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

deephub 頭像

deephub - 神經輻射場NeRF入門：3D視圖合成的原理與PyTorch代碼實現

NeRF（Neural Radiance Fields，神經輻射場）的核心思路是用一個全連接網絡表示三維場景。輸入是5D向量空間座標(x, y, z)加上視角方向(θ, φ)，輸出則是該點的顏色和體積密度。訓練的數據則是同一物體從不同角度拍攝的若干張照片。 通常情況下泛化能力是模型的追求目標，需要在大量不同樣本上訓練以避免過擬合。但NeRF恰恰相反，它只在單一場景的多個視角上訓練，刻意讓網

神經網絡 , pytorch , 人工智能 , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - Java框架

Java 框架體系梳理：從核心分類到場景選型 Java 框架的核心價值是 “解決特定領域問題，提升開發效率”，按應用層級可分為Web 開發框架、持久層框架、服務治理框架、工具類框架四大類。以下結合你熟悉的 SSM，系統解析主流框架的特性、適用場景及選型邏輯。 一、Web 開發框架：處理 HTTP 請求與頁面交互 Web 框架是 Java 開發的 “入口層”，負責

人工智能 , 深度學習 , cloud , SQL , Web

收藏 評論

u_16489298 頭像

8181大拿 - 邊緣計算

隨着物聯網（IoT）設備的迅速增長，傳統雲計算模型面臨着前所未有的挑戰。大量的數據需要實時處理，這對網絡帶寬和延遲提出了極高的要求。為了解決這些問題，邊緣計算和霧計算應運而生，它們通過將計算資源推向更接近數據源的地方，有效減輕了中心化雲服務的壓力。 邊緣計算：數據處理的新前沿 邊緣計算是一種計算架構，它將計算任務分配到網絡的邊緣節點上執行，這些節點通常位於產生數據的位置附近

數據 , 分佈式處理 , 本地緩存 , 人工智能 , 深度學習

收藏 評論

u_16213567 頭像

數碼墨魚 - 51WORLD賦能數字孿生流域/工程建設，助力智慧水利創新發展

在數字化轉型浪潮中，人工智能技術與數字孿生理念的深度融合，正為水利行業帶來革命性變革。通過構建與物理水利系統完全同步的虛擬模型，數字孿生水利體系實現了對全要素、全過程的數字化映射與智能化模擬，為傳統水利建設注入了全新活力。 一、數字孿生水利的核心架構與人工智能賦能價值 數字孿生水利體系以"算據、算法、算力"為三大核心支柱。其中，"算據"是基礎

優化算法 , 數據 , 人工智能 , 深度學習

收藏 評論

u_17580222 頭像

mb691327edb400f - HR的轉型時刻：AI如何重塑招聘新範式

HR的轉型時刻：AI如何重塑招聘新範式 傳統招聘模式正面臨嚴峻挑戰。數據顯示，一場典型校招往往需要處理3000份簡歷、面試400人，最終僅錄用5人。當用人部門以“感覺不對”否定前期所有努力時，獵頭費、差旅費、誤工費等成本已累積至驚人數字，單個核心崗位招聘成本可達8萬元。 在預算緊縮而招聘指標持續攀升的雙重壓力下，HR面臨着根本性的路徑選擇：是繼續依賴人

數據 , 初始化 , 人工智能 , 深度學習 , 自動完成

收藏 評論

u_16213632 頭像

mob64ca14040d22 - matlab 2015a -

MATLAB R2025a 是 MathWorks 推出的專業級科學計算與工程仿真軟件，簡單説就是工程師、科研人員的 “全能計算工具箱” —— 能做數據分析、數學建模、算法開發、工程仿真，還能直接對接硬件測試，新版本在 AI 能力、仿真效率、跨領域適配性上做了大幅升級，用大白話講清核心用處和升級點： 對學生 / 科研黨：做數學建模、數據分析、論文圖表繪製，比如處

