tag 深度學習

標籤
貢獻335
525
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

elhix0bg 頭像

阿里雲大數據AI - PAI-LangStudio x AI搜索開放平台 x ElasticSearch: 構建AI Search RAG全棧應用

本文詳細介紹瞭如何使用 PAI-LangStudio 和 Qwen3 構建基於AI搜索開放平台 x ElasticSearch 的 AI Search RAG 智能檢索應用。該應用通過使用 AI 搜索開放平台、ElasticSearch 全文檢索+向量檢索引擎的混合檢索技術配合阿里雲最新發布的 Qwen3 推理模型編排在一個 Agentic Workflow 中，為客户提供了業內領先的 AI Se

大數據處理 , 數據挖掘 , 搜索引擎 , 人工智能 , 深度學習

收藏 評論

chunzhendexiaogou 頭像

PoloAPI - Windows 系統安裝與使用 Claude Code 全攻略

Claude Code 作為一款高效的 AI 編程輔助工具，深受開發者青睞，但由於其本身不支持 Windows 文件系統，在 Windows 系統上使用需要藉助 WSL（適用於 Linux 的 Windows 子系統）。下面為你詳細介紹在 Windows 系統上安裝和使用 Claude Code 的完整流程。 什麼是 WSL WSL（Windows Subsystem for Linux，適用於

編程 , 人工智能 , 深度學習 , 後端 , 前端

收藏 評論

puxiaoke6 頭像

一點人工一點智能 - 《分數階行為建模：若干非典型工具的分析與應用》

書籍：Fractional Behaviours Modelling: Analysis and Application of Several Unusual Tools 作者：Jocelyn Sabatier，Christophe Farges，Vincent Tartaglione 出版：Springer​ 編輯：陳萍萍的公主@一點人工一點智能 下載：書籍下載-

工具 , 人工智能 , 深度學習 , 模型

收藏 評論

fabarta 頭像

Fabarta - Cursor可控AI編程實踐：縮短交付週期，保障產品質量

導讀AI編程工具的興起讓開發效率有了質的飛躍，但很多開發者在使用過程中會發現一個問題：AI生成的代碼往往與現有項目的技術棧、編碼規範不匹配，需要大量的手動修改，開發效率拖了後腿。如何讓AI按照我們的意圖和規範來編寫代碼？這就是"可控AI編程"要解決的核心問題。 通過Cursor可控AI編程技術，我們大幅提升了開發效率，同時確保了產品的高質量和可靠性。本文將展示這一技術如何為企業創造實際價

編程 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - LangGraph實戰：從零構建智能交易機器人，讓多個AI智能體像投資團隊一樣協作

現在的量化交易早就不是簡單的技術指標了。真正有效的交易系統需要像一個完整的投資團隊一樣工作——有專門的分析師收集各種數據，有研究員進行深度分析和辯論，有交易員制定具體策略，還有風險管理團隊把關。問題是傳統的程序很難模擬這種複雜的協作流程。 LangGraph的多智能體架構正好解決了這個問題。我們可以構建一個像真實投資公司一樣運作的系統，每個智能體負責特定的職能，它們之間可以進行辯論、協商，最終形成

llm , 代理 , 人工智能 , 深度學習

收藏 評論

u_16349720 頭像

短短同學 - Java中SSM框架實現增刪改查功能代碼詳解

SSM 框架實現增刪改查（CRUD）功能代碼詳解 以 “用户管理” 模塊為案例，基於 SSM（Spring+SpringMVC+MyBatis）框架實現用户的新增、查詢（單條 / 列表）、修改、刪除功能，全程遵循 “POJO→Mapper→Service→Controller” 的分層開發邏輯，附完整代碼與配置説明。 一、前期準備：項目結構與依賴 1.1 項目目

