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

tecdat 頭像

拓端tecdat - 專題：2026年中國消費零售行業新圖景報告：消費者行為、品牌增長與AI應用|附540+份報告PDF、數據、可視化模板彙總下載

原文鏈接：https://tecdat.cn/?p=44449 原文出處：拓端抖音號@拓端tecdat 引言 2025年消費零售行業正站在“變革與機遇”的交叉點——一邊是AI技術深度滲透品牌情緒洞察、數字化重塑消費體驗，一邊是消費者在經濟波動中呈現“理性謹慎與品質追求並存”的矛盾心態：既會因價格上漲選擇“消費平替”或縮減開支，又願為健康、安全等核心需求支付溢價，Z世代更以“快樂消費”的獨特

機器學習 , 數據挖掘 , 人工智能 , 深度學習

收藏 評論

u_16099264 頭像

碼農小哥 - 光伏發電預測（一）_光伏發電預測算法

前言 本期基於某光伏電站發電功率數據集，推出一組Informer-SENet預測對比模型合集。包括'LSTM', 'Transformer-encoder', 'Informer', 'Informer-encoder', 'Informer-SENet', 'Informer-encoder-SENet'等6組模型對比實驗： 1 模

預測模型 , Informer , 後端開發 , 時間序列預測 , 深度學習 , Python

收藏 評論

u_16175507 頭像

mob649e8166179a - ollama 怎麼開啓顯卡計算

在現代深度學習的應用中，利用 GPU 進行加速計算顯得尤為重要。對於使用 Ollama 的開發者而言，掌握“如何開啓顯卡計算”是一項基礎而關鍵的技能。然而，在實際操作中，用户可能會遇到各種問題，導致顯卡計算未能正常開啓。接下來，我們將詳細記錄如何解決“ollama 怎麼開啓顯卡計算”的過程。 問題背景 在使用 Ollama 進行深度學習模型的推理以及訓練時，用户期待顯卡能夠提供加

配置文件 , aigc , 深度學習 , 顯卡驅動

收藏 評論

u_17562481 頭像

思考的袋鼠 - 2025年數據分類分級產品選型排名與深度解析：可視化、自適應、一鍵部署成關鍵能力

在新一輪數字化治理要求持續強化的背景下，《數據安全法》《個人信息保護法》以及最新的《數據安全技術 數據分類分級規則（2024）》共同推動數據分類分級從“建議性建設”邁入“強制性治理能力”。面對企業數據規模指數增長與監管壓力持續加大，具有可視化與易用性、自適應分類、一鍵化部署等特徵的智能化數據分類分級產品，正成為企業構建數據安全體系的基礎性設施。 根據 IDC《2024年度中國數據

數據 , 數據安全 , 人工智能 , 深度學習 , 結構化

收藏 評論

openbayescom 頭像

OpenBayes - 教程上新丨美團開源視頻生成模型LongCat-Video，兼具文生視頻/圖生視頻/視頻續寫三大能力，媲美開閉源頂尖模型

世界模型旨在理解、模擬與預測複雜的現實世界環境，是人工智能在真實場景中實現有效應用的重要基礎。在這一框架中，視頻生成模型通過其生成過程，逐步壓縮並學習幾何、語義、物理等多種知識形態，因而被視為構建世界模型的一條關鍵路徑，並有望最終實現對真實物理世界動態的有效模擬與預測。 而在視頻生成領域，實現高效的長視頻生成能力尤為重要。 基於此，美團開源了最新視頻生成模型 LongCat-Video，該模型旨在

機器學習 , 自然語言處理 , 教程 , 人工智能 , 深度學習

收藏 評論

u_16099241 頭像

技術領航博主 - Leaky ReLU和ReLU的關係

論文提出了動態ReLU，能夠根據輸入動態地調整對應的分段激活函數，與ReLU及其變種對比，僅需額外的少量計算即可帶來大幅的性能提升，能無縫嵌入到當前的主流模型中   論文: Dynamic ReLU 論文地址：https://arxiv.org/abs/2003.10027 論文代碼：https://githu