數據 , MATLAB , 深度學習 , 前端開發 , Javascript

收藏 評論

chenzhuodeyagao 頭像

沉着的牙膏 - AI降噪、全鏈路、自適應的醫療行業數據安全管理最佳實踐指南

一、概要 （提示：醫療數據安全監測的價值，正從“被動合規”轉向“全鏈路、可運營、可持續優化”的治理能力。） 在醫療數字化全面提速的背景下，數據安全監測已不再是簡單的告警工具，而是醫療機構保障患者隱私、支撐診療創新、應對高強度監管的關鍵基礎設施。圍繞“AI降噪、全鏈路覆蓋、自適應演進”三大能力方向，本文系統梳理了一套面向醫療行業的數據安全監測實踐方案。該平台以非侵入式部署為前提，通過全鏈

深度學習

收藏 評論

showmeai2 頭像

ShowMeAI - 超精準！AI 結合郵件內容與附件的意圖理解與分類！⛵

藉助AI進行郵件正文與附件內容的識別，可以極大提高工作效率。本文講解如何設計一個AI系統，完成郵件內容意圖檢測：架構初攬、郵件正文附件的理解與處理、搭建多數據源混合網絡、訓練評估。 💡 作者：韓信子@ShowMeAI 📘 深度學習實戰系列：https://www.showmeai.tech/tutorials/42 📘 TensorFlow 實戰系列：https://ww

word2vec , 自然語言處理 , 人工智能 , transform , 深度學習

收藏 評論

chenzhuodeyagao 頭像

沉着的牙膏 - 數據庫審計：構建企業數據安全與合規治理的核心基石

一、概述 數據庫審計是企業數據安全體系的核心組成部分，是一種對數據庫訪問與操作行為進行持續、精細化記錄、分析與回溯的機制。它通過對訪問者身份、操作內容、來源及時間等信息的完整留存，幫助企業實現數據資產的強可視、強監管與強溯源。在發生安全事件、違規操作或系統異常時，數據庫審計能助力快速定位問題、追蹤根源，從而有效降低數據泄露風險、阻斷潛在攻擊路徑，並提升整體安全治理水平。面對現代企業複雜的架構

深度學習

收藏 評論

daniusdk 頭像

音視頻牛哥 - 具身智能時代的音視頻架構重構：從延遲到多模態的技術挑戰

過去的十年，互聯網通過屏幕連接了“人與人”，而未來的十年，將是AI通過傳感器與“物理世界”深度交互的十年。隨着大模型（LLM）向多模態發展，具身智能（Embodied AI）——指的是擁有物理實體，能夠與環境進行感知與交互的智能系統（如人形機器人、自動駕駛汽車、工業無人機）——正成為科技界的下一個風口。 在這個巨大範式轉移的背景下，音視頻行業也迎來了它的“下半場”。在這個階

rtmp低延遲播放器 , 具身智能rtsp rtm低延方案 , yyds乾貨盤點 , 具身智能音視頻方案 , 機器人rtsp播放器rtmp播放器 , 人工智能 , 深度學習 , rtsp低延遲播放器

收藏 評論

u_15675190 頭像

冰淇淋紅茶Q - openEuler軟件生態體驗：快速部署Nginx Web服務器

背景和適用場景 Nginx作為高性能Web服務器和反向代理服務器，在互聯網架構中扮演着核心角色。無論是搭建靜態資源服務、API網關，還是作為負載均衡器，Nginx都是首選方案之一。 這次實戰部署的環境是openEuler 22.03 LTS系統，主要驗證openEuler在軟件生態方面的完善程度。通過這次部署可以看到，從軟件安裝、依賴解決到服務配置，整個流程是否順暢，

配置文件 , 人工智能 , 深度學習 , Nginx

收藏 評論

u_16213560 頭像

數據小探 - 經典CNN與經典Transformer相結合用於時間序列預測

經典網絡 (Classic Networks) 這節課，我們來學習幾個經典的神經網絡結構，分別是LeNet-5、AlexNet和VGGNet，開始吧。 首先看看LeNet-5的網絡結構，假設你有一張32×32×1的圖片，LeNet-5可以識別圖中的手寫數字，比如像這樣手寫數字7。LeNet-5是針對灰度圖片訓練的，所以為什麼圖片的大小隻有32