User , spring , 人工智能 , JAVA , 深度學習

收藏 評論

deephub 頭像

deephub - Google開源Tunix：JAX生態的LLM微調方案來了

JAX生態這兩年在LLM訓練這塊追趕得挺快。PyTorch雖然還是主流但JAX在並行計算、TPU加速和API組合性上確實有些獨特的優勢。Google今天放出了Tunix這個庫，專門做LLM的後訓練——微調、強化學習、知識蒸餾這些都能搞。 Tunix是什麼 這是個構建在JAX之上的後訓練庫，和Flax NNX集成得比較緊密。主要解決三類問題： 監督微調（Supervised Fine-T

llm , jax , google , 人工智能 , 深度學習

收藏 評論

yinuo112 頭像

程序員一諾python - 【深度學習】嘿馬深度學習目標檢測教程第5篇：數據集處理,2.2 目標數據集標記【附代碼文檔】

🏆🏆🏆教程全知識點簡介：涵蓋圖像識別背景、目標檢測定義和應用場景。核心算法原理包括R-CNN系列算法（R-CNN、SPPNet、Faster R-CNN、RPN原理）、YOLO算法（單次檢測、候選框機制、單元格概念）以及SSD算法（單次多框檢測器、多個Detector classifier、訓練與測試流程）。數據處理模塊包含目標數據集標記、數據集格式轉換（TFRecords文件、VOC2

算法 , 人工智能 , 深度學習 , Python

收藏 評論

deephub 頭像

deephub - AutoGen框架入門:5個核心概念搭建智能體協作系統

AutoGen 是微軟研究院開源的多智能體 AI 系統框架。這個框架的設計思路很簡單——讓多個 AI 智能體（加上人類參與）在對話中完成複雜任務的協作和推理。 你甚至可以把它理解成一個團隊聊天室，智能體們在裏面討論、爭論、協作，最終得出解決方案。 AutoGen 通過創建多個專門化智能體，為每個智能體設定自己的角色、目標，來達到上面説的聊天能力，並且還能通過配置工具來獲得代碼執行能力。智能

llm , agent , 人工智能 , 深度學習 , Python

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 高效驗證：ACE VIP 實踐指南

在當代多核SoC設計中，ACE VIP（Advanced Coherency Extensions Verification IP）是確保系統一致性與性能穩定的重要驗證工具。本文將圍繞協議驗證、UVM整合、功耗性能分析與仿真加速四大應用展開，結合實際案例，帶你快速理解ACE VIP的實用價值。 1、緩存一致性協議驗證：ACE VIP的核心能力 ACE VIP支持全面的協議一致性驗證，包

觀點 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

rivers_chaitin 頭像

百川雲開發者 - 2025年這五款AI Wiki神器，讓你的知識管理效率翻倍！

在這個信息爆炸的時代，知識管理已經成為每個企業和團隊都必須面對的挑戰。傳統的文檔管理方式不僅效率低下，而且查找困難，協作不便。幸運的是，隨着AI技術的快速發展，一批智能化的Wiki軟件應運而生，它們不僅能夠幫助我們高效地組織和管理知識，還能通過人工智能技術實現智能搜索、自動問答甚至內容創作。 今天，就讓我們一起來看看2025年最值得關注的五款AI Wiki軟件，看看它們是如何重新定義知識管理的！

人工智能 , 深度學習 , 開源項目介紹

收藏 評論

deephub 頭像

deephub - vLLM 性能優化實戰：批處理、量化與緩存配置方案

很多團隊把它vLLM 當 demo 跑，但是其實這沒把它系統能力發揮出來。這篇文章將介紹怎麼讓 vLLM 真正幹活——持續輸出高令牌/秒，哪些參數真正有用，以及怎麼在延遲和成本之間做取捨。 先説 vLLM 到底好在哪 vLLM 提供 OpenAI 兼容的 API，核心是 continuous batching 加上 PagedAttention。PagedAttention 用分頁管理 K

神經網絡 , 教程 , 人工智能 , 深度學習 , llama

收藏 評論

infodator 頭像

容智信息 - 智能體最佳實踐的方法論（二）：實施

當企業智能體建設進入「第二階段實施環節」，如何將“規劃藍圖”轉化為“業務實效”成為核心命題。這一階段的成敗，直接決定智能體是“淪為技術試驗品”還是“成為業務增長極”。對於技術決策者和企業領導層而言，把握實施階段的四個關鍵步驟，並選對“業務能深度參與”的工具，是破局的關鍵。 智能體實施，是從“概念設計”到“價值交付”的實戰環節，可拆解為四個環環相扣的步驟，每一步都直指“落地效率