歸一化 , Dynamic , Leaky ReLU和ReLU的關係 , 激活函數 , 人工智能 , 深度學習

收藏 評論

lab4ai 頭像

Lab4AI - AAAI2025論文！川大團隊領銜！用 “稀疏注意力” 幹掉手工特徵，讓圖像造假無所遁形 | 圖像編輯

01 論文概述 這篇頂會級工作由 四川大學計算機學院 + 教育部機器學習與工業智能工程研究中心 核心領銜（通訊作者：周吉喆教授），聯合 穆罕默德・本・扎耶德人工智能大學、澳門大學計算機與信息科學系 共同完成。 論文名稱：Can We Get Rid of Handcrafted Feature Extractors? SparseViT: Nonsemantics-Centered, Param

機器學習 , 神經網絡 , 算法 , 人工智能 , 深度學習

收藏 評論

u_16213711 頭像

mob64ca1416f1ef - 實操教程 | 卷積神經網絡CNN詳解

卷積神經網絡（CNN）的核心操作並非孤立存在，而是通過精細的參數設計和流程配合實現特徵提取與模型學習。以下從原理細節、計算過程、參數設計、變體形式四個維度，對核心操作進行更深入的解析，幫助你掌握實際應用中的關鍵細節。 一、卷積操作（Convolution） 卷積是 CNN “特徵提取” 的核心，其本質是通過滑動窗口的局部加權求和捕捉圖像的局部

卷積 , 神經網絡 , cnn , 深度學習 , 池化 , 前端開發 , Javascript

收藏 評論

u_16640205 頭像

mb65f83f0864e54 - 華為乾崑走向生態推動者

作者：鐘聲（微信：zsheng518） 編輯：Mark 出品：紅色星際（ID：redplanx） 頭圖：華為乾崑發佈會圖片 汽車智能化即將走向一個新的階段，從L2+大規模普及，向L3有條件自動駕駛實現商業化突破的關鍵階段過渡。 在這樣的階段，行業也產生了新的需求和形勢，技術供應商們也在思考和

商業 , 數據 , 自動駕駛 , 人工智能 , 深度學習

收藏 評論

u_17512334 頭像

疆鴻智能研發中心 - 破局酒廠改造：一個網關讓PROFIBUS與485伺服精準共舞

破局酒廠改造：一個網關讓PROFIBUS與485伺服精準共舞 在現代化酒廠灌裝生產線，特別是白酒與葡萄酒並存的廠區，核心挑戰在於如何讓“大腦”與“手腳”高效協同。產線“大腦”——西門子S7-1200/1500系列PLC，通常通過高速、穩定的PROFIBUS-DP網絡指揮核心灌裝閥、流量計。而眾多“手腳”——如伺服驅動器控制的輸送帶、升降台、旋蓋單元，則普遍採用經濟、通用的R

profibus , 協議轉換網關 , 工業通訊 , RS485 , 人工智能 , 深度學習 , 工業自動化

收藏 評論

u_16970152 頭像

求知上進 - 深入學習 Python 函數：作用域 - 變量的“隱形疆域”

作用域，為什麼它是 Python 函數的“隱形疆域”？ Python 函數強大而靈活，但變量的作用域往往是開發者最易忽略卻又最易出錯的部分。作用域定義了變量的生命週期和訪問範圍：它能在哪裏被讀取、修改或“消失”。一個簡單的全局變量修改，可能在函數內引發意外；一個閉包中的自由變量，可能讓內存“永生不滅”。 為什麼説它是“隱形疆域”？ 隱形：不像顯式類型聲

作用域 , 人工智能 , 深度學習 , 嵌套 , Python

收藏 評論

nizi_60e514d097c9a 頭像

MIAOYUN - MIAOYUN | 每週AI新鮮事兒（12.05-12.12）

本週全球科技企業及團隊在AI領域動作頻頻，騰訊、阿里、微軟、智譜、美團等企業相繼推出或開源涵蓋語言、語音、圖像、代碼、情感等類型的多款大模型；阿里、商湯及Linux基金會發布開源框架、視頻生成工具並推動行業標準統一；商湯、Adobe、騰訊同步新增數字人驅動、跨平台設計、羣消息總結等AI工具；與此同時，NVIDIA發佈新版CUDA工具包、美國調整芯片出口政策、全球首個太空LLM誕生，一起來回顧本週發

