tag 深度學習

標籤
貢獻317
269
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

chaoshenjinghyperai 頭像

超神經HyperAI - 【Triton 教程】Libdevice (tl_extra.libdevice) 函數

Triton 是一種用於並行編程的語言和編譯器。它旨在提供一個基於 Python 的編程環境，以高效編寫自定義 DNN 計算內核，並能夠在現代 GPU 硬件上以最大吞吐量運行。 更多 Triton 中文文檔可訪問 →https://triton.hyper.ai/ Triton 可以調用外部庫中的自定義函數。在這個例子中，我們將使用 libdevice 庫在張量上應用 asin 函數。請參考以下鏈

機器學習 , 人工智能 , 編譯器 , 深度學習 , 後端

收藏 評論

suki_6936aa00b8c61 頭像

AI代碼猴 - 解碼GEO公司推薦：是“調參俠”的狂歡，還是“工程派”的黎明？

當企業決策者搜索“GEO公司推薦”時，他們真正尋找的答案，其實指向一個更根本的選擇：您是需要一個能快速提供“AI搜索優化”服務的供應商，還是一個能為您在AI時代構建長效認知資產的技術夥伴？這個選擇的核心，在於辨識服務商背後的技術哲學——是追求短期效率的 “調參俠” ，還是投資長期確定性的 “工程派” 。 第一章：抉擇的十字路口——“調參俠”的陷阱與“工程派”的承諾 在深入任何公司推薦前，我們必須理

深度學習

收藏 評論

u_16213572 頭像

技術領航探索者 - 深度學習yaml文件檢測類別可以是中文嗎

一、背景：數據及配置文件之爭 數據及文件通常有三種類型： 配置文件型：如ini，conf，properties文件，適合存儲簡單變量和配置項，最多支持兩層，不適合存儲多層嵌套數據 表格矩陣型：如csv，excel等，適合於存儲大量同類數據，不適合存儲層級結構的數據 多層嵌套型：如XML，HTMl，JSON、

字符串 , yaml , 人工智能 , 深度學習 , Python

收藏 評論

u_17512334 頭像

疆鴻智能研發中心 - ETHERCAT轉MODBUS協議轉換網關：激光切割設備高效協同的“隱形橋樑”

ETHERCAT轉MODBUS協議轉換網關：激光切割設備高效協同的“隱形橋樑” 在激光切割與雕刻等高精度工業設備領域，設備間的協同效率直接決定了加工精度與生產效率。其中，工作台的精準移動、鏡頭的微米級調節，均依賴伺服電機的精確控制；而電機轉速的穩定性則需變頻器通過調節輸出頻率（如50Hz/60Hz匹配）來保障，避免因頻率偏差導致的定位誤差或電機過熱。在這一複雜系統中，ETH

協議轉換 , 人工智能 , 深度學習 , ETHERCAT , 網關 , 工業自動化 , Modbus

收藏 評論

u_16099269 頭像

落筆成詩 - 深度學習中的多尺度融合是什麼

論文地址：https://arxiv.org/abs/1504.06375 現有的多尺度多層次的神經網絡 　　多尺度學習可以在神經網絡中，以越來越大的感受野和下采樣的形式，每個層中學習的特徵表示是多尺度的，另一方面在神經網絡之外，也可以通過例如調整輸入圖像的尺度獲得多尺度信息。 多尺度學習的可能配置 　　 　　multi-stream lea

神經網絡 , 深度學習中的多尺度融合是什麼 , 權重 , 人工智能 , 深度學習 , 網絡流

收藏 評論

u_16099331 頭像

墨色天香 - 【乾貨】​深度學習中的線性代數 -

1. 線性代數是什麼？ 線性代數是數學的一個重要分支，主要研究向量、矩陣、線性方程組和線性變換等概念。如果把深度學習比作一棟高樓，那麼線性代數就是這棟高樓的"鋼筋骨架"——它雖然不直接可見，卻支撐着整個建築的結構穩定性。 1.1 基本數學對象 在深度學習中，數據通常以以下幾種形式表示： 標量(Scalar)：單個數字，比如温度值25℃或者商品價格

特徵值 , 權重 , 後端開發 , 深度學習 , Python

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 地平線/智源/字節/凌川科技齊聚上海，共探編譯器優化新進展

