tag 人工智能

標籤
貢獻960
1556
06:37 AM · Oct 27 ,2025
deephub 頭像 u_13357275 頭像 pannideniupai 頭像 elhix0bg 頭像 rtedevcomm 頭像 xingxingshangdeliushu 頭像 tecdat 頭像 chaoshenjinghyperai 頭像 u_15591470 頭像 u_17579295 頭像 u_17512334 頭像 lab4ai 頭像

@人工智能 / 博客 RSS 訂閱

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_15591470 頭像

ceshiren2022 - 人工智能測試開發系列教程 L2：大語言模型提示工程與AIGC應用體系

可能很多同學疑惑的點在於，提示詞還需要另外去學嗎？這個看起來貌似有手就行的操作，只要會打字就能夠立刻上手吧？ 但是會和用的好是兩回事。我們可以把ChatGPT想象成孫悟空的金箍棒，本身它是一個非常強大的法器，但是如果不會使用，它也不過是一根鐵棍而已。提示詞用得越好，ChatGPT就越強大。 而且對於有編程基礎的人來説，後續如果想要基於 LLM 或大語言模型快速構建、開發一些應用

人工智能 , 深度學習 , 大模型

收藏 評論

u_17536710 頭像

mb68d4f4b730ca5 - 企業高質量發展評價體系實施的難易程度

在數聚股份看來， 政府部門對企業實施高質量發展評價過程中，有構建評價體系是其中最關鍵的部分，本文主要從體系構建的角度側面的呈現實施的難易程度。而大數據採集及可視化將貫穿全過程。 首先我國最新2017年版國民經濟行業分類(GB/T 4754-2017)將現行行業分為20大類，4個層級，共1775個小項，因此在指定評價體系過程中第一步需要考慮的就是行業分類對體系的影響。不同行業

大數據 , bi工具 , 數據採集 , 數據可視化 , 人工智能 , 數據分析

收藏 評論

user_sg59bsuq 頭像

user_sg59bsuq - 輕鬆搭建個人知識庫：訪答軟件使用全攻略

輕鬆搭建個人知識庫：訪答軟件使用全攻略 在信息爆炸的時代，如何高效管理個人知識成為許多人面臨的挑戰。本地私有知識庫作為一種安全可靠的知識管理解決方案，正受到越來越多用户的青睞。在眾多知識庫工具中，憑藉其出色的本地化特性和易用性脱穎而出。本文將為您詳細介紹如何使用訪答軟件搭建專屬的個人知識庫。 什麼是本地私有知識庫 本地私有知識庫是指將知識數據存儲在個人設備上，而非雲端服務器的一種知識管理方式。與雲

教程 , 人工智能 , 知識庫

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

u_17588526 頭像

圍爐聊科技 - Orchestrator-8B：近期HuggingFace上火熱的小型模型

在AI技術日新月異的2025年，英偉達與香港大學聯合發佈了一項令人矚目的技術突破——Orchestrator-8B，近期在HuggingFace上保持着相當高的熱度。 這個只有80億參數的小型模型，通過巧妙的強化學習訓練和工具調度策略，在人類最後的考試(HLE)基準測試中以37.1%的準確率超越了GPT-5的35.1%。Orchestrator-8B的誕生

機器學習 , 基準測試 , 多目標 , 英偉達 , 人工智能

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI輔助辦案系統：讓技術成為司法的“智慧搭檔”

在基層辦案場景中，“卷宗堆成山、閲卷耗整天”曾是常態。而AI輔助辦案系統的出現，正通過技術手段重構辦案流程，把檢察官、民警從重複性勞動中解放出來，聚焦核心的法律判斷與事實認定。這套系統絕非“炫技工具”，而是紮根辦案需求的“實用幫手”，其核心價值都藏在可落地的技術細節裏。 自然語言處理（NLP）是系統的“文字解碼師”，也是破解卷宗難題的核心技術。傳統人工閲卷需逐頁梳理案情、提取要素，效

