tag 深度學習

標籤
貢獻335
454
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 - AI引領天貓測試流程變革：從人工操作到智能化的實踐經驗與落地案例

在AI時代，天貓技術質量團隊不斷探索如何在測試全流程中引入AI，提升效率、保障質量，並實現可管理化、可溯化的測試流程。本文將結合實踐經驗，分享AI在測試鏈路中的落地方案和技術架構思路。 1️⃣ 測試體系變革：從人工到AI自動化 傳統測試工作鏈條主要包括五大核心階段： 需求解析 → 用例生成 → 測試數據構造 → 執行驗證 → 對比校驗 AI的引入目標：通過自然語言理解和大模型驅動

AI , 測試數據 , 人工智能 , 深度學習 , 自動化測試

收藏 評論

congweibiaobaidemalingshu 頭像

小白獅ww - 32B 參數還能本地跑？Flux.2-dev 這次是真的把「大模型」玩明白了

過去的開源圖像模型有點像一櫃子分科工具：這一個負責生成，那一個負責編輯，想讓角色不崩還得再上個微調模型，流程又長又碎。而Flux.2-dev的出現就像突然給你塞了一把真正能幹活的 AI 瑞士軍刀——一句話能畫圖，一張圖能修改，幾張參考圖還能自動融合成統一風格，整套流程一個模型就走通了，再也不用東拼西湊。 更讓人驚訝的是，它明明有 32B 參數，卻因為量化和推理優化做得非常激進，居然能在 RT

算法 , 自然語言處理 , 教程 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - mmBERT：307M參數覆蓋1800+語言，3萬億tokens訓練

mmBERT是一個純編碼器架構的語言模型，在1800多種語言、3萬億tokens的文本上完成了預訓練。它的架構設計借鑑了ModernBERT，但又加入了不少創新點，比如逆掩碼比率調度和逆温度採樣。而且研究團隊還把1700多種低資源語言放在了衰減階段加入訓練，這個策略帶來了相當不錯的效果提升，充分利用了那些數據量本身就不大的語言資源。 模型架構 整體架構和ModernBERT保持一致，但換成

bert-language-model , 神經網絡 , 人工智能 , 深度學習

收藏 評論

u_15654855 頭像

此星光明 - NLDAS 主要強迫數據 L4 小時 0.125 x 0.125 度 V2.0 (NLDAS_FORA0125_H) 位於 GES DISC

NLDAS Primary Forcing Data L4 Hourly 0.125 x 0.125 degree V2.0 (NLDAS_FORA0125_H) at GES DISC 簡介 本數據集包含北美陸地數據同化系統（NLDAS-2）第二階段的主要逐時強迫數據“文件 A”。數據採用 1/8 度網格間距，時間範圍從 1979 年 1

機器學習 , 數據 , 人工智能 , 深度學習 , 插值 , Css , 前端開發 , HTML

收藏 評論

u_16060192 頭像

HyperAI超神經 - 跨學科創新遠超人類？AI科學家提假設/做實驗/發頂會開啓科學研究新範式

2024 年 8 月，由 Transformer 論文作者之一 Llion Jones 創立的 Sakana AI 公司宣佈推出全球首位「AI 科學家（AI Scientist）」， 通過自主生成研究想法、設計實驗、編寫代碼、執行實驗乃至撰寫論文，並藉助「AI 審稿人」對結果進行評審與改進，形成了完整閉環的科研生態系統。今年 3 月，該系統產出的一篇計算機科學論文通過了 ICLR 202

AI , 人工智能 , 深度學習

收藏 評論

pannideniupai 頭像

雨大王 - 工業互聯網工廠大腦：如何從數據混沌到智能協同？

在現代化工廠裏，每天產生的數據量簡直能嚇人一跳。想象一下，一座大型汽車工廠在一天之內，可能就積累了上億條來自設備、生產線、供應鏈等各個系統的數據。這些數據看似龐大，卻往往像散落的拼圖一樣，格式不一、標準缺失，難以形成統一的分析框架。這種情況，就是所謂的“數據混沌”，也是全球製造業數字化轉型中普遍存在的難題。而解決這一問題的關鍵，正是讓數據從“雜亂無章的原材料”轉變為“可直接使用的工業語言”。