2023 年，HyperAI超神經在北京、上海、深圳舉辦了 4 場 Meet TVM 線下聚會，聚集了超 1 千位資深從業者及愛好者，逐步建立了豐富的社區生態。 2024 年，HyperAI超神經聚焦 AI 編譯器領域，繼續為業內人士提供開放的交流平台，在今年 7 月舉辦了 Meet AI Compiler 技術沙龍的第 5 期。如今，2024 年接近尾聲，大模型賽道激戰未停，AI 編譯器有哪些新

ai開發 , 人工智能 , 編譯器 , 深度學習 , 編譯器優化

收藏 評論

deephub 頭像

deephub - AI Agent工作流實用手冊：5種常見模式的實現與應用，助力生產環境穩定性

很多人認為使用AI Agent就是直接扔個提示詞過去，然後等結果。做實驗這樣是沒問題的，但要是想在生產環境穩定輸出高質量結果，這套玩法就不行了。 核心問題是這種隨意的提示方式根本擴展不了。你會發現輸出結果亂七八糟，質量完全不可控，還浪費計算資源。 真正有效的做法是設計結構化的Agent工作流。 那些做得好的團隊從來不指望一個提示詞解決所有問題。他們會把複雜任務拆解成步驟，根據不同輸入選擇合適的模型

llm , 神經網絡 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - 從零構建短視頻推薦系統：雙塔算法架構解析與代碼實現

刷短視頻本來只想看幾分鐘，不知不覺一個多小時就沒了。每條視頻都恰好戳中你的興趣點，這種精準推送背後其實是一套相當複雜的工程架構。 這種"讀心術"般的推薦效果並非偶然。驅動這種短視頻頁面的核心引擎，正是業內廣泛採用的雙塔推薦系統（Two-Tower Recommendation System）。 本文將從技術角度剖析：雙塔架構的工作原理、為何在短視頻場景下表現卓越，以及如何構建一套類似的推薦系統。

推薦系統 , 神經網絡 , 知識 , 人工智能 , 深度學習

收藏 評論

u_17562481 頭像

思考的袋鼠 - 自適應分類的可落地規模化政府部門數據分類分級解決方案

概要： （提示：本章節概述解決方案的核心價值與落地成效，幫助讀者快速理解方案全貌。） 在數字政府建設快速推進的背景下，政務數據已成為政府提升治理能力、優化公共服務的重要資源。然而，政務數據存在“多源異構、跨域流轉”特點，分散於各委辦局業務系統和電子政務雲中，傳統人工管理難以應對海量數據資產的識別和分類需求。針對這一痛點，全知科技提出的“知源-AI數據分類分級系統”，以

數據 , 數據安全 , 人工智能 , 深度學習 , 複用

收藏 評論

chenzhuodeyagao 頭像

沉着的牙膏 - AI與網絡安全的較量：主動防禦時代的策略與實踐

一、人工智能下隱藏的威脅 1.1 數據污染 在訓練階段，一旦AI數據集被惡意篡改（如加入虛假信息、重複數據或偏置樣本），模型可能在關鍵場景中出現嚴重誤判。典型案例包括：被植入木馬的面部識別系統只需識別到特定飾品便會放行；而自動駕駛車輛即便在日常運行中表現正常，也可能在看到某個特定信號後觸發預設木馬，導致危險行為。 1.2 門檻降低 生成式AI顯著降低了發動複雜攻擊的技術門檻

深度學習

收藏 評論

qingfouai 頭像

青否Ai - 傳統員工 vs AI數字人：不露臉也能火的‘超級員工’是什麼來頭？

在辦公室裏，每天早上打卡、穿上西裝、坐在工位上忙得不亦樂乎的你，是否曾想象過有一天，你的工作會被一個“不露臉”的AI數字人取代？這個聽起來像是科幻電影的情節，如今正在一步步成為現實。從製造業到客服中心，從金融行業到教育培訓領域，這些“不露臉”的AI員工正以驚人的效率和穩定性，悄然改變着我們的工作方式。 但別擔心，這篇文章並不是要告訴你“AI會搶走你的飯碗”，而是想帶你一起看看：什麼是AI數字人？它

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

u_6478076 頭像

郭傳志的博客 - 深入理解DeepResearch

傳統RAG 與搜索 傳統RAG的缺點 根據閾值判斷相似性產生誤差 DeepResearch定義 DeepResearch系統架構 本文包含：--> -->

搜索 , 人工智能 , 深度學習

收藏 評論

u_15675190 頭像

冰淇淋紅茶Q - openEuler開發環境：GCC編譯構建效率基準測試

一、測評背景與目標 在當今快速迭代的軟件開發環境中，編譯構建性能直接影響開發效率和產品質量。作為面向數字基礎設施的開源操作系統，openEuler在開發工具鏈優化方面進行了深度技術投入，旨在為開發者提供高效的編譯構建環境。本次測評聚焦openEuler在GCC編譯工具鏈的性能表現，通過系統化的基準測試驗證其編譯效率、並行構建能力和資源利用效率。

工具鏈 , include , 人工智能 , 深度學習 , 性能提升

收藏 評論

u_17113687 頭像

我是黑桃A - AI Ping 上線 GLM-4.7 與 MiniMax M2.1：兩款國產旗艦模型免費用!