機器學習 , 資訊 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

lab4ai 頭像

Lab4AI - 10.7萬條軌跡+4大機器人構型！RoboMIND開源數據集破解機器人通用操作難題

01 | 引入 開發魯棒且通用的操作策略是機器人領域的關鍵目標。為實現有效的泛化能力，構建包含大量演示軌跡和在複雜真實環境中完成多樣化任務的綜合數據集至關重要。儘管現有研究已致力於整合各類機器人數據集，但仍缺乏統一的數據收集標準，且在多樣化任務、場景和機器人類型方面的高質量數據不足。因此，構建一個大規模、標準化的多構型機器人操作數據集具有重要意義。然而，現有數據集往往存在以下侷限： l 規模有限

機器學習 , 圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - 全網最詳細CSS知識講解

CSS 全棧知識指南：從基礎語法到高級實戰 CSS（Cascading Style Sheets，層疊樣式表）是網頁的 “美容師” 與 “建築師”—— 它不僅定義文字顏色、背景樣式等視覺表現，更通過佈局技術構建網頁的骨架結構。從 1996 年 CSS1 誕生至今，其已發展為包含數百個屬性、適配多端場景的龐大體系。本文將以 “原理→技術→實戰→優化” 為脈絡，拆解 CSS 的

選擇器 , 盒模型 , 人工智能 , 深度學習 , Css

收藏 評論

u_17521282 頭像

元冪境ar遠程協助 - 水務應用AR技術：推動智慧水務的創新實踐

在元冪境看來，水務行業作為城市基礎設施的核心組成部分，直接關係到社會生產與民生保障。隨着城市化進程的加快，水資源的供給、調度與管理壓力日益增加，傳統水務管理模式已難以滿足精細化和智能化的需求。在“智慧城市”與“數字孿生”的發展背景下，AR技術正在為水務行業注入新的活力。藉助AR技術，水務企業不僅能夠提升巡檢與維護效率，還可以實現對地下管網的可視化管理，推動全鏈條的智能升級

ar系統 , ar技術 , AR平台 , AR工業巡檢 , 人工智能 , 深度學習 , ar遠程協助

收藏 評論

JavaEdge 頭像

JavaEdge - 你的JAR包放對了嗎？​​後端開發必知的Linux目錄規範

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 , 文件系統 , jar , 應用程序 , 人工智能 , 深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 極簡邊緣AI：谷歌發佈 Coral NPU IP

“一個真正開放的 NPU 版本，即將改變邊緣 AI 的遊戲規則。” 在 AI 算力加速下，邊緣設備（例如可穿戴、智能家電、無人機）越來越需要低功耗、高性能、安全可靠的神經處理單元（NPU）。為此， 谷歌（Google Research）決定將其 Coral 品牌下的新 NPU IP 免費開源，面向整個行業開放；而 Synaptics 則成為首家將該 IP 真正整合於自己 Astra SL26

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

u_16841336 頭像

火雲大軍 - 程序員應該熟悉的概念(4)MCP能做什麼

在上一篇文章 MCP簡介 中，我們對 MCP(Model Context Protocol) 有了一個概念上的認識，本文將更加深入的介紹 MCP 的架構和功能。 MCP是什麼 如果我們認為 LLM(大語言模型) 是大腦的話， MCP 提供其它的能力將給這個大腦裝上四肢和五官，使得它具備與外界環境交互的能力。 使用 MCP，Claude 或 ChatGPT 等 AI 應用程序可

大語言模型 , 指尖人生 , llm , mcp , 人工智能 , 深度學習

收藏 評論

youqingyouyidejidan 頭像

底層邏輯探索 - 數據資產管理：從定義到價值實現的全流程指南

一、什麼是數據資產？ 1.1 數據的來源 數據源自企業在經營過程中不斷累積的各類數字化記錄。這些數據既包括傳統結構化數據，也涵蓋文本、語音、圖像、照片、視頻等多媒體信息，還延伸至微博、微信、消費與出行記錄、各類文件等多種形式。凡是企業活動沉澱下的數字記錄，都屬於數據範疇。 1.2 什麼數據才能被視為資產？ 會計學對“資產”的界定是：由企業過去的交易或事項形成，被企業擁有或控制，並

