tag 深度學習

標籤
貢獻335
477
05:25 PM · Oct 25 ,2025
deephub 頭像 xingxingshangdeliushu 頭像 tecdat 頭像 u_15591470 頭像 u_17512334 頭像 u_17580222 頭像 chaoshenjinghyperai 頭像 qingfouai 頭像 chenzhuodeyagao 頭像 youqingyouyidejidan 頭像 ziwupython 頭像 u_16060192 頭像

@深度學習 / 博客 RSS 訂閱

Abin 頭像

Abin_2025 - 破局多模型集成困境：GMI Cloud 推理引擎深度體驗與架構解析

前言 在當今技術迭代日新月異的背景下，項目引入且靈活調配多個AI模型已成為常態。然而，這種多模型策略也帶來了顯著的工程挑戰：開發團隊不得不為OpenAI、DeepSeek、Claude、Qwen等每一個平台重複進行獨立的賬户註冊、API密鑰申請、SDK學習與接口適配。不僅引入了鉅額的集成與維護成本，更使得開發者在頻繁的模型切換與比對測試中，陷入了效率低下的泥潭。構建一個統一、標準化且

插入圖片 , API , 人工智能 , 深度學習 , cloud

收藏 評論

u_17569005 頭像

wx6906fb3f9b17a - 全協議讀卡模塊廣泛應用於門禁、梯控、消費系統，支持1K起訂的OEM定製及二次開發，可集成掌靜脈/人臉等多模態識別技術，是智能安防系統的理想解決方案

DAIC-MJ-QRW全協議讀卡模塊技術摘要：該模塊採用47×27×5mm緊湊設計，支持DC5V/3.3V/12V寬電壓輸入，功耗100mA。支持13.56MHz/125KHz雙頻段，兼容ISO14443A/B/C等20餘種協議，可讀取二代證(3cm)、Mifare(5cm)及15693標準卡(8cm)。提供Wiegand/UART/USB多接口，支持TCP/IP/MQTT等網絡

門禁讀卡器 , ID卡讀卡器 , CPU卡讀卡器 , 人工智能 , 深度學習 , 梯控讀卡器

收藏 評論

daniusdk 頭像

音視頻牛哥 - AI時代底層技術鏈：GPU、雲原生與大模型的協同進化全解析

過去兩年，你可能經常看到類似的信息洪流： 一台服務器賣 300 萬？因為它裝了 8 張 H100 GPU。 大模型訓練一次要燒掉上億人民幣？ 雲計算巨頭都在搶「算力調度業務」？ 各國發布「AI 國家戰略」？ 看新聞彷彿置身一場術語大混戰： AI、大模型、GPU、雲原生，到底在説啥？ 是彼此

雲原生大模型 , yyds乾貨盤點 , AI底層技術鏈 , 人工智能 , 深度學習 , 計算機視覺 , GPU雲原生

收藏 評論

u_15591470 頭像

ceshiren2022 - AI測試開發工程師面試指南：20個核心技術問題及思路解析

我是霍格沃茲測試開發學社，我們學員在面試AI測試開發崗位時發現，技術面試不僅考算法能力，更看重你在模型落地、工程實踐、性能優化、MLOps和數據監控方面的經驗和解決問題的思路。 為了幫助大家系統覆盤，我們整理了一套AI測試開發崗位精選面試題，每題附答題思路框架，方便大家快速整理面試經驗，並結合真實項目案例量化指標提升説服力。 Tip：建議你結合真實項目經驗，每道題儘量給出具體

