tag 深度學習

標籤
貢獻335
542
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_12995 頭像

kcoufee - 深度學習模型儀表讀取

目錄 前言 課題背景和意義 實現技術思路 一、錶盤區域定位算法 二、Mask R-CNN 網絡模型分析 三、錶盤區域定位算法改進與實現 實現效果圖樣例 最後 前言 📅大四是整個大學期間最忙碌的時光,一邊要忙着備考或實習為畢業後面臨的就業升學做準備,一邊要為畢業設計耗費大量精力。近幾

課程設計 , 算法 , 人工智能 , 深度學習 , 深度學習模型儀表讀取 , Javascript

收藏 評論

u_17583190 頭像

fangpin - AI Agent 設計原則與最佳實踐

Agent 設計準則 三大準則： 透明：讓用户感知 Agent 的存在，以及其行為 可控：用户可以設置 agent的偏好，並對 Agent 進行指令，以及監控其行為 一致性：Agent 行為保持一致，避免用户對 Agent 行為產生困惑 透明性設計 透明性要求 Agent 在交互過程中清晰表達其意圖、能力和限制： 身份標識：Agent

agent , langgraph , langchain , 人工智能 , 深度學習 , deep agent

收藏 評論

openbayescom 頭像

OpenBayes - 教程上新丨基於AI手勢識別，僅用CPU即可定製形態多變的3D聖誕樹

裝飾聖誕樹幾乎成了每個家庭迎接節日時不可或缺的一環，彩燈一圈圈繞上樹枝，掛件、照片慢慢填滿空隙，燈亮起的那一刻，節日的氛圍也隨之到位。 隨着聖誕節臨近，小貝也為大家置辦了一棵「賽博聖誕樹」。3D Christmas Tree 是由 moleculemmeng020425 開源的一個基於 React, Three.js（R3F）和 AI 手勢識別 Web 應用。 基於 AI 手勢識別，用户可以輕鬆用

圖像識別 , 自然語言處理 , 教程 , 人工智能 , 深度學習

收藏 評論

JavaEdge 頭像

JavaEdge - Gemini 3 開啓智慧新時代

近兩年前，我們開啓了 Gemini 時代，這是公司史上規模最大的科學與產品計劃之一。自那時起，看到大家如此喜愛它，實在令人振奮。“AI 總覽”如今每月有 20 億活躍用户。Gemini 應用程序每月活躍用户超過 6.5 億，超過 70% 的雲客户正在使用我們的 AI，更有 1300 萬名開發者利用我們的生成式模型進行開發——而這僅僅是我們的影響力之一隅。 得益於我們在 AI

yyds乾貨盤點 , google , 應用程序 , 人工智能 , 深度學習 , 開發者

收藏 評論

JavaEdge 頭像

JavaEdge - Dify數據遷移和版本升級

0 前言 如未曾安裝過 Dify 社區版，可以直接克隆 Dify 項目，並切換至 1.0.0 分支。參考文檔執行安裝命令。 如需在社區版體驗插件功能，需將版本號升級≥ v1.0.0。本文將為你介紹如何從舊版本升級至 v1.0.0 以體驗插件生態功能。 開始升級吧！分步驟： 1 備份數據 1.1 新建備份分支 運行 cd 命令至你的 Dify 項

yyds乾貨盤點 , flask , 人工智能 , 深度學習 , Docker , ide

收藏 評論

u_13259 頭像

kekenai - whisper使用npu

自從 WP7.1之後，windows phone 開放一些後台調用，包括音樂，鬧鐘，播放器等，相信在做windows phone開發時，有可能會調用後台， 恰好我們的軟件工程中需要用到鬧鐘提醒功能，現在就把具體的細節一步一步告訴大家。 包括實現多項提醒，存儲和顯示等功能。 1. 簡介 Reminder是我們Microsoft Academic Search (M

windows , whisper使用npu , xml , 構造函數 , 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(5)MoE

MoE(Mixture of Experts,專家混合模型）)是當前大模型（尤其是 GPT-4、Gemini、Mixtral、DeepSeek 等）架構中非常核心的一個概念。 MoE 的思想非常直白：不同的 專家/Expert 只負責處理自己擅長的那一類輸入，而不是讓整個模型的所有參數都去處理所有任務。 也就是説： 一個 MoE 模型內部其實

指尖人生 , llm , 人工智能 , transformer , 深度學習 , MoE

收藏 評論

openbayescom 頭像

OpenBayes - 跨語言智能再升級！Multi-LMentry 打造多語理解新基準；Nemotron-Personas-USA重塑虛擬人畫像生成

公共資源速遞 5 個公共數據集： Life Style Data 生活方式數據集 Multi-LMentry 多語言基礎任務評測基準 Nemotron Personas USA 美國人物畫像數據集 The Diabetes Health Indicators 糖尿病健康指標數據集 Global Earthquake-Tsunami Risk 全球地震海嘯風險評估數據集 訪問官網立即使