1. 先説結論：這次上線更像“工程能力”的分水嶺 如果你把大模型當作“更強的搜索框”，那評測重點往往是知識點覆蓋與文風；但當你開始把它接進研發與業務流程，評測重點會立刻變成： 需求拆解是否靠譜，能不能形成可執行的交付路徑 多輪迭代是否穩定，是否會在長鏈路裏逐步跑偏 成本與吞吐是否可控，是否適合持續運行的 Agent 工作流 GLM-4.7 與 Min

鏈路 , Max , 人工智能 , 深度學習 , Json

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【TVM教程】為 ARM CPU 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, Zhao Wu, Eddie Yan 針對特定 ARM 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 ARM CPU 的算子實現是以 template

機器學習 , arm , 人工智能 , 編譯器 , 深度學習

收藏 評論

u_17593768 頭像

JUGG11 - 5分鐘從入門到精通！PandaWiki：零代碼小白的AI編程助手

還在為編程查資料抓狂？5 分鐘解鎖 PandaWiki，AI 幫你搞定 80% 編程難題 作為編程新手，是不是總被這些問題困住：想查 API 用法翻遍官網找不到重點，遇到報錯搜半天全是零散答案，寫技術文檔卡殼半天憋不出字？直到發現 PandaWiki 這款 “AI 編程神器”，不用懂複雜操作，5 分鐘就能上手，讓編程查資料、寫文檔的效率直接翻倍！ 第一步：3 分鐘搭建

github , 服務器 , AI , 人工智能 , 深度學習 , 解決方案

收藏 評論

u_17521282 頭像

元冪境ar遠程協助 - 智能裝配如何與AR技術相結合

在元冪境看來，在智能製造加速發展的當下，裝配環節作為生產鏈條的核心環節之一，直接影響着產品的效率與質量。傳統裝配依賴人工經驗和紙質工藝指導，容易出現效率低下、操作不標準、錯誤率高等問題。而AR技術的興起，為裝配流程帶來了新的解決思路和應用場景。將AR與智能裝配相結合，正逐步成為製造業數字化轉型的重要方向。 一、AR技術賦能裝配的價值

ar設備 , ar技術 , AR工業巡檢 , 人工智能 , 深度學習 , ar , AR眼鏡

收藏 評論

u_16213630 頭像

mob64ca14038b36 - chatGPT與一加手機不兼容

從未來二十年的情況來看，印度是一個非常有潛力的市場。 文| I/O 在中國智能手機品牌中，一加在國際化方面的着力一直比較大，尤其是近來對印度市場變得越來越重視；體現在最新一代產品中，OnePlus 7T 系列的發佈率先在美國紐約和印度班加羅爾舉行，同時一加還面向印度市場發佈了一加電視。 當然，按照慣例，一加又為 OnePlus 7T 系列舉行了一場國內發

智能手機市場 , 智能手機 , 一加七語音喚醒 , chatGPT與一加手機不兼容 , Android , 人工智能 , 深度學習

收藏 評論

u_39029 頭像

lingyuli - 深度學習 數據域模型

一個軟件項目的測試，要測試該項目的各個方面，根據測試內容的不同，測試的分類也不同。一般常用的測試可以分為以下幾種： 功能測試，逐個測試每個功能，直到可以確信該功能沒有任何問題。白盒功能測試通常叫做單元測試，幾種測試可以看到的代碼的功能。黑盒功能測試關注永和可以做或選擇的事情。在涉及到複雜的功能時，要先做好每個簡單功能的測試。

測試 , 單元測試 , 人工智能 , 深度學習 , 文檔 , 產品 , 深度學習 數據域模型

收藏 評論

u_16099244 頭像

码海舵手之心 - mmpretrain實戰體驗

一、現有數據集+現有模型 1、命令結構 python tools/train.py ${CONFIG_FILE} [ARGS] tools/train.py是訓練模型的腳本，而後面CONFIG_FILE是配置文件，同樣也是以目錄的形式 2、示例 cd mmpretrain後 python tools/

機器學習 , 人工智能 , 深度學習 , 計算機視覺 , Css , 前端開發 , HTML , Python

收藏 評論

u_17609497 頭像

小小小趙02 - 一份關於 Gemini 如何輔助解決各項工作問題的實戰指南

在當今快節奏的工作環境中，AI 已不再僅僅是一個聊天機器人，而是進化成了能夠深度參與工作流的“數字副手”。作為 Google 開發的多模態 AI，Gemini 憑藉其對文本、代碼、圖像及視頻的強大處理能力，正成為職場人士提升效率的利器。 以下是一份關於 Gemini 如何輔助解決各項工作問題的實戰指南： 一、 信息處理與知識內化：告別“信息過載” 工作中常面臨海量的文檔、長郵件

數據 , google , 人工智能 , 深度學習 , 模態

收藏 評論

u_6478076 頭像

郭傳志的博客 - Cursor 入門與實戰

Cursor介紹 安裝Cursor https://cursor.com/cn/dashboard?tab=overview 官網下載安裝 並且安裝中文插件 Ctrl+Shift+x 後，輸入Chinese，安裝後重啓cursor就好了 Cursor配置 Ctrl+Shift+J 打開sett

cursor , 人工智能 , 深度學習

收藏 評論