深度學習

收藏 評論

u_16213625 頭像

mob64ca1402665b - 業界| 英特爾發文Caffe2在CPU上的性能檢測：將實現最優的推理性能 -

Caffe2是一個輕量級、模塊化且可擴展的深度學習框架，專為表達性、速度和模塊化而設計。對於深度學習開發者和研究人員來説，掌握Caffe2的編譯優化技巧是提升模型訓練和推理性能的關鍵步驟。 🚀 為什麼需要編譯優化？ 深度學習框架的性能直接影響模型訓練和推理的效率。通過合理的編譯優化配置，可以顯著提升Caffe2在CPU和GPU上的運行速度，特別是在處理大規模

指令集 , 後端開發 , 編譯優化 , 深度學習 , Python

收藏 評論

u_16060192 頭像

HyperAI超神經 - 活動預告丨上海創智/TileAI/華為/先進編譯實驗室齊聚上海，TVM/TileRT/PyPTO/Triton各顯神通

隨着 AI 模型規模不斷攀升，開發者和工程團隊對計算性能、資源利用率和執行效率的要求也愈發嚴格。也正因如此，AI 編譯器正在成為硬件與應用之間的關鍵樞紐，為訓練與推理提供高效執行和智能算力調度。 在這一趨勢下，業內對前沿技術交流與最佳實踐分享的需求也隨之升温。越來越多的團隊希望通過面對面的深入討論，探索算力優化的新方法、驗證落地路徑、並從真實場景中汲取經驗。 一直以來，由 Hyp

Triton , TileLang , TVM , 人工智能 , 編譯器 , 深度學習

收藏 評論

deephub 頭像

deephub - 深度學習調參新思路：Hyperband早停機制提升搜索效率

Hyperband是機器學習中一個相當實用的超參數調優算法，核心思路是用逐次減半來分配計算資源。説白了就是讓一堆配置先跑幾輪，表現差的直接踢掉，剩下的繼續訓練更多輪次。 這個方法的巧妙之處在於平衡了探索和利用。你既要試足夠多的配置組合（探索），又要給有潛力的配置足夠的訓練時間（利用）。傳統方法要麼試得不夠多，要麼每個都試要很久浪費時間。 本文我們來通過調優一個lstm來展示Hyperband的工作

神經網絡 , 人工智能 , 深度學習 , 參數

收藏 評論

congweibiaobaidemalingshu 頭像

小白獅ww - LAMMPS 教程：以單晶鋁為例，模擬材料單軸拉伸

LAMMPS（Large-scale Atomic/Molecular Massively Parallel Simulator）是一種經典的分子動力學仿真代碼，專注於材料建模。它旨在在並行計算機上高效運行，並且易於擴展和修改。LAMMPS 最初由美國能源部機構桑迪亞國家實驗室開發，現在包括來自許多機構的許多研究小組和個人的貢獻。LAMMPS 的大部分資金來自美國能源部（DOE）。LAMMPS 是

機器學習 , 自然語言處理 , 教程 , 人工智能 , 深度學習

收藏 評論

chenzhuodeyagao 頭像

沉着的牙膏 - 金融行業智能識別、覆蓋率高、低代碼配置數據分類分級最佳實踐與案例

一、概要 （提示：在強監管與高風險並存的金融行業，數據分類分級正在從合規要求演進為數據治理與業務創新的基礎能力。） 隨着金融行業全面邁入數字化深水區，數據已成為支撐交易處理、風險防控與客户服務的核心生產要素。但與數據價值同步放大的，是客户信息泄露、賬户濫用、數據越權等風險隱患。金融數據一旦失控，不僅影響單一機構，更可能引發系統性風險。在此背景下，數據分類分級不再是簡單的“貼標籤”工作，

深度學習

收藏 評論