tag pytorch

標籤
貢獻30
130
01:36 PM · Nov 05 ,2025
deephub 頭像 u_16380863 頭像 yuhaibao324 頭像 u_15214399 頭像 u_12855 頭像 u_16213580 頭像 chaoshenjinghyperai 頭像 u_13259 頭像 u_16213670 頭像 u_17590470 頭像 u_16213655 頭像 u_16213596 頭像

@pytorch / 博客 RSS 訂閱

u_16213596 頭像

mob64ca13fb6939 - 目標檢測（五）之YOLOv1

【算法介紹】 在航空運輸安全保障要求持續升級、對機場運行精細化管控需求愈發迫切的背景下，傳統機場跑道異物檢測方式已難以應對複雜多變的跑道環境。基於YOLOv11的機場跑道異物檢測系統應運而生，為航空領域帶來了高效、精準的異物排查解決方案。 該系統具備強大的多類型異物識別能力，可精準識別金屬碎片（metal debris）、小石子（small

數據集 , yolo , pytorch , 後端開發 , 人工智能 , txt文件 , harmonyos

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：四十八、從單體智能到羣體智能：A2A協議如何重塑人機協作新範式

一、開篇導語 我們對A2A已經有了初步的瞭解，但對具體使用可能還充滿了很多疑問，今天我們結合具體的實例來加深對A2A實際應用的理解，想象這樣一個場景：我們要組織一場户外籃球賽，需要同時考慮天氣狀況、場地預約、參與人員時間安排等多個因素。在傳統模式下，這需要我們分別查看天氣預報、聯繫場地管理員、逐個確認參與者時間——一個典型的多系統、多步驟的繁瑣過程

天氣查詢 , yyds乾貨盤點 , API , pytorch , 人工智能 , A2A , Json

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：四十一、大模型思維鏈提示工程：技術原理與行業應用案例分析

一、前言 隨着模型在自然語言理解、文本生成等基礎任務上的性能持續突破，其在複雜問題解決場景中的推理能力不足逐漸成為技術落地的關鍵瓶頸。儘管主流模型在單一任務中展現出接近甚至超越人類的表現，但在需要多步驟邏輯推演、數學運算或因果關係分析的複雜任務中，往往因缺乏明確的推理路徑而產生錯誤結論或表面化回答。這種推理能力的侷限性，本質上反映了大模型在處理非線性、多約束問題時對中間推理

思維鏈提示 , 推理過程 , API , pytorch , 人工智能 , Json

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

yingjundeshubiao 頭像

英俊的鼠標 - PyTorch深度學習開發醫學影像端到端判別項目完結無密

PyTorch深度學習開發醫學影像端到端判別項目完結無密這個標題太有分量了👇🏻ke🍊：xingkeit點top/9070/！“無密分享”和“完結”這兩個詞，直接定義了這篇文章的價值——它不是一份普通的項目總結，而是一份為後來者照亮前路的實戰地圖。 從“深度學習醫療落地”這個宏大命題出發，這篇文章可以聚焦於連接“算法模型”與“臨牀價值”之間的那條最關鍵、也最崎嶇的路。 跨越“技術-醫學”鴻

觀點 , pytorch , 深度學習

收藏 評論

u_16213580 頭像

雲端行者 - [Arxiv | 論文簡讀] 稀疏混合專家融合是領域泛化的學習者 -

文章目錄 模塊結構與功能解析 分佈式處理機制 關鍵計算流程 設計意義分析 class MoE(nn.Module): """ Mixture-of-Experts (MoE) module. Attribute

開發語言 , pytorch , 後端開發 , 人工智能 , 深度學習 , harmonyos , Python

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - TorchVision Transforms API 大升級，支持目標檢測、實例/語義分割及視頻類任務

內容導讀：TorchVision Transforms API 擴展升級，現已支持目標檢測、實例及語義分割以及視頻類任務。新 API 尚處於測試階段，開發者可以試用體驗。 本文首發自微信公眾號：PyTorch 開發者社區 TorchVision 現已針對 Transforms API 進行了擴展， 具體如下： 除用於圖像分類外，現在還可以用其進行目標檢測、實例及語義分割以及視頻分類等任務；

API , pytorch , 人工智能 , transform

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：十一、語義分析Gensim — 從文本處理到語義理解的奇妙之旅

一、Gensim是什麼？ 想象一下你面對成千上萬篇中文文章，想要快速瞭解這些文章主要討論什麼話題，或者找到相似的文檔，甚至讓計算機理解詞語之間的語義關係，並發現文本中的相似模式和語義結構，這就是Gensim的主要用途。Gensim非常高效，即使處理百萬級的文檔也能遊刃有餘。 Gensim是一個專門用於自然語言處理的Python庫，它的核心功能是： 從大