機器學習 , 圖像識別 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

u_17580222 頭像

mb691327edb400f - 當AI成為同事：HR的“戰鬥力”正在被重新定義

當AI成為同事：HR的“戰鬥力”正在被重新定義 過去十年，HR的競爭聚焦於勤奮度與溝通細緻度；進入AI時代，競爭核心轉變為能否讓AI成為自身“戰鬥力”。行業調查顯示，超68%的企業認為“AI正在改變招聘崗位結構”，超54%的招聘流程將實現自動化，HR的價值也從“做事”轉向“決策”。 一、傳統招聘的現實困境 傳統招聘面臨諸多難題：面

自動下載 , 沉浸式 , ATS , 人工智能 , 深度學習

收藏 評論

u_16099164 頭像

碼海舵手 - 網上閲卷系統最新功能-網上網下結合閲卷

隨着人工智能、計算機視覺和大數據技術的飛速發展，傳統的人工閲卷方式已經無法滿足現代教育對考試評分效率和準確度的高要求。智能答題卡閲卷系統應運而生，成為一種高效且精準的解決方案。通過圖像處理與數據分析技術，智能閲卷系統不僅能夠自動化識別答題卡中的選項標記，還能通過深度學習等先進算法進行高效評分，大大提高了閲卷速度和準確性。 然而，儘管智能答題卡閲卷系

圖像處理 , 後端開發 , 人工智能 , 數據分析 , 深度學習 , 計算機視覺 , Python

收藏 評論

u_16566216 頭像

美狐美顏SDK小金 - 美顏SDK算法工程師實踐筆記：濾鏡與特效模塊的可維護性設計

作為一個深耕美顏SDK的算法工程師，我常常會遇到一種“技術人的倔強”：只想把效果做到極致，卻往往忽略了另一個決定產品壽命關鍵點的要素——可維護性。 尤其在濾鏡、特效模塊這種更新頻率高、參與人員多、跨平台適配複雜的領域，如果項目結構沒設計好，後續每加一個濾鏡都像“拆房子換電線”。 為了不讓團隊被自己寫的代碼折磨，我開始整理這些年來的踩坑經驗，最終總結出一套更

視頻美顏sdk , 美顏api , 人工智能 , 直播美顏sdk , 深度學習 , 第三方美顏SDK , 在51CTO的第一篇博文 , 美顏SDK

收藏 評論

u_16060192 頭像

HyperAI超神經 - 從乾洗店到伊麗莎白女王工程獎，李飛飛逆行硅谷技術神話，聚焦AI去人性化風險

2025 年春，普林斯頓大學物理學學士、加州理工學院計算神經科學博士李飛飛教授榮獲「伊麗莎白女王工程獎（Queen Elizabeth Prize for Engineering）」，這一獎項被視為「工程領域的諾貝爾獎」。評審團表彰了李飛飛在計算機視覺與深度學習中的奠基性工作，認為她的研究「讓機器第一次以接近人類的方式看見世界」。 「工程不止是算力與算法，更是責任與共情。」李飛飛在領

人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - 從零開始：用Python和Gemini 3四步搭建你自己的AI Agent

很多人第一次看到 AI Agent 自己編輯文件、跑代碼、修 bug，還能一直運行下去的時候,都覺得挺神奇。其實遠沒有想象中那麼複雜。這裏沒什麼秘密算法,也沒有什麼"智能體大腦"這種玄學概念。 AI Agent核心就三件事：循環 + LLM + 工具函數。 如果你會寫個 while True 循環？那基本就算成功一半了。 這篇文章會完整展示怎麼用 Gemini 3 搭一個真正能用的 Agent：從

llm , agent , 教程 , 人工智能 , 深度學習

收藏 評論

tecdat 頭像

拓端tecdat - 專題：2025AI產業全景洞察報告：企業應用、技術突破與市場機遇|附920+份報告PDF、數據、可視化模板彙總下載

原文鏈接：https://tecdat.cn/?p=44391 原文出處：拓端抖音號@拓端tecdat 2025年，AI產業已邁入“上游算力支撐-中游技術突破-下游應用落地”的全鏈路爆發期。生成式AI重構企業運營效率，對話式AI優化人機交互體驗，AI視頻生成開闢內容創作新賽道，而算力芯片與生態建設則成為支撐產業前行的核心底座。但繁榮背後，產業鏈各環節仍面臨結構性矛盾：中小企業落地遭遇“技能

機器學習 , 數據挖掘 , 算法 , 人工智能 , 深度學習

收藏 評論

u_17398435 頭像

zhanghada - AI Ping 上新限免：GLM-4.7 與 MiniMax-M2.1 實測對比

引言：AI Ping上新雙旗艦，一站式免費解鎖國產大模型核心能力 在大語言模型（LLM）的落地應用中，“AI Ping”已成為衡量模型實用價值的核心指標——它並非傳統網絡的連通性檢測，而是針對LLM的響應效率、內容質量、資源消耗的綜合探測體系。當前，AI Ping平台重磅上新兩款國產旗艦模型並開放體驗：智譜AI GLM-4.7與MiniMax-M2