機器學習 , 卷積 , 人工智能 , 深度學習 , 池化 , 全連接

收藏 評論

u_17580222 頭像

mb691327edb400f - AI人工智能

在數字化轉型加速與人才競爭白熱化的當下，企業招聘正陷入前所未有的多重困局。一方面，經濟下行壓力下企業招聘預算普遍收緊，但業務擴張、人才迭代帶來的崗位需求卻愈發迫切，人才市場中核心崗位的薪酬成本持續攀升，HR團隊卻往往面臨人手不足、技術工具匱乏的資源困境；另一方面，海量簡歷如同“信息海洋”，HR僅依靠人工逐一審閲不僅耗時耗力，還易因主觀判斷出現疏漏，即便經過多輪面試，仍常出現候選人

數據 , 人工智能 , 深度學習 , 迭代

收藏 評論

u_17580222 頭像

mb691327edb400f - AI重構招聘邏輯：HR的下一個十年，拼的是決策力

AI重構招聘邏輯：HR的下一個十年，拼的是決策力 當AI開始深度參與人才評估、甚至躋身招聘決策鏈，人力資源領域的遊戲規則已悄然改寫。一份全球調研顯示，超75%的企業領導者不再將AI視為單純工具，而是能並肩作戰的“同事”——它能預判離職風險、篩選適配候選人、生成面試紀要，將HR從重複勞動中解放。但真正的差距不在於是否使用AI，而在於能否用AI把“選人”從憑感覺的冒險，變成可量

鏈路 , ATS , 一對一 , 人工智能 , 深度學習

收藏 評論

u_16175504 頭像

mob649e8165596b - windows Ollama gpu運行

隨着人工智能的快速發展，很多開發者開始利用深度學習模型進行各種業務的賦能。最近，我在使用Windows下的Ollama進行GPU加速時遇到了一些問題，下面我將詳細記錄解決這一問題的過程。 問題背景 Ollama是一個方便的工具，可以輕鬆地運行大規模的深度學習模型。在業務上，我們需要使用這些模型進行實時預測，因此GPU的運行至關重要。此問題的發生直接影響到我們的開發進度。

bash , aigc , 深度學習 , CUDA

收藏 評論

u_15675268 頭像

1艾一刀 - CES深度觀察丨智能清潔的四大關鍵詞：變形、出户、體驗以及生態協同

文 | 智能相對論 作者 |佘凱文 十年前，一台能自己規劃路線、不撞傢俱的掃地機器人已經足夠令人驚喜；五年前，能自動返回基站清洗拖布、倒掉塵盒的機器，則被視作解放雙手的終極方案。而在今年的CES上，這種認知再度被刷新。 對於清潔家電來説，今年的CES儼然成為了一場比拼“想象力”的舞台。產品的形狀，正在從千篇一律的圓盤，演變為形態各異的仿生結構；它們的“工

無人機 , 二維 , 人工智能 , 深度學習 , 解決方案

收藏 評論

u_15476544 頭像

天鯤科技 - AI驅動威脅狩獵系統在支付平台的創新實踐

摘要：本白皮書系統闡述了跨境支付平台在構建AI驅動威脅狩獵系統過程中的核心挑戰、技術架構與實施成效。面對高級持續性威脅（APT）導致的欺詐交易與高誤報率問題，平台基於AWS雲原生服務構建了一套融合自動推理、行為圖譜與實時響應的智能安全體系。通過引入Amazon Bedrock的Guardrails自動推理引擎、Amazon Detective圖數據庫與GuardDuty威脅情報集

AWS , amazon , 運維 , 人工智能 , 深度學習

收藏 評論

u_15907379 頭像

步步為瑩 - 萬億參數模型優化：Python 量化部署技巧（QLoRA+TensorRT 實戰）

在近年來，隨着深度學習模型的不斷髮展，大規模預訓練語言模型（如 GPT-3、GPT-4 等）擁有了數百億、甚至數萬億的參數。然而，隨着模型規模的增加，計算和存儲的需求也大幅提高，這給模型部署帶來了挑戰。為了解決這些問題，量化技術（Quantization）成為了加速模型推理和降低部署成本的有效手段。 在本教程中，我們將介紹如何使用 QLoRA 和 TensorRT 來優化和