人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - LLM-as-a-judge有30%評測偏差？這篇論文給出修復方案

用LLM給LLM打分，這個看起來很聰明的做法正在讓AI評估變得不可靠。KRAFTON AI的這個工作直指當前LLM評估體系的軟肋：作為評判者的語言模型本身就帶有系統性偏差，而這種偏差在Chatbot Arena等主流基準測試中可以達到30%左右。也就是説排行榜上那些令人興奮的性能提升，有相當一部分可能是評估方法的偏差。 評判機制的運作方式 LLM-as-a-judge就是讓一個語言模型去評價另一個

llm , 神經網絡 , 人工智能 , 深度學習 , llama

收藏 評論

u_16970152 頭像

求知上進 - Python函數中的關鍵字詳細介紹

1.前言 1.1 關鍵字參數的概念與核心價值 在Python函數設計中，關鍵字參數是一種強大而靈活的參數傳遞機制，它允許調用者使用參數名稱來指定值，而非依賴於參數在函數定義中的位置順序。這種設計極大提升了代碼的可讀性和維護性，尤其在處理具有多個可選參數的函數時。關鍵字參數的核心價值在於提供一種明確、意圖-driven的參數綁定方式，避免了位置參數可能帶來的混淆和錯誤。

默認參數 , 人工智能 , 深度學習 , ide , Python

收藏 評論

gpustack 頭像

GPUStack - GPUStack v2：推理加速釋放算力潛能，開源重塑大模型推理下半場

2025 年是大模型推理技術發展的關鍵之年。自年初 DeepSeek R1 發佈引發全民關注以來，推理框架加速需求暴漲，推理優化的戰場驟然升温。以 vLLM、SGLang、MindIE 為代表的高性能推理引擎，以及 FlashInfer、FlashAttention、ATB 等底層加速庫不斷突破性能瓶頸，相比年初，部分前沿框架的推理性能提升已達 3 到 4 倍以上。 隨着 Agent 應用的爆發和

generative-ai , llm , 容器 , 人工智能 , 深度學習

收藏 評論

aigoto 頭像

逐夢AI - 基於YOLOv8的罌粟檢測識別項目（違法作物巡查檢測）｜完整源碼數據集+PyQt5界面+完整訓練流程+開箱即用！

基於YOLOv8的罌粟檢測識別項目（違法作物巡查檢測）｜完整源碼數據集+PyQt5界面+完整訓練流程+開箱即用！ 覆蓋不同生長階段、光照條件和拍攝角度，旨在幫助研究者識別植物特徵、開展自動化識別與分類研究。 ⚠️ 重要説明： 僅用於科研、教育與植物識別用途，嚴禁用於非法種植、打擊或其他與毒品執法相關的場景。 請遵守相關法律法規，合理、合規地使用數據。 任務目標：識別圖像中的罌粟植

深度學習

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【Triton 教程】Libdevice (tl_extra.libdevice) 函數

Triton 是一種用於並行編程的語言和編譯器。它旨在提供一個基於 Python 的編程環境，以高效編寫自定義 DNN 計算內核，並能夠在現代 GPU 硬件上以最大吞吐量運行。 更多 Triton 中文文檔可訪問 →https://triton.hyper.ai/ Triton 可以調用外部庫中的自定義函數。在這個例子中，我們將使用 libdevice 庫在張量上應用 asin 函數。請參考以下鏈

機器學習 , 人工智能 , 編譯器 , 深度學習 , 後端

收藏 評論

suki_6936aa00b8c61 頭像

AI代碼猴 - 解碼GEO公司推薦：是“調參俠”的狂歡，還是“工程派”的黎明？

當企業決策者搜索“GEO公司推薦”時，他們真正尋找的答案，其實指向一個更根本的選擇：您是需要一個能快速提供“AI搜索優化”服務的供應商，還是一個能為您在AI時代構建長效認知資產的技術夥伴？這個選擇的核心，在於辨識服務商背後的技術哲學——是追求短期效率的 “調參俠” ，還是投資長期確定性的 “工程派” 。 第一章：抉擇的十字路口——“調參俠”的陷阱與“工程派”的承諾 在深入任何公司推薦前，我們必須理

