tag 深度學習

標籤
貢獻335
506
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

u_15591470 頭像

ceshiren2022 - 構建智能測試閉環：深入解析ReAct範式與LangGraph的實用應用

一、ReAct範式簡介 在AI智能測試和Agent開發中，ReAct（Reasoning + Acting）範式是核心方法。它通過邊思考邊行動的方式，實現智能體閉環動態決策。 • Reasoning（推理）：分析任務信息、環境狀態和歷史數據，生成下一步行動策略。 • Acting（行動）：根據策略執行動作，如調用接口、生成測試用例或運行任務。 🔹 對測試開發人員來説，ReAct能讓

react , 智能體 , 人工智能 , 深度學習

收藏 評論

u_16213358 頭像

mob64ca12dedda8 - Stable Diffusion checkpoints

Stable Diffusion Checkpoints 是一種用於保存和共享模型狀態的方法，以便在深度學習任務中進行恢復和持續訓練。檢查點的使用可以顯著提高模型訓練的效率，並減少因突發問題造成的損失。以下是針對如何解決與“Stable Diffusion checkpoints”相關的問題的詳細探討，包括協議背景、抓包方法、報文結構、交互過程、工具鏈集成及擴展閲讀。 協議背景

抓包 , 檢查點 , aigc , 深度學習

收藏 評論

tecdat 頭像

拓端tecdat - 2026年消費行業展望報告：智能科技、可持續發展與幼稚經濟|附750+份報告PDF、數據、可視化模板彙總下載

原文鏈接：https://tecdat.cn/?p=44679 原文出處：拓端抖音號@拓端tecdat 引言 消費行業真的陷入“增長困境”了嗎？消費者越來越理性，創業者找不到新賽道，品牌方在存量競爭中掙扎——這是當下很多從業者和投資者的共同困惑。但數據不會説謊，消費行業並非停滯不前，而是在經歷“結構性重構”：傳統品類承壓，新興賽道爆發，技術與情感成為新的增長雙引擎。 本報告洞察基於《交銀國

機器學習 , 數據挖掘 , 算法 , 人工智能 , 深度學習

收藏 評論

ziwupython 頭像

子午 - 【蔬菜識別系統】Python+TensorFlow+Vue3+Django+人工智能+深度學習+卷積網絡+resnet50算法

一、介紹 蔬菜識別系統，基於TensorFlow搭建卷積神經網絡算法，通過對8種常見的蔬菜圖片數據集（'土豆', '大白菜', '大葱', '蓮藕', '菠菜', '西紅柿', '韭菜', '黃瓜'）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。 前端: Vue3、Element Plus 後端：Django 算法：TensorFlow、卷積神經網絡算法 具體功能：

圖像識別 , 人工智能 , 深度學習

收藏 評論

u_16297326 頭像

虎斑嘟嘟 - 魯棒性認證：隨機平滑的ℓ₁/ℓ₂認證半徑精確分析

魯棒性認證：隨機平滑的ℓ₁/ℓ₂認證半徑精確分析 對抗樣本的存在猶如深度學習領域的"暗物質"，揭示了模型決策邊界中隱藏的脆弱性。面對這一挑戰，隨機平滑技術脱穎而出，成為首個能夠為大規模深度學習模型提供可證明魯棒性保證的實用方法。然而，傳統的隨機平滑分析主要集中於ℓ₂範數威脅模型，在現實世界中更為常見的ℓ₁威脅（如稀疏對抗擾動）面前顯得力不從心。 本文將深入探討隨機平滑

縮放 , yyds乾貨盤點 , 後端開發 , JAVA , 深度學習 , 二分搜索

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 半導體生態：七層供應鏈揭秘

“芯片背後，是一個龐大且脆弱的生態系統。” 今天我們從高處俯瞰芯片產業：從藍圖誕生，到晶圓生產，再到包裝測試，貫穿設計、材料、工具、IP。每一個環節都有關鍵角色參與。認識這七層，你才能真正理解“芯片為何如此珍貴、為何生產一斷就慌亂”的背後邏輯。 下面按照七層結構，一層一層地展開解讀。 ✤ 1 ✤晶圓代工廠 在這一級，典型代表包括 TSMC、Samsung、UMC、SMIC