自動駕駛 , 機器人 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

chenzhuodeyagao 頭像

沉着的牙膏 - 醫療行業數據安全管理方案 ——低誤差 · 場景化 · AI驅動 · 高效合規的醫療數據安全建設新路徑

概要：醫療行業的數據安全管理，已成為數字化醫療高質量發展的關鍵基石。隨着醫療信息化、智能化進程的加快，從電子病歷、互聯網診療到醫保數據共享，數據已成為醫療機構最核心的生產要素。如何在保證數據可用的同時，確保安全、合規與高效，是當前醫療行業共同面臨的挑戰。本方案以“低誤差識別、場景化落地、AI驅動智能決策、高效合規治理”為核心特徵，構建了一套覆蓋醫療數據全生命週期的安全管理體系。通過非侵入式採集、智

API , 深度學習

收藏 評論

openbayescom 頭像

OpenBayes - 教程上新丨MIT等推出BindCraft，直接調用AF2，實現蛋白質結合體的智能化設計

在生命體系中，蛋白質很少單獨發揮其生物學功能，而是依賴於蛋白質-蛋白質相互作用（PPI）來執行復雜的生物學過程。因此，設計能夠特異性靶向和調控 PPI 的蛋白質結合物具有巨大的治療和生物技術潛力。 然而，傳統的蛋白質結合物生成方法，例如免疫接種、抗體庫篩選或定向進化，通常費力費時，並且對靶位的控制有限。 計算蛋白質設計提供了一種強大的替代方案，能夠根據特定靶標和結合位點定製結合物。而早期計算方法（

機器學習 , 自然語言處理 , 教程 , 人工智能 , 深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 總線死鎖驗證方法

在複雜SoC 設計中，總線死鎖是一類嚴重影響系統可靠性的問題：多個模塊因相互等待資源而陷入永不響應的“僵局”。本文介紹先進的驗證策略，結合具體案例，幫你係統掌握如何早期發現並避免總線死鎖。 1、什麼是總線死鎖？ 當多個組件互相等待彼此持有的總線資源，形成循環等待，導致系統無法繼續操作，這就是總線死鎖。尤其在多核、多請求源的環境中，檢測並解決死鎖至關重要。 2、驗證技術詳解

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 緩存一致性驗證秘笈

在多核 SoC 設計中，緩存一致性（Cache Coherence）驗證 是保障數據一致性與系統性能的基石。本文深入解析高級驗證策略，結合實戰案例，系統講解如何在設計早期高效捕捉潛在一致性問題。 1、形式驗證 — 數學級確保一致性 形式驗證通過數學模型與狀態空間窮舉來驗證緩存協議，各種邊界場景都不放過。 實踐案例：某半導體廠商採用 Cadence JasperGold，對多核處理器的緩

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - 大模型強化學習的熵控制：CE-GPPO、EPO與AsyPPO技術方案對比詳解

LLM的強化學習訓練最近進展很快，SOTA模型在各種推理benchmark上的表現確實亮眼。但更值得關注的其實是另一條信息——從Rutgers到Alibaba再到HKUST，這些研究團隊正在攻克的是RL領域的一個老大難：怎麼控制好熵，同時避免模型退化成毫無用處的確定性輸出。 三篇新論文給出了不同角度的解法：CE-GPPO、EPO和AsyPPO。雖然切入點各有不同，但合在一起就能發現它們正在重塑大規

llm , 強化學習 , 人工智能 , 深度學習

收藏 評論

nizi_60e514d097c9a 頭像

MIAOYUN - MIAOYUN | 每週AI新鮮事兒（10.17-10.24）

本週AI領域動態頻出，百度、阿里、DeepSeek推出高效OCR與視覺語言模型，提升文檔解析與多模態能力；騰訊、字節跳動分別開源世界模型與3D生成模型，推動3D內容生成；Anthropic、OpenAI、Google升級AI工具，聚焦生命科學、瀏覽器集成與開發體驗；華為鴻蒙6、宇樹機器人H2及多項評測基準發佈，推動AI向終端與實體場景加速落地，一起來回顧本週發生的AI新鮮事兒吧！ AI 大模型 百