性能優化 , 面試題 , 測試開發 , 人工智能 , 深度學習

收藏 評論

u_16432251 頭像

Transofomer周 - Deepseek math V2的價值

我之前説過講一下math V2的論文，今天來還個願 其實為什麼這論文沒人重視呢？主要是兩個原因： 1- 絕大多數人討厭數學 2- 之前出過一個prover2，大家也不知道幹啥的也和數學有關，然後又來一個 討厭數學就不説了（甚至有人討厭香菜），主要説第二個，prove2為什麼讓人不知道是幹啥的？ 它其實是lean 生成器，

data , 生成器 , 人工智能 , 深度學習 , Lean

收藏 評論

youyacao 頭像

卓伊凡 - 技術與合規兩條線深度解析番茄寫小説要不要勾選 AI（包括 AI 潤色 / AI 修改 / AI 擴寫）-卓伊凡

技術與合規兩條線深度解析番茄寫小説要不要勾選 AI（包括 AI 潤色 / AI 修改 / AI 擴寫）-卓伊凡 1）“勾選 AI”在系統裏代表什麼（技術信號） 在工程系統裏，這個勾選不是“道德選項”，它更像一個 content_meta_feature（內容元數據特徵），會被用於： 合規鏈路：內容審核/風控分流（risk ro

風控 , 鏈路 , 數據 , 人工智能 , 深度學習

收藏 評論

u_16060192 頭像

HyperAI超神經 - 首個天文多模態基礎模型AION-1誕生！UC伯克利等基於2億天文目標預訓練，成功構建泛化性多模態天文AI框架

基於 Transformer 架構的基礎模型，已在自然語言處理與計算機視覺等領域引發深刻變革，推動技術從「一事一模型」的定製範式，邁向通用化的新階段。然而，當這類模型進入科學研究領域時，卻遭遇了明顯的水土不服。科學觀測數據來源多樣、格式不一，且常包含各類觀測噪聲，使得數據呈現出顯著的「複雜異質性」。這一現實使得科學數據分析陷入兩難： 若僅處理單一類型數據，則難以充分挖掘其潛在價值；若依賴

多模態 , AI , 天文學 , 人工智能 , 深度學習

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【Triton 教程】分組 GEMM

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/ 分組 GEMM 內核通過啓動固定數量的 CTA 來計算一組 gemms。調度是靜態的，並且在設備上完成。 Out: group-ge

機器學習 , 自然語言處理 , 人工智能 , 編譯器 , 深度學習

收藏 評論

u_16566216 頭像

美狐美顏SDK小金 - 直播美顏sdk架構解析：算法、渲染、端側優化三大模塊

在過去幾年裏，直播行業從“拼流量”逐漸走向“拼體驗”。而美顏能力，已經成為影響直播平台用户停留、主播活躍以及商業合作的重要因素。對於開發者來説，選擇或打造一個專業的直播美顏SDK不再是錦上添花，而是產品體驗和競爭力的核心基礎設施。 本文將從算法層、渲染層、端側優化層三大模塊拆解一套直播美顏SDK的完整技術路線，並結合行業趨勢、性能優化思路與示例代碼，讓內容更貼近實際開發環境

視頻美顏sdk , 美顏api , 美狐美顏sdk , 人工智能 , 直播美顏sdk , 深度學習 , 在51CTO的第一篇博文 , 美顏SDK

收藏 評論

u_16776161 頭像

天潤融通科技 - 天潤融通ZENAVA上崗3C家電售後，90%的報修無需人工處理

在競爭日趨激烈的家電行業，售後服務已成為影響消費者忠誠度和品牌口碑的關鍵戰場。 過去，面對一台壞掉的空調、洗衣機，消費者要撥打售後熱線，重複描述問題、等待人工響應、排隊建單、安排維修……流程複雜、響應慢、體驗差，品牌好感度就這樣一點點流失。 而現在，這一切正被AI徹底改寫。 在大量真實客户的服務場景中，天潤融通推出的對話式AI產品ZENAVA，已經將90%以上的

人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - NeurIPS 2024最佳論文，擴散模型的創新替代：基於多尺度預測的視覺自迴歸架構

本文將詳細解讀NeurIPS 2024最佳論文："Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction（視覺自迴歸建模：基於下一尺度預測的可擴展圖像生成）"。 該論文提出了視覺自迴歸建模（Visual Autoregressive Modeling，VAR）方法，在圖像生成領域實現了重

圖像處理 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 完整回放｜上海創智/TileAI/華為/先進編譯實驗室/AI9Stars深度拆解 AI 編譯器技術實踐