深度學習

收藏 評論

u_16213572 頭像

技術領航探索者 - 深度學習yaml文件檢測類別可以是中文嗎

一、背景：數據及配置文件之爭 數據及文件通常有三種類型： 配置文件型：如ini，conf，properties文件，適合存儲簡單變量和配置項，最多支持兩層，不適合存儲多層嵌套數據 表格矩陣型：如csv，excel等，適合於存儲大量同類數據，不適合存儲層級結構的數據 多層嵌套型：如XML，HTMl，JSON、

字符串 , yaml , 人工智能 , 深度學習 , Python

收藏 評論

u_17512334 頭像

疆鴻智能研發中心 - ETHERCAT轉MODBUS協議轉換網關：激光切割設備高效協同的“隱形橋樑”

ETHERCAT轉MODBUS協議轉換網關：激光切割設備高效協同的“隱形橋樑” 在激光切割與雕刻等高精度工業設備領域，設備間的協同效率直接決定了加工精度與生產效率。其中，工作台的精準移動、鏡頭的微米級調節，均依賴伺服電機的精確控制；而電機轉速的穩定性則需變頻器通過調節輸出頻率（如50Hz/60Hz匹配）來保障，避免因頻率偏差導致的定位誤差或電機過熱。在這一複雜系統中，ETH

協議轉換 , 人工智能 , 深度學習 , ETHERCAT , 網關 , 工業自動化 , Modbus

收藏 評論

u_16099269 頭像

落筆成詩 - 深度學習中的多尺度融合是什麼

論文地址：https://arxiv.org/abs/1504.06375 現有的多尺度多層次的神經網絡 　　多尺度學習可以在神經網絡中，以越來越大的感受野和下采樣的形式，每個層中學習的特徵表示是多尺度的，另一方面在神經網絡之外，也可以通過例如調整輸入圖像的尺度獲得多尺度信息。 多尺度學習的可能配置 　　 　　multi-stream lea

神經網絡 , 深度學習中的多尺度融合是什麼 , 權重 , 人工智能 , 深度學習 , 網絡流

收藏 評論

u_16099331 頭像

墨色天香 - 【乾貨】​深度學習中的線性代數 -

1. 線性代數是什麼？ 線性代數是數學的一個重要分支，主要研究向量、矩陣、線性方程組和線性變換等概念。如果把深度學習比作一棟高樓，那麼線性代數就是這棟高樓的"鋼筋骨架"——它雖然不直接可見，卻支撐着整個建築的結構穩定性。 1.1 基本數學對象 在深度學習中，數據通常以以下幾種形式表示： 標量(Scalar)：單個數字，比如温度值25℃或者商品價格

特徵值 , 權重 , 後端開發 , 深度學習 , Python

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 地平線/智源/字節/凌川科技齊聚上海，共探編譯器優化新進展

2023 年，HyperAI超神經在北京、上海、深圳舉辦了 4 場 Meet TVM 線下聚會，聚集了超 1 千位資深從業者及愛好者，逐步建立了豐富的社區生態。 2024 年，HyperAI超神經聚焦 AI 編譯器領域，繼續為業內人士提供開放的交流平台，在今年 7 月舉辦了 Meet AI Compiler 技術沙龍的第 5 期。如今，2024 年接近尾聲，大模型賽道激戰未停，AI 編譯器有哪些新

ai開發 , 人工智能 , 編譯器 , 深度學習 , 編譯器優化

收藏 評論

deephub 頭像

deephub - AI Agent工作流實用手冊：5種常見模式的實現與應用，助力生產環境穩定性

很多人認為使用AI Agent就是直接扔個提示詞過去，然後等結果。做實驗這樣是沒問題的，但要是想在生產環境穩定輸出高質量結果，這套玩法就不行了。 核心問題是這種隨意的提示方式根本擴展不了。你會發現輸出結果亂七八糟，質量完全不可控，還浪費計算資源。 真正有效的做法是設計結構化的Agent工作流。 那些做得好的團隊從來不指望一個提示詞解決所有問題。他們會把複雜任務拆解成步驟，根據不同輸入選擇合適的模型

llm , 神經網絡 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - 從零構建短視頻推薦系統：雙塔算法架構解析與代碼實現