加載 , 權重 , 後端開發 , 深度學習 , Python

收藏 評論

u_15591470 頭像

ceshiren2022 - n8n驅動的全鏈路測試自動化實戰指南

在複雜的軟件系統中，傳統的測試方法往往面臨一個困境：各個模塊單獨測試正常，但集成後問題頻出。全鏈路測試正是為了解決這一問題而生，而尋找合適的工具來實現這種測試自動化，一直是測試工程師們的挑戰。今天，我們探討一種不同尋常但異常強大的解決方案——使用n8n實現全鏈路測試自動化。 為什麼選擇n8n進行測試自動化？ 你可能熟悉n8n作為一款開源的工作流自動化工具，通常用於業務過程自動化。

n8n , 全鏈路測試 , 人工智能 , 深度學習 , 測試自動化

收藏 評論

congweibiaobaidemalingshu 頭像

小白獅ww - 文-圖生視頻雙發力，Wan 2.1 高質量視頻生成教程

Wan 2.1（通義萬相 2.1）是由阿里巴巴於 2025 年開源的視頻生成大模型，它在視頻生成領域展現出了卓越的性能。在功能上，該模型不僅支持文生視頻和圖生視頻，還能進行視頻編輯、文生圖、視頻生音頻等多種創新應用，極大豐富了用户的創作選擇。而且，Wan 2.1 是首個能在中英文環境中實現文字生成的視頻模型，免去外部插件的繁瑣，大幅提升了其實用性。 Wan 2.1 採用了自研的高效變分自編碼器 (

機器學習 , tensorflow , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

u_16060192 頭像

HyperAI超神經 - 從9,874篇文獻到1.5萬晶體結構，MOF-ChemUnity重構MOF全景知識，推動材料發現進入「可解釋AI」時代

在材料科學領域，金屬有機框架（Metal–Organic Frameworks，MOFs）堪稱科學家們的「瑞士軍刀」：它們具有高比表面積、化學可調性和結構多樣性，在氣體分離與儲存、催化以及傳感等領域具有廣泛應用。然而，對於科研人員而言，MOF 的世界極其龐大且複雜——目前已有超過 12.5 萬種 MOF 框架被合成，並計算預測了數百萬種可能的結構。 雖然人工智能（AI）已經深刻改變了

人工智能 , 深度學習 , 材料科學

收藏 評論

u_16566216 頭像

美狐美顏SDK小金 - 開發者視角：直播美顏sdk中人臉關鍵點的實現邏輯與選型建議

在直播、短視頻、視頻社交成為主流應用形態的今天，美顏已經不再是“錦上添花”，而是用户體驗的基礎能力之一。而在所有美顏能力中，人臉關鍵點檢測，幾乎是整個美顏sdk的“地基”。 作為一名長期參與直播類產品與美顏sdk落地的開發者，我想從工程實現與實際選型的角度，聊一聊： 人臉關鍵點在直播美顏sdk中到底是如何工作的？開發時又該如何選型，才能少走彎路？

視頻美顏sdk , 人臉美型sdk , 美顏api , 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

deephub 頭像

deephub - JAX性能優化實戰：7個變換讓TPU/GPU吃滿算力

JAX跑得快的技巧其實很簡單：通過組合變換讓XLA能看到大塊連續的計算，比如説批處理、融合、分片，讓每一步在單設備或多設備同步時都像一個乾淨的kernel。 我們今天就來總結7個能夠提高運行速度的JAX變換組合 1、 jit 優先，形狀穩定 jit 對函數做一次追蹤後XLA負責融合算子，形狀穩定、無副作用時，Python處理的開銷就被分攤掉，可以提高運行速度。 形狀創建和靜態參數要麼挪到s

jax , 神經網絡 , 人工智能 , 深度學習

收藏 評論

huikaichedemianbao 頭像

合合技術團隊 - 論文解讀 - 潛在思維鏈推理的全面綜述

一、簡要介紹 大語言模型（LLMs）在複雜推理任務中，通過思路鏈（CoT）提示取得了顯著的性能。然而，傳統的CoT依賴於用自然語言明確表達的推理步驟，這不僅降低了效率，還限制了其在抽象推理中的應用。為了解決這一問題，研究者們對潛在CoT推理產生了濃厚的興趣，這種推理方式在潛在空間中進行。通過將推理與語言分離，潛在推理不僅提供了更豐富的認知表示，還實現了更靈活、更快的推理過程。研究者們在這一

大數據 , 人工智能 , 深度學習

收藏 評論