在持續演進的 AI 編譯器技術浪潮中，越來越多的探索正在發生、沉澱與交匯。12 月 27 日，Meet AI Compiler 第八期正是在這樣的背景下與大家如期相見。 本期活動，我們邀請了來自上海創智學院、TileAI 社區、華為海思、先進編譯實驗室、AI9Stars 的 5 位專家，帶來了覆蓋軟件棧設計、算子開發到性能優化的全鏈路分享。講師們結合各自團隊的長期探索，展示了不同技術路線在真實場

機器學習 , 資訊 , 算法 , 人工智能 , 深度學習

收藏 評論

JavaEdge 頭像

JavaEdge - 零距離拆解銀行司庫系統（TMS）的微服務設計與實踐

本文已收錄在Github，關注我，緊跟本系列專欄文章，咱們下篇再續！ 🚀 魔都架構師 | 全網30W技術追隨者 🔧 大廠分佈式系統/數據中台實戰專家 🏆 主導交易系統百萬級流量調優 車聯網平台架構 🧠 AIGC應用開發先行者 | 區塊鏈落地實踐者 🌍 以技術驅動創新，我們的征途是改變世界！ 👉 實戰乾貨：編程嚴

yyds乾貨盤點 , 微服務 , 數據庫 , 人工智能 , 分佈式事務 , 深度學習

收藏 評論

u_17583190 頭像

fangpin - 從0到1：揭秘LLM預訓練前的海量數據清洗全流程

讀完這篇文章，你將用監督微調（SFT）把一個 1.5B 規模的數學模型在 GSM8K 上的零樣本推理正確率從 1.56% → 62.9%，同時把輸出格式遵循率從 18.9% → 100%。我們將完整走通數據集下載、Prompt 架構、訓練配置和評估方法，所有代碼均來自本倉庫 alignment 文件夾，保證可復現與透明。 本文將深入剖析 llm-from-scratch

lua , 人工智能 , 深度學習 , Json , Python

收藏 評論

JavaEdge 頭像

JavaEdge - 搭載 Gemini 3 的 Google 搜索：迄今最智能的搜索

Gemini 3 具備最先進的推理能力，能夠精準掌握內容的深度與細微差異，並開啓了全新的生成式 UI 體驗；通過動態視覺版面配置、互動式工具及模擬情境，為您的搜索查詢量身打造專屬結果。 今天，推出了 Gemini 3，這是迄今最聰明的模型，具備頂尖的推理能力、深度的多模態理解，以及強大的代理能力（agentic capabilities）。現在，你可以在 Googl

yyds乾貨盤點 , 搜索 , google , 人工智能 , 深度學習 , 生成式

收藏 評論

zohocrm 頭像

Python最棒 - CRM系統如何實現客户生命週期管理

明明花了 10 萬營銷費引來 500 個潛在客户，最終成交的不到 30 個；好不容易簽下的客户，用了 3 個月就不再續費；老客户有新需求，卻被競品搶先挖掘…… 這是很多企業在客户管理中常遇到的困境。如今，市場早已從 “增量爭奪” 進入 “存量競爭”，獲客成本較 5 年前上漲了 60%，但客户留存率每提升 5%，企業利潤卻能增加 25%-95%（哈佛商學院數據）。 這組反差數據背後，藏着一個關鍵命題

數據挖掘 , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - “哈希”機制是什麼?

一文讀懂哈希機制：從原理到實戰的全面解析 在編程與數據處理中，“哈希（Hash）” 是一個高頻出現卻易被混淆的概念 —— 它既是快速查找數據的 “加速器”，也是分佈式系統中數據分片的 “導航儀”，甚至在密碼存儲、數據校驗等場景中扮演關鍵角色。那麼，哈希機制究竟是什麼？它如何通過簡單邏輯實現高效功能？本文將從基礎原理到實際應用，徹底拆解哈希機制的核心邏輯。 一、哈希機制