預處理 , sed , pytorch , 人工智能 , 詞向量

收藏 評論

u_13259 頭像

kekenai - 計算機視覺-分類問題(classification)：二分類，多分類，多標籤多分類 （pytorch）

二分類和多分類的區別 都是one-hot編碼格式的話：多分類是[[]] 兩個【】，二分類是[] 一個【】 多分類的簡易模式： 可能會出現非01的例如[1, 0, 2] 也就是多分類，1的位置索引可能在3個不同的位置 這是多分類的one-hot表示（2個樣本，3個類別）,一個樣本有三個位置(1可能會出現3個位置)，就

多分類 , 神經網絡 , pytorch , 深度學習 , Css , 前端開發 , HTML , Python

收藏 評論

u_16213670 頭像

mob64ca140d2323 - AIGC與多模態AI區別 多模態算法

本週論文包括Meta AI提出了一種名為 data2vec 的自監督學習新架構，在多種模態的基準測試中超越了現有 SOTA 方法；谷歌、MIT 等提出分類器可視化解釋方法 StylEx等。 目錄 data2vec: A General Framework for Self-supervised Learning in Speech,

sed , 算法 , pytorch , AIGC與多模態AI區別 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - PyTorch推理擴展實戰：用Ray Data輕鬆實現多機多卡並行

單機 PyTorch 模型跑推理沒什麼問題，但數據量一旦上到萬級、百萬級，瓶頸就暴露出來了：內存不夠、GPU 利用率低、I/O 拖後腿，更別説還要考慮容錯和多機擴展。 傳統做法是自己寫多線程 DataLoader、管理批次隊列、手動調度 GPU 資源，這哥工程量可不小，調試起來也麻煩。Ray Data 提供了一個更輕量的方案：在幾乎不改動原有 PyTorch 代碼的前提下，把單機推理擴展成分佈式

pytorch , 人工智能 , 深度學習

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：四十六、Codebuddy MCP 實踐：用高德地圖搭建旅遊攻略系統

一、前情概要 前面有兩篇文章分別講了高德API的使用和MCP的詳細説明，今天正好基於此做一個智能的旅遊攻略助手，旅遊是生活中習以為常的事情了，短期近程、長期遠程，規劃是個很重要的事情，我們或多或少的經歷過旅遊過程中的各種不好的體驗，當前旅遊信息市場也存在嚴重的碎片化問題，一般我們在規劃行程時，需要同時查閲攜程、美團、馬蜂窩、小紅書等多個平台，每個平

AIGC二三事 , 高德地圖 , 數據 , API , pytorch , mcp , 人工智能

收藏 評論

u_17590470 頭像

今晚加個牛腿吃 - PyTorch 全面介紹

和靈活的定製化能力為核心優勢，已成為深度學習領域最主流的框架之一，廣泛應用於科研、工業界的模型研發與落地，尤其在計算機視覺、自然語言處理、強化學習等方向佔據核心地位。 核心優勢 1. 動態計算圖（Dynamic Computational Graph） PyTorch 採用「即時執行」（Eager Execution）模式，計算圖隨代碼運行動態構建，支持在運行時

數據集 , 數據 , pytorch , 人工智能 , 深度學習

收藏 評論

u_16213655 頭像

mob64ca1409970a - pytorch 餘弦相似度與mseloss結果對比

聚類分析之K-means算法 文章目錄 聚類分析之K-means算法 一.距離度量和相似度度量方法 1.距離度量 2.相似度 二.K-means算法原理 1.選取度量方法 2.定義損失函數 3.初始化質心 4.按照樣本到質心的距離進

聚類 , 相似度 , pytorch , 聚類分析 , 人工智能

收藏 評論

openbayescom 頭像

OpenBayes - Open-AutoGLM 實現手機端自主操作；PhysDrive 數據集採集真實駕駛生理信號

公共資源速遞 5 個公共數據集： FirstAidQA 急救知識問答數據集 PhysDrive 駕駛員生理測試數據集 PolypSense3D 息肉尺寸感知數據集 Envision 多階段事件視覺生成數據集 Care-PD 帕金森三維步態評估數據集 8 個公共模型： SAM 3 Z-Image-Turbo Ovis-Image-7B Ministral-3-14B Lon

機器學習 , pytorch , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：五十四、智能投資顧問的兩種實現：反應式與深思式實踐策略對比

一、項目介紹 前面幾篇內容重點討論了智能體的相關知識點，特別對反應式和深思式做了深入的探討，今天結合智能投資顧問的實例，繼續深入探討基於反應式與深思熟慮式兩種架構的實現方式，重點討論兩種架構的設計理念、技術實現和應用場景。 通過詳細的對比分析和實際案例展示，進一步揭示兩種架構在用户體驗、處理深度和商業價值方面的差異化優勢，同時為金融機構構建新一代智能投顧系統提供了全面