機器學習 , 機器人 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

rivers_chaitin 頭像

百川雲開發者 - 告別信息混亂！用 PandaWiki 打造企業專屬 AI 知識庫，效率提升的秘密武器

你有沒有遇到過這樣的情況： 新員工入職第一天，HR 發了一堆文檔鏈接，結果打開全是"404 Not Found"； 技術同事想找某個項目的部署説明，翻遍了各個文件夾也沒找到； 客户諮詢產品參數，銷售只能一邊百度一邊磕磕絆絆地回答... 這些問題的背後，其實都指向同一個痛點：企業缺乏一個統一、智能、易用的知識管理體系。 今天，我們就來聊聊如何用 PandaWiki 搭建一套真正能解決問題

人工智能 , 深度學習

收藏 評論

huamingshixunkeji 頭像

華明視訊科技 - 鐵路車號識別裝置：賦能鐵路貨運智能化的核心

在現代化鐵路貨運管理中，效率與準確性是衡量運營水平的關鍵尺度。傳統依賴人工抄錄車號的方式，不僅效率低下、成本高昂，更因人為因素導致數據不準，已成為制約礦區、編組站、貨運站等場景智能化升級的瓶頸。鐵路車號識別裝置，正是為解決這一核心痛點而生的智能化解決方案。 什麼是鐵路車號識別裝置？ 鐵路車號識別裝置是一套基於前沿人工智能深度學習技術的自動化識別系統。它通過高清圖像捕捉與智能分析，對貨運

機器學習 , 圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 高效掌握 RTL 合成，助力 IC 設計提速

在現代IC 設計流程中，RTL 合成扮演着至關重要的橋樑角色：將程序員或設計者編寫的RTL 描述（多用Verilog/VHDL 編寫）轉化為符合工藝庫的門級netlist，從而實現後續的物理實現和驗證。 1、RTL 合成關鍵流程解析 合成階段 説明 Technology Mapping（技術映射） 選擇目標工藝庫中的標準單元（如與門、觸發器、多路選擇器等）來實現RTL 中

觀點 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

tecdat 頭像

拓端tecdat - Python企業投標策略優化研究:Monte Carlo、貝葉斯決策、遺傳算法、層次分析法AHP動態評分系統構建應用

全文鏈接：https://tecdat.cn/?p=44146 原文出處：拓端數據部落公眾號 分析師：Dandan Cao 在市場經濟中，招投標是企業獲取項目資源的核心環節，但傳統投標決策常受限於主觀經驗——要麼依賴專家評分導致公平性存疑，要麼因缺乏量化工具難以平衡風險與收益。作為數據科學家，我們團隊在服務某建築集團投標優化諮詢項目時發現，僅靠人工分析的投標方案，中標率比行業均值低1

機器學習 , 數據挖掘 , 算法 , 人工智能 , 深度學習

收藏 評論

tecdat 頭像

拓端tecdat - 專題：2025中國汽車行業Data+AI數智化轉型與全球化白皮書|附340+份報告PDF、數據儀表盤彙總下載

原文鏈接：https://tecdat.cn/?p=44154 原文出處：拓端抖音號@拓端tecdat 2025年中國汽車行業正處於“技術攻堅+成本承壓+全球化擴張”的關鍵期，從車端安全到供應鏈成本，從核心技術到研發模式，從後市場效率到海外佈局，每個環節都面臨“破局”需求。安全芯片作為車聯網安全的核心，需適配多場景需求；關税擾動推高進口成本，企業亟需本地化降本；液冷散熱技術成為高温、振動工

機器學習 , 數據挖掘 , 算法 , 人工智能 , 深度學習

收藏 評論