code , 數組 , 人工智能 , 鏈表 , 深度學習

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI體能考核系統：用“眼睛”和“大腦”重新定義體測*

過去，一場體能測試往往意味着哨聲、秒錶、捲尺和一羣手忙腳亂的老師或考官。立定跳遠要拉尺子，引體向上靠人眼數數，動作標準與否全憑經驗判斷——不僅效率低，還容易有誤差。而現在，AI體能考核系統正在用技術改變這一切。 簡單來説，AI體能考核系統就像給體測裝上了一雙“智能眼睛”和一個“聰明大腦”。它不需要你戴手環、穿感應服，只需要站在攝像頭前完成動作，系統就能自動識別、計數、評分，甚至指出你

數據 , NLP , 人工智能 , 深度學習 , 計算技術

收藏 評論

xiaosong_679f71ca94403 頭像

小宋 - 多樣本反向傳播矩陣推導及其MLP的代碼實現

一.多樣本反向傳播矩陣推導 二.MLP代碼實現 # @time : 2025/1/8 10:53 # @author : specier import numpy as np import pandas as pd import datetime import pickle class MultipleLayerPerception: def __in

pickle , 神經網絡 , numpy , pandas , 深度學習

收藏 評論

u_17512334 頭像

疆鴻智能研發中心 - 主打一個靠譜：當疆鴻智能PROFIBUS集線器在礦洞説“我隔離了，勿擾”

主打一個靠譜：當疆鴻智能PROFIBUS集線器在礦洞説“我隔離了，勿擾” 1 工廠背景：煤礦井下的輸送挑戰 山西某大型煤礦的井下主運輸巷道長達3.5公里，部署着12台皮帶輸送機組成的連續運輸系統。巷道環境極端——濕度常超85%、煤塵濃度高、電磁干擾嚴重。原有點對點PROFIBUS佈線故障頻發，單點中斷導致整條生產線停擺，平均每月因此損失生產時間達42小時。系統核心為

PROFIBUS集線器 , profibus , 工業通訊 , 變頻器 , 人工智能 , 深度學習 , 工業自動化

收藏 評論

deephub 頭像

deephub - 機器學習超參數調優：十個實用的貝葉斯優化（Bayesian Optimization）進階技巧

貝葉斯優化（Bayesian Optimization, BO）雖然是超參數調優的利器，但在實際落地中往往會出現收斂慢、計算開銷大等問題。很多時候直接“裸跑”標準庫裏的 BO，效果甚至不如多跑幾次 Random Search。 所以要想真正發揮 BO 的威力，必須在搜索策略、先驗知識注入以及計算成本控制上做文章。本文整理了十個經過實戰驗證的技巧，能幫助優化器搜索得更“聰明”，收斂更快，顯著提升模型

機器學習 , 貝葉斯 , 人工智能 , 深度學習 , Python

收藏 評論

fabarta 頭像

Fabarta - 六問「大模型落地」— 如何打通企業智能化轉型最後一公里？

作者：張紅兵 楓清科技（Fabarta）合作人 ChatGPT 2022年底出現以來，大模型熱度持續不減，尤其是今年年初DeepSeek的爆火，更讓大模型走入更多人的視野。大模型除了在C端（個人用户）廣泛應用，在B端（企業）也有越來越多的企業在做落地。2025年8月26號， 國務院發佈《關於深入實施“人工智能+”行動的意見》，更將以大模型為主的人工智能技術放到更加突出的位置。“

開源軟件 , 數據 , 人工智能 , 深度學習

收藏 評論

u_16099165 頭像

編程小達人 - 輕量化transformer實現圖像生成

MobileNet v2是對MobileNet v1的改進，也是一個輕量化模型。 MobileNet v1遺留下的問題 1）結構問題 MobileNet v1的結構非常簡單，是一個直筒結構，這種結構的性價比其實不高，後續一系列的ResNet，DenseNet等結構已經證明通過複用圖像特徵，使用Concat/Eltwise+等操作進行特徵融合，能極大提升網

點乘 , 人工智能 , 深度學習 , 複用 , ide

收藏 評論