人工智能 , 深度學習

收藏 評論

u_15511034 頭像

wx62088446a1f70 - 多模態深度學習：跨模態理解與生成的融合智能

多模態深度學習：跨模態理解與生成的融合智能 引言 人類通過視覺、聽覺、觸覺等多感官通道協同理解世界，而當前AI系統大多侷限於單一模態處理。多模態深度學習通過建立跨模態的聯合表徵與轉換機制，正推動人工智能向更接近人類認知方式的方向演進。本文將深入探討多模態深度學習的核心算法、統一框架、訓練範式以及前沿應用，呈現這一跨領域研究方向的最新進展與未來趨勢。 一、多模態表徵學習 1

數據 , 深度學習 , 代碼人生 , 模態

收藏 評論

u_16018702 頭像

架構師李哲 - PPO最強，DPO一般？一文帶你瞭解常見三種強化學習方法，文末有大模型微調神器！

很多人第一次接觸各家大模型時，都會覺得它們的回答能帶來意想不到的驚喜，但有時，AI回答又怪怪的、囉嗦、甚至有點危險。 這背後，其實就是一個核心問題：對齊（Alignment）。 預訓練讓模型會“説話”，但對齊訓練，才讓模型更符合人類偏好：更有用、更安全、更有温度。在當下的大模型時代，有三種常被提到的對齊方法：PPO、DPO和KTO。 本期，LLaMA-F

強化學習 , 數據 , 損失函數 , 人工智能 , 深度學習

收藏 評論

u_17512334 頭像

疆鴻智能研發中心 - PROFINET轉DEVICENET網關重塑食品加工自動化

PROFINET轉DEVICENET網關重塑食品加工自動化 1. 應用背景 在現代食品加工生產線中，自動化程度直接影響生產效率和產品質量穩定性。某食品加工廠原生產系統採用西門子S7-1500系列PLC作為主控制器，通過PROFINET網絡連接各智能設備。然而，生產線中仍有多台關鍵變頻器設備採用傳統的DEVICENET協議，形成“信息孤島”，導致設備數據無法實時上傳至主

協議轉換網關 , 變頻器 , 人工智能 , DEVICENET , 深度學習 , 工業自動化 , PROFINET

收藏 評論

u_16349720 頭像

短短同學 - 安卓模擬器總出問題?Docker + cpolar讓測試環境穩定又好訪問

安卓模擬器痛點解決：Docker+cpolar 打造穩定可訪問的測試環境 傳統安卓模擬器常面臨環境衝突、性能卡頓、外部無法訪問三大痛點：本地安裝多個模擬器易導致配置混亂，依賴宿主機環境引發兼容性問題，且本地測試環境難以共享給團隊或對接外部服務。而Docker 的容器化隔離與cpolar 的內網穿透組合，可完美解決這些問題 ——Docker 將模擬器封裝為獨立容器，確保環境一

Android , 人工智能 , 深度學習 , Docker

收藏 評論

u_16213690 頭像

mob64ca1411e411 - chatgpt在安卓手機上使用

據iafrica 網站4月24日報導，三星是國際上最受期待的安卓手機之一，它的旗艦手機上都有各種預裝軟件，從交際通訊類到聲控查找類，包羅萬象，可是這些軟件卻不受用户期待。 　　美國研討公司Strategy Analytics研討了超越250位三星Galaxy SIII 和Galaxy S4的用户，記載他們在一個月內

app , chatgpt在安卓手機上使用 , 3d , 人工智能 , 深度學習 , HTML

收藏 評論

ziwupython 頭像

子午 - 【寵物識別系統】Python+卷積神經網絡算法+深度學習+人工智能+TensorFlow+圖像識別

一、介紹 寵物識別系統，本系統使用Python作為主要開發語言，基於TensorFlow搭建卷積神經網絡算法，並收集了37種常見的貓狗寵物種類數據集【'阿比西尼亞貓（Abyssinian）', '孟加拉貓（Bengal）', '暹羅貓（Birman）', '孟買貓（Bombay）', '英國短毛貓（British Shorthair）', '埃及貓（Egyptian Mau）', '緬因貓（Mai

圖像識別 , tensorflow , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - 一個開發者對 Spring Security 攔截機制的深度追問

開發者對 Spring Security 攔截機制的深度追問 在 Spring 生態中，Spring Security 的攔截機制是保障系統安全的核心，但開發者在實際集成時，常會因對攔截流程、規則優先級、自定義邏輯的理解不深，出現攔截失效、權限衝突等問題。以下從開發者的視角，圍繞五個核心追問展開，拆解 Spring Security 攔截機制的底層邏輯與實踐要點。 一

優先級 , 自定義 , 人工智能 , 深度學習 , 開發者

收藏 評論