dnn

DNN二分类示例关键点：weights=[0.9, 0.1]：故意制造不平衡，模拟真实场景。stratify=y：保证训练/测试集类别比例一致，否则测试集可能没有正样本。

【计算机视觉入门】基于 dlib 与 OpenCV 的三大案例：人脸检测、年龄性别预测与疲劳检测三个案例均基于 Python 3，主要依赖以下库：说明：dlib 在 Windows 上直接 pip install 可能失败，推荐直接下载对应 Python 版本的预编译 wheel 文件离线安装（可在 GitHub 的 dlib releases 或 pyradiomics 的 wheel 仓库找到对应 cp3x + win_amd64 的预编译包）。

中科院提名者

深度学习语音增强架构演进的具体原因，从DNN开始深度学习语音增强（Deep Learning-based Speech Enhancement, DL-SE）从 2012–2013 年左右诞生至今，经历了数次重大的架构与范式演进。

在学了加油

阿尔茨海默病诊断（优化特征选择版）基于随机森林的特征重要性评估医疗数据集往往包含数十个维度的生理指标，其中很多可能是冗余或相互干扰的。本周我们引入了RandomForestClassifier（随机森林）。它不仅能做分类，更重要的是，它能通过计算信息增益等方式，评估出每一个特征对最终诊断结果的“贡献度”（Feature Importances）。

【DNN】Llama 3.2 1B模型LORA微调与QAIRT部署由于是为了演示LORA的训练流程，这里选择1000个数据集。即使用一下命令`python convert_dataset.py --input alpaca_gpt4_data_zh.csv --output-dir . --max-samples 1000

萌动的小火苗

深度神经网络中，梯度消失和梯度爆炸的根本原因是什么？有哪些解决方法？【文末含面试万能总结】在深度学习训练过程中，除了过拟合、收敛慢、不收敛等常见问题，梯度消失、梯度爆炸是限制深度网络层数、导致深层网络无法训练的核心底层问题。很多新手在搭建深层CNN、DNN、Transformer网络时会发现：浅层参数更新正常、损失正常下降，而深层网络参数几乎不更新，或是训练几步权重直接NaN、模型彻底崩溃。

DRN（深度强化学习推荐网络）一句话概括：DRN 是一个基于 Deep Q-Network（DQN）的强化学习推荐框架，它将推荐系统建模为一个智能体（Agent）与用户环境（Environment）持续交互的过程。核心思想是不仅仅优化当前点击率（短期奖励），更要优化用户长期留存（长期累积奖励）。

注意力机制注意力机制，是深度学习中的一项关键技术，它让模型能够像人一样，在处理大量信息时，自动聚焦在最重要的部分。

【DNN】基于llama.cpp的Qwen3-0.6B量化部署微调3.3 模型转换

OpenCV 5.0 重磅发布：全面技术深度解析从 C++ API 现代化到 ONNX 原生支持，OpenCV 5 带来了十年来最大的架构变革OpenCV 迎来了具有里程碑意义的 5.0 版本，这是一次彻底的重构。过去的 DNN 模块在处理 Transformer 等现代模型时显得力不从心，为此新版本完全重写了推理引擎，将 ONNX 算子支持率从 23% 大幅提升至 80% 以上，并且原生支持大语言模型（LLM）和视觉语言模型（VLM）的推理。在性能方面，CPU 上的推理速度是 PyTorch 原生模式的 2.3 倍，GPU 上也提升了 1.8 倍，同

进击切图仔

确保深度神经网络在训练过程中的数值稳定性为了确保深度神经网络在训练过程中的数值稳定性（避免梯度消失或爆炸），需要合理地选择权重初始值和激活函数。经典的 Xavier初始化（针对 tanh）和 He初始化（针对 ReLU）正是基于保持前向传播和反向传播过程中方差一致的原则推导出来的。下面还原整个推导过程。

天天代码码天天

用 OpenCV 5 DNN 跑 PP-OCR：一个适合新手学习的 C++ 动态库 + C# 可视化测试项目最近在整理 OCR 项目时，我把原来基于 ONNX Runtime DirectML 的 PP-OCRSharp 项目，重新做了一版基于 OpenCV 5 DNN 推理的实现：

DNN Transformer SNN 这几个模型的对比和应用场景前景好了，两张图配合下面的讲解，一次讲透。包括早期的全连接网络、CNN（卷积神经网络）、RNN（循环神经网络）等。

脑启在类脑计算大方向树突神经元模型人工神经网络（DNN）和脉冲神经网络（SNN）方面的工程化实现不同于tranformer“脑启” 是中国电子科技南湖研究院（简称南湖研究院）旗下的类脑计算品牌，核心思路就一句话：不跟 GPT 比参数多少，而是比谁更接近人脑的工作方式。

OpenCV联合C++/Qt 学习笔记(二十五)----加载深度神经网络模型及深度神经网络模型的使用getLayer()

深度神经网络的反向传播与梯度优化原理本文深入讲解深度神经网络中反向传播（Backpropagation）与梯度优化（Gradient Optimization）的核心机制，并通过一个具体的 Python 实现示例，完整展示从前向传播到参数更新的全过程。

不会编程的-程序猿

深度神经网络中不同激活函数、不同归一化的区别与使用归一化总原则归一化的核心目的，是把特征分布控制在更稳定的范围内，让训练更容易、梯度更稳定、不同层之间更好配合。而不同归一化方法，统计均值和方差的维度不同，这决定了它们适合不同类型的网络。

Trompt：迈向更优质的深度神经网络，用于表格数据1、本研究介绍了Trompt，一种用于表格数据分析的新型网络架构。Trompt 利用提示学习来确定单个样本中不同的特征重要性。

计算机视觉——疲劳检测、基于DNN的年龄性别预测疲劳检测是一类通过分析人体行为（如眼睛闭合、头部姿态、打哈欠等）来判断个体是否处于疲劳或注意力不集中的技术。它在驾驶员监控、驾驶安全、课堂学员状态检测、远程办公督导等场景中具有重要应用价值。本文以基于人脸关键点的眼睛纵横比（EAR, Eye Aspect Ratio）方法为基础，详细介绍原理、代码实现、参数调优等。

光电的一只菜鸡

《PyTorch深度学习建模与应用（参考用书）》（三）——深度神经网络深度学习是当下热门的机器学习研究方向，它是使用深层架构的机器学习的方法，已经广泛应用于人工智能所涉及的众多领域，例语音识别、计算机视觉、自然语言、在线广告等，作为深度学习框架的PyTorch可以在该领域中大展宏图。