規則引擎 , 智能體 , 私藏項目實操分享 , pytorch , 響應時間 , 人工智能 , Json

收藏 評論

u_16213678 頭像

mob64ca140ee96c - Mobile SDK V4demo運行後怎麼進入

一、準備下載工具 現在NVIDIA提供了SDKManeger的工具，相比於之前的Jetpack界面 SDKManager下載 官方參考教程 我這裏下載的是SDK manager1.1.0版本 sudo dpkg -i sdkmanager_1.1.0-6343_amd64.deb 安裝完成之後運行軟件

機器學習 , pytorch , 人工智能 , Machine , 深度學習 , 用户名 , Ubuntu

收藏 評論

yuhaibao324 頭像

DeepSeaAI - RAG（檢索增強生成）分類與開發框架

RAG（檢索增強生成）分類與開發框架 概述 RAG（Retrieval-Augmented Generation）是一種結合檢索機制與大型語言模型的技術範式，通過從外部知識源檢索相關信息來增強生成模型的準確性和可靠性。 一、RAG 分類體系 1. 按架構分類 類型 特點 適用場景

數據集 , 分塊 , pytorch , 人工智能 , 開發框架

收藏 評論

u_12855 頭像

西門吹雪 - 正則化損失函數代碼 pytorch

前言 L1、L2在機器學習方向有兩種含義：一是L1範數、L2範數的損失函數，二是L1、L2正則化 L1範數、L2範數損失函數 L1範數損失函數： L2範數損失函數： L1、L2分別對應損失函數中的絕對值損失函數和平方損失函數 區別： 分析： robust: 與L2相比，L1受異常點影響比較小，

稀疏矩陣 , pytorch , 損失函數 , 人工智能 , 正則化損失函數代碼 pytorch , 權值

收藏 評論

yuhaibao324 頭像

DeepSeaAI - 智能體（Agent）的分類與開發框架V2

智能體（Agent）的分類與開發框架 一、智能體（Agent）的實現類型 根據能力與形態，Agent主要分為4類： 1. 通用型Agent 具備跨任務、自主決策能力，能拆解複雜目標並調用工具完成（如AutoGPT、BabyAGI），核心是目標驅動+自主迭代。 2. 知識型Agent 專注於知識檢索與利用（結合RAG技術），擅長處理專業文檔、領域知識類任務（如基於L

API , pytorch , 加載 , 人工智能 , 示例代碼

收藏 評論

zengjingaiguodekaomianbao 頭像

曾經愛過的烤麪包 - 2025刷屏事件背後：一場正在席捲每個人的“能力革命”

當AI一夜之間撼動美股，機器人登上春晚舞台，你我的未來，其實早已被重新書寫。 時光飛逝，2025年僅餘最後一月。回望這一年，從DeepSeek的技術突破到《哪吒2》的文化出圈，從春晚機器人扭秧歌到神舟凱旋的家國自豪——每一次刷屏，都是時代車輪滾過的深深印跡。 這些瞬間不只停留在熱搜，它們共同拼貼出一個正在加速運轉的世界。而在所有宏大敍事的背後，一場關乎每個人職業生涯的“能力革命”，已悄然拉開序幕。

pytorch , 機器人 , 人工智能 , 深度學習 , 後端

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：五十九、特徵工程：數據預處理到特徵創造的系統性方法

一、何謂特徵工程 特徵工程是數據科學中的關鍵環節，其核心目標是將原始的、雜亂的數據轉化為機器學習模型能夠有效理解和利用的格式。這個過程可以類比於將生鮮食材烹飪成美味佳餚的完整流程。 想象一下，您從市場採購回各種生鮮食材：帶泥的土豆、未處理的豬肉、整根的大葱、未開封的調味料。如果直接將這些東西端給客人，他們根本無法食用。同樣地，原始數據對機器學習模型而言就如同這些未處理

AIGC二三事 , pytorch , 特徵工程 , 人工智能 , 機器學習模型

收藏 評論

u_15444 頭像

gulaotou - 【Pytorch學習筆記2】Pytorch的主要組成模塊_pytorch模塊介紹

PyTorch 2.x 引入的 torch.compile 是核心優化工具，旨在解決 PyTorch 中圖形捕獲準確性問題，通過底層技術棧將 PyTorch 程序加速，同時標誌着 PyTorch 從依賴 C++ 向 Python 主導的編譯架構過渡。 一、核心定位 torch.compile 並非獨立工具，而是隸屬於 torch.compil

pytorch , 後端開發 , 人工智能 , 機器碼 , Python

收藏 評論

u_16099243 頭像

代碼探險家 - 《PyTorch深度學習》筆記（1）_51CTO博客

目錄 摘要 激活函數 1.階躍函數 2.sigmod函數 3.Tanh函數 4.ReLu函數 代碼實踐 1.階躍函數 2.sigmod函數 3.tanh函數 4.ReLu函數 摘要 本篇文章學習尚硅谷深度學習教程，學習內容是激活函數的代碼部分包括階躍函數

激活函數 , pytorch , 深度學習 , Css , 階躍函數 , 筆記 , 前端開發 , HTML

收藏 評論