音視頻 , NLP , 人工智能 , 模態 , 程序問題

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

haoqingwanqiandetangyuan_di8jjv 頭像

可信AI進展 - 年薪可達百萬！想進入AI行業卻不懂編程？一文解鎖零編程基礎也能駕馭的9大AI崗位

歡迎大家在 GitHub 上 Star 我們： 分佈式全鏈路因果學習系統 OpenASCE: https://github.com/Open-All-Scale-Causal-Engine/OpenASCE 大模型驅動的知識圖譜 OpenSPG: https://github.com/OpenSPG/openspg 大規模圖學習系統 OpenAGL: https://github.com/TuGr

職業發展 , 人工智能

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_15690955 頭像

出手吧Glen - AI繪圖封神王炸！Z-Image-Turbo圖生圖最新版！

前幾天谷歌Nano Banana Pro剛發佈，朋友圈就被刷爆了——4K畫質的寫真説生成就生成，連複雜的中文標語都能精準渲染，不少人直呼"行業天花板"。 可興沖沖去查使用方式的人，很快就被潑了冷水：不僅得特殊網絡環境，每月還得掏幾十刀會員費，普通用户根本碰不着。 （谷歌Nano Banana Pro生成） 沒關係，阿里通義實驗室悄悄扔出了

機器學習 , AI 繪畫 , 文件名 , 人工智能 , Image , 加強版

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

u_16213656 頭像

mob64ca1409d8ea - 麥克風陣列定位深度學習代碼

亞馬遜Echo和谷歌Home爭奇鬥豔，除了雲端服務，他們在硬件上到底有哪些差異？我們先將Echo和Home兩款音箱拆開來看，區別最大的還是麥克風陣列技術。Amazon Echo採用的是環形6+1麥克風陣列，而Google Home（包括Surface Studio）只採用了2麥克風陣列。這種差異我們在文章《對比Amazo

信號處理 , 語音信號 , 人工智能 , 深度學習 , 麥克風陣列定位深度學習代碼 , 語音識別

收藏 評論

u_16213640 頭像

mob64ca1405d568 - HAO 人 物體 動作預測 計算機視覺任務

作者|VVingerfly 3D人體姿態和形狀估計在最近幾年是一個重要的研究熱點，但大部分工作僅僅關注人體部分，忽略了手部動作，港中文聯合Facebook AI研究院提出了一種從單張圖片同時估計人體姿態和手部動作的新方法，展示效果好似科學怪物。 如下圖左下和右下所示，易看出本文提出的方法姿態估計效果更好。

機器學習 , 神經網絡 , 人工智能 , 深度學習 , 計算機視覺

收藏 評論

pannideniupai 頭像

雨大王 - 工業智能體到底是什麼？製造業的“數字員工”解析

工業智能體作為一種新興的智能製造技術，正在製造業領域迅速發展。它通過多智能體協同架構，實現了從感知、決策到執行的全鏈路閉環，為製造業的智能化轉型提供了全新路徑。本文將從工業智能體的定義、核心價值、技術架構、行業應用及發展趨勢等方面進行深入探討。 首先，工業智能體並非簡單的自動化工具，而是融合了人工智能與工業知識的綜合性解決方案。以廣域銘島的實踐為例，其工業智造超級智能體由多個專業智能體組成，

人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - CALM自編碼器：用連續向量替代離散token，生成效率提升4倍

過去這些年語言模型的效率優化基本圍繞着兩條主線展開：參數規模和注意力機制的複雜度。但有個更根本的問題一直被忽視，那就是自迴歸生成本身的代價。這種逐token生成的模式讓模型具備了強大的通用性，同時也帶來了難以迴避的計算開銷。 現在有一種思路值得關注：不去替換現有的優化手段，而是在上層加一個潛在空間的映射層，直接削減前向傳播的次數。 每次讓GPT-5寫封郵件模型都得一個token一個token地往外

llm , 人工智能 , 深度學習

收藏 評論

u_16099221 頭像

技術領航者之聲 - gis 拓撲錯誤 能否批量處理

主要有添加構建拓撲，拓撲中添加要素，添加規則，輸出拓撲錯誤的功能。 使用： TopologyChecker topocheck = new TopologyChecker(mainlogyDataSet);//傳入要處理的要素數據集 top

數據集 , List , System , arcgis , 人工智能 , 深度學習 , gis 拓撲錯誤 能否批量處理

收藏 評論