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

u_16391614 頭像

老艾的AI世界 - AI生成原創歌曲真的來了！支持19種語言，還能説唱，GenMel下載介紹

説起音樂創作，在以前是隻有懂樂理知識的科班人員才能涉足到的領域，並且需要一套專業的編曲設備，就是最普通音樂棚的造價也是一筆不菲的數字，況且，即使是最具天賦的音樂人才的靈感也是會枯竭的。在人工智能技術持續突破的今天，音樂創作領域也迎來了革命性的變革，據説火遍各大平台的神曲《跳樓機》就是藉助AI工具創作的，過去需要數月編曲、反覆調試樂器軌道的工作，如今只需一句話告知AI你的想法，一首

yyds乾貨盤點 , AI , 人工智能 , AI歌手 , 深度學習 , AI歌曲 , AI音樂

收藏 評論

heludd 頭像

瘋聊AI - CPU、GPU還沒卷明白，DPU又來了！

1. 開場白：CPU、GPU都在卷，DPU是誰家的“熊孩子”？ 要説這幾年芯片圈誰最火，CPU是“老牌天王”，GPU是“AI新貴”，而DPU呢？就是那個突然躥紅的“隔壁老張家的孩子”——一出場就自帶光環，號稱“第三顆主力芯片”。 別看它名字聽着像“CPU的表弟”，其實它的使命是：幫CPU“打雜”，替GPU“擋槍”，讓數據中心跑得飛快還不喘。 2. DPU

算力 , 數據中心 , 人工智能 , 深度學習 , DPU

收藏 評論

u_16349720 頭像

短短同學 - SSM與Spring

SSM 與 Spring 的關係及核心差異 要理解 SSM 與 Spring 的關聯，首先需明確二者的定義邊界：Spring 是一個獨立的 “容器 + 增強” 框架，而 SSM 是 “Spring+SpringMVC+MyBatis” 的組合套件——Spring 是 SSM 的 “核心基礎”，SSM 是 Spring 在企業級開發中的 “典型應用場景”，二者並非 “並列對比

人工智能 , 持久層 , 深度學習 , mvc , Web

收藏 評論

u_16213415 頭像

mob64ca12ec8020 - 強行kill ollama 運行的模型

在使用Ollama工具運行模型的過程中，遇到“強行kill ollama 運行的模型”的情況時，這可能是由於系統資源的高消耗而導致模型無法正常工作。能力較強的模型在處理複雜請求時可能會佔用較高的CPU和內存資源，這使得在高負載環境下，強行結束進程成為一種應急措施。針對這一問題，本文將對其進行全面分析及提供相應的解決方案，並通過多個結構化的維度進行解讀。 背景定位 技術定位 O

高併發 , 自然語言處理 , aigc , 深度學習

收藏 評論

u_17583190 頭像

fangpin - 從 1.56% 到 62.9%：SFT 推理微調優化實戰

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

u_15675190 頭像

冰淇淋紅茶Q - 文檔解析與問答實戰——三步搭建基於TextIn與Coze的智能文檔Agent方案

一、引言 1.1 複雜文檔的感知瓶頸 當前，以大語言模型（LLM）為核心的智能體（Agent）技術，正快速融入法律文書問答、合同條款比對、技術標準解讀等企業核心業務流程中。基於自主任務理解、步驟規劃與工具調用能力，智能體能夠可靠執行教育科研輔助、法律信息提取、合同自動比對、標準結構化解析等一系列複雜業務操作，有效提升效率與準確性。 然而，當Agent真正

人工智能 , 深度學習 , 文檔解析 , 結構化 , Markdown

收藏 評論

u_14306318 頭像

咚咚王哲 - 人工智能之數據分析 Matplotlib：第一章 簡介和安裝

人工智能之數據分析 Matplotlib 第一章 簡介和安裝 (文章目錄) 前言 Matplotlib 是 Python 中最常用的數據可視化庫之一，用於創建靜態、動態和交互式的圖表。它功能強大、靈活，並且與 NumPy、Pandas 等科學計算庫無縫集成，廣泛應用於數據分析、機器學習、科研和工程等領域。 一、Matplotlib 簡介

機器學習 , 人工智能 , 數據分析 , 深度學習 , Python

收藏 評論

u_17580222 頭像

mb691327edb400f - AI破局招聘困局：從決策困境到效率新生

AI破局招聘困局：從決策困境到效率新生 企業往往低估招聘偏差帶來的隱性損耗：一次不合適的僱傭，除了造成該崗位年薪三成到五成的直接開支浪費，還會引發團隊協作阻滯、培訓投入打水漂等一系列問題。傳統招聘中，HR僅憑主觀印象和簡歷上的零散信息做判斷，很容易讓真正的人才與企業失之交臂，而AI技術的深度應用，正為這一長期困擾行業的難題提供了全新解法。

鏈路 , ATS , 人工智能 , 深度學習 , 迭代

收藏 評論

qingfouai 頭像

青否Ai - 獲客+引流+銷售全流程，實現ai超級員工：企業降本增效的未來工作模式！

在當今快速發展的數字化時代，企業面臨着日益複雜的市場環境和競爭壓力。為了在激烈的市場競爭中立於不敗之地，企業必須不斷提高效率，降低成本。AI（人工智能）、RPA（機器人流程自動化）和AI Agent（人工智能代理）的結合，為企業提供了一種全新的解決方案——定製化的數字員工。這種未來工作模式不僅能夠顯著提升企業的運營效率，還能有效地降低企業的運營成本。本文將探討這一創新模式的實現路徑及其在企業中的應