API , Max , 人工智能 , 深度學習 , 官網

收藏 評論

u_17241003 頭像

瀾極美顏SDK - 深入剖析美顏SDK中美妝功能的實現原理

打開直播軟件輕點屏幕，口紅顏色隨滑動條實時變化，腮紅自然暈染在蘋果肌上，眼影的珠光效果還會隨光線角度閃爍——這已是當下音視頻應用的基礎操作。從歐萊雅“千妝魔鏡”開啓虛擬美妝先河，到如今屈臣氏等線下門店普及的AR試妝魔鏡，美妝功能已從單純的“畫面美化”升級為“沉浸式體驗”核心模塊。某美顏SDK服務商的數據顯示，集成美妝功能的應用，用户停留時長平均提升35%，電商直播場景的化

人臉檢測 , 區域分割 , 人工智能 , 深度學習

收藏 評論

u_17512334 頭像

疆鴻智能研發中心 - 船舶製造中的工業網絡融合：EtherNetIP與CC-Link的橋樑構建

EtherNet/IP與CC-Link的橋樑構建 1 項目背景：多品牌PLC系統造成的生產孤島 某大型船舶製造廠在擴建生產線的過程中，面臨着典型的工業自動化系統整合難題。廠內原有大量三菱PLC通過CC-Link網絡控制各類專用設備，而在新增的焊接機器人工作站和智能倉儲系統中，則採用了羅克韋爾ControlLogix系列PLC，基於EtherNet/IP協議通信。兩大系

協議轉換網關 , 工業通訊 , CC LINK , ETHERNET IP , 人工智能 , 深度學習 , 工業自動化

收藏 評論

u_16099304 頭像

藍夢之翼 - TensorFlow學習筆記9-深度模型的優化

一、TensorFlow特性與優勢 TensorFlow 是一個開源深度學習框架，核心優勢包括： 計算圖與自動微分：支持複雜模型訓練和梯度計算 多平台支持：CPU、GPU、TPU 可無縫切換 豐富生態系統：TensorBoard 可視化訓練，TF Hub 提供預訓練模型 靈活模型部署：支持移動端、服務器端和雲

數據 , tensorflow , intellij-idea , 深度學習 , 前端開發 , Javascript

收藏 評論

u_15675190 頭像

冰淇淋紅茶Q - 具身智能驅動：基於魔琺星雲SDK構建高擬真AI面試官

在當前人工智能的浪潮中，大語言模型（LLM）已展現出強大的認知與邏輯推理能力。然而，其交互界面卻長期受限於一個簡單的文本或語音輸入框。這種抽象且割裂的單維表達，本質上缺乏一個能與人類進行自然、生動交互的視覺或物理載體，尤其在需要傳遞情感、適應情境、展現意圖的場合中，顯得疏離而單薄。 面對這一日益顯著的人機交互鴻溝，具身智能（Embodied AI）正成為彌合認知與體驗的關鍵

雲平台 , 3d , 人工智能 , 深度學習 , 模態

收藏 評論

deephub 頭像

deephub - 從貝葉斯視角解讀Transformer的內部幾何：mHC的流形約束與大模型訓練穩定性

Scaling Laws 已經成為深度學習領域的共識：更大的模型配合更多數據效果往往更好。但當參數量攀升至百億乃至千億級別時一個棘手的問題是：訓練不穩定性。 現代大語言模型動輒堆疊數十甚至上百層，殘差連接、跳躍連接、跨層路由機制層出不窮。這些架構設計背後的邏輯就是為了改善梯度流、加快收斂、提升參數利用率。但是在實踐中這些技在大規模訓練時卻經常出現問題：損失函數突然飆升、梯度爆炸、表徵坍塌、訓練動態

神經網絡 , 人工智能 , 深度學習

收藏 評論

youyacao 頭像

卓伊凡 - 【03】番茄12月新規後為什麼「驗證期沒流量」的作者會突然變多？卓伊凡解析

四、為什麼“以前能過，現在不行”？ 因為 模型升級了。 2023 以前 重點：題材 + 爽點 容忍前期慢熱 人工干預多 2024–2025 現在 重點：即時留存 不給慢熱機會 全自動投流決策 一句話： 系統沒耐心了 五、驗證期“不給量”常見 5 種真實原因（

人工干預 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - Neural ODE原理與PyTorch實現：深度學習模型的自適應深度調節

對於神經網絡來説，我們已經習慣了層狀網絡的思維：數據進來，經過第一層，然後第二層，第三層，最後輸出結果。這個過程很像流水線，每一步都是離散的。 但是現實世界的變化是連續的，比如燒開水，誰的温度不是從30度直接跳到40度，而是平滑的上生。球從山坡滾下來速度也是漸漸加快的。這些現象背後都有連續的規律在支配。 微分方程就是描述這種連續變化的語言。它不關心某個時刻的具體數值，而是告訴你"變化的速度"。比如

神經網絡 , pytorch , 人工智能 , 深度學習

收藏 評論