刷短視頻本來只想看幾分鐘，不知不覺一個多小時就沒了。每條視頻都恰好戳中你的興趣點，這種精準推送背後其實是一套相當複雜的工程架構。 這種"讀心術"般的推薦效果並非偶然。驅動這種短視頻頁面的核心引擎，正是業內廣泛採用的雙塔推薦系統（Two-Tower Recommendation System）。 本文將從技術角度剖析：雙塔架構的工作原理、為何在短視頻場景下表現卓越，以及如何構建一套類似的推薦系統。

推薦系統 , 神經網絡 , 知識 , 人工智能 , 深度學習

收藏 評論

u_17562481 頭像

思考的袋鼠 - 自適應分類的可落地規模化政府部門數據分類分級解決方案

概要： （提示：本章節概述解決方案的核心價值與落地成效，幫助讀者快速理解方案全貌。） 在數字政府建設快速推進的背景下，政務數據已成為政府提升治理能力、優化公共服務的重要資源。然而，政務數據存在“多源異構、跨域流轉”特點，分散於各委辦局業務系統和電子政務雲中，傳統人工管理難以應對海量數據資產的識別和分類需求。針對這一痛點，全知科技提出的“知源-AI數據分類分級系統”，以

數據 , 數據安全 , 人工智能 , 深度學習 , 複用

收藏 評論

chenzhuodeyagao 頭像

沉着的牙膏 - AI與網絡安全的較量：主動防禦時代的策略與實踐

一、人工智能下隱藏的威脅 1.1 數據污染 在訓練階段，一旦AI數據集被惡意篡改（如加入虛假信息、重複數據或偏置樣本），模型可能在關鍵場景中出現嚴重誤判。典型案例包括：被植入木馬的面部識別系統只需識別到特定飾品便會放行；而自動駕駛車輛即便在日常運行中表現正常，也可能在看到某個特定信號後觸發預設木馬，導致危險行為。 1.2 門檻降低 生成式AI顯著降低了發動複雜攻擊的技術門檻

深度學習

收藏 評論

qingfouai 頭像

青否Ai - 傳統員工 vs AI數字人：不露臉也能火的‘超級員工’是什麼來頭？

在辦公室裏，每天早上打卡、穿上西裝、坐在工位上忙得不亦樂乎的你，是否曾想象過有一天，你的工作會被一個“不露臉”的AI數字人取代？這個聽起來像是科幻電影的情節，如今正在一步步成為現實。從製造業到客服中心，從金融行業到教育培訓領域，這些“不露臉”的AI員工正以驚人的效率和穩定性，悄然改變着我們的工作方式。 但別擔心，這篇文章並不是要告訴你“AI會搶走你的飯碗”，而是想帶你一起看看：什麼是AI數字人？它

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

u_6478076 頭像

郭傳志的博客 - 深入理解DeepResearch

傳統RAG 與搜索 傳統RAG的缺點 根據閾值判斷相似性產生誤差 DeepResearch定義 DeepResearch系統架構 本文包含：--> -->

搜索 , 人工智能 , 深度學習

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【Triton 教程】triton.language.advance

Triton 是一種用於並行編程的語言和編譯器。它旨在提供一個基於 Python 的編程環境，以高效編寫自定義 DNN 計算內核，並能夠在現代 GPU 硬件上以最大吞吐量運行。 更多 Triton 中文文檔可訪問 →triton.hyper.ai/ triton.language.advance(base, offsets) 推進 1 個塊指針。 參數： base- 要推進的塊指針。 off

機器學習 , 算法 , 知識 , 人工智能 , 深度學習

收藏 評論