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

u_16099250 頭像

架構師之光 - 國外深度學習開發開台有哪些

目錄 一、安裝anaconda 二、配置虛擬環境 三、安裝vscode 四、在vscode安裝pylint 五、安裝YAPE 六、安裝TensorFlow pip install與conda install 測試安裝 git工具安裝 tensorflow object detection api 下載安裝 建立文件

tensorflow , 國外深度學習開發開台有哪些 , 人工智能 , 深度學習 , Git , Python

收藏 評論

u_16349720 頭像

短短同學 - 大模型的秘密:從三元一次方程組到KV Cache

大模型的秘密：從三元一次方程組到 KV Cache 當我們驚歎於大模型生成流暢文本、解答覆雜問題的能力時，其底層核心並非不可捉摸的 “黑魔法”，而是從基礎數學逐步構建的精密系統。從初中數學的三元一次方程組，到 Transformer 架構中的 KV Cache 優化，這條技術脈絡清晰展現了 “簡單原理→複雜擴展→效率突破” 的進化路徑。本文將拆解這一過程，揭開大模型高效運行

方程組 , 線性變換 , 緩存 , 人工智能 , 深度學習

收藏 評論

u_17607960 頭像

wx694bc8b9eaf99 - 《從邏輯混戰到精準控：我在 Coze 平台打磨 Prompt 優化的萬字心得》

一、 序言：為什麼 Coze 是 Prompt 優化的練兵場？ 這兩天深度體驗了字節跳動旗下的 Coze（釦子）平台。作為一個零代碼/低代碼的 AI 構建工具，它最迷人的地方不在於它集成了多少插件，而在於它提供了一個極其透明的“反饋迴路”。 在 Coze 上創建智能體，本質上是在做一場**“精確溝通”**的實驗。如果你給出的提示詞（Prompt）模糊不清，即便有最強大的 L

人工智能 , 深度學習 , 約束條件 , 開發者 , 結構化

收藏 評論

u_6478076 頭像

郭傳志的博客 - 多模態智能體

項目介紹 需求數據拆解 數據收集智能體 研究員智能體 本文包含：-->

多模態智能體 , 人工智能 , 深度學習

收藏 評論

u_16213725 頭像

mob64ca141a683a - 基於pytorch搭建AlexNet神經網絡用於花類識別

0 前言 經常會有同學問我在學習了python和torch之後，該繼續學習啥，我都是説，不用再去接着學習理論，直接上CNN的代碼開始跑就可以，比如貓狗分類的代碼，或者花朵分類的模型。 但是網上的代碼怎麼説呢......能夠直接拿來用的很少，經常需要自己調試，這次我給大家都調試好了，大家直接下載就可以了，點擊run就能跑！這個

算法 , 分類 , pytorch , 後端開發 , 人工智能 , 深度學習 , Python

收藏 評論

u_16213669 頭像

mob64ca140ce312 - 機器學習必知必會：凸優化

本文包含：--> --> 本文章為轉載內容，我們尊重原作者對文章享有的著作權。如有內容錯誤或侵權問題，歡迎原作者聯繫我們進行內容更正或刪除文章。

連線 , 人工智能 , 深度學習 , 圖像理解

收藏 評論

teayear 頭像

學技術贏未來 - python for循環

Python從入門到精通之for循環（500字簡介） for循環是Python中最核心的迭代控制結構，也是新手從入門邁向進階的關鍵語法，它以簡潔、靈活的特性適配各類遍歷場景，是處理序列、集合、迭代器等數據的核心工具。 與其他語言不同，Python的for循環基於“可迭代對象”設計，而非傳統的計數器模式，語法格式為for 變量 in 可迭代對象: 執行代碼，無需手動管理循環邊界，大

人工智能 , 深度學習 , 迭代 , for循環 , Python

收藏 評論

openbayescom 頭像

OpenBayes - VibeVoice-Realtime TTS重構實時語音體驗；覆蓋9大真實場景，WenetSpeech-Chuan讓模型聽懂川話

公共資源速遞 5 個公共數據集： VOccl3D 三維人體遮擋視頻數據集 Spatial-SSRL-81k 空間感知自監督數據集 WenetSpeech-Chuan 川渝方言語音數據集 MMSVGBench 多模態矢量圖生成基準數據集 Fungi MultiClass Microscopic 真菌顯微圖像數據集 6 個公共教程： 基於手勢識別的 3D 聖誕樹 Dia2-TTS：

機器學習 , 算法 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

u_12196 頭像

footballboy - 基於Pytorch的深度學習模型保存和加載方式

PyTorch2 Python深度學習 - 模型保存與加載 在PyTorch 2中，模型的保存與加載是一個常見的操作。通常，我們會使用torch.save()來保存模型的權重（即state_dict），並使用torch.load()來加載模型權重。以下是PyTorch 2中如何保存和加載模型的介紹及實例代碼：

開發語言 , 加載 , PyTorch2 , 深度學習 , 前端開發 , Javascript , Python

收藏 評論