机器学习

深度学习＜4＞高效模型架构与优化器的“效率革命”你好，机器学习爱好者们！还记得我们在入门篇里拆解的“模型训练三要素”，以及进阶篇中啃下的“复杂模型调参秘籍”吗？相信看到这篇高阶内容的你，已经走过了“能训练、能跑通”的阶段，现在正面临新的挑战：

自动驾驶中的传感器技术77——Sensor Fusion（0）本文总结各传感器的算法传感器类型功能参数配置参数标定信号处理感知感知融合Camera可调参数设置 https://metaso.cn/search-v2/8669902464711499777

Coding茶水间

基于深度学习的学生上课行为检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的学生上课行为检测系统大家好，欢迎来到 Coding 茶水间。在智慧教育的推进中，课堂管理正从“经验驱动”走向“数据驱动”。学生的上课行为——比如低头、使用手机、举手、睡觉等——不仅关系到学习效果，也影响课堂秩序与教学质量。传统观察方式难以全程、客观地记录与分析这些行为，而人工判别又易受主观因素影响。今天我们要介绍的项目，就是基于 YOLO 算法（文中误写为 ULO，实为 YOLO）的学生上课行为检测系统，它能自动识别学生在课堂中的多种行为，把原本依赖老师巡视的定性观察，转化为可量化、可回放的

Welford 算法 | 优雅地计算海量数据的均值与方差在机器学习特征工程或数据分析中，我们经常遇到这样的场景：手头有成百上千个独立的特征文件（CSV、Parquet 或 Numpy 格式），总量达到了几百 GB 甚至 TB 级别。现在需要计算这些特征的全局统计量（平均值、方差、标准差）来进行归一化（Standardization）。然而，开发机内存只有 16GB。如果尝试简单的 pandas.read_csv() 或 numpy.concatenate() 把所有数据读入内存，程序会瞬间 OOM（Out of Memory）崩溃。面对据量 >> 内存的场景，

解决传统特征波段选择的不可解释性：2. SHAP和LIME光谱数据不仅是数字，更是物理和化学信息的载体。一个典型的光谱图包含成百上千个波长点，它们之间存在着复杂的共线性。传统的偏最小二乘法（PLS）虽然线性可解释，但在处理复杂混合物时往往力不从心。而神经网络、支持向量机等“黑盒”模型虽然精准，却容易捕捉到背景噪声或仪器漂移等虚假特征。

Day 47 - 注意力热力图 (Attention Heatmap)在深度学习中，模型往往被视为一个“黑盒”。虽然它能给出很高的分类准确率，但我们很难知道它是基于什么依据做出的判断。

MindSpore开发之路（八）：数据处理之Dataset（上）——构建高效的数据流水线在之前的实战中，我们直接使用Numpy数组作为模型输入。这种方式适用于小型实验，但当面对海量数据时，数据加载和预处理往往会成为训练的性能瓶颈。本文将引导您深入MindSpore的高性能数据处理引擎——mindspore.dataset，学习如何构建一条从磁盘到加速器（GPU/NPU）的高效、自动化的数据流水线。

人工智能驱动企业数字化转型：从效率工具到战略引擎在当今快速演进的商业环境中，数字化转型已不再是“可选项”，而是企业生存与发展的“必答题”。而在众多技术驱动力中，人工智能（AI）正从辅助工具的角色跃升为重塑企业战略的核心引擎。

自动驾驶中的传感器技术78——Sensor Fusion（1）自动驾驶传感器的“标定”（Calibration）是保证感知系统准确性的基石。如果配置是“设置功能”，那么标定就是“修正误差”和“统一坐标系”。

AAAI 2026 | 时空数据(Spatial-temporal)论文总结[上]（时空预测，轨迹挖掘，自动驾驶等）AAAI 2026将在2026年1月20日到1月27日于新加坡（Singapore）举行。AAAI 2026会议主会共有23, 680篇论文投稿，其中4, 167 篇被接收，接收率为17.6%。

LS性能边界、QR分解、RLS自适应数据矩阵：X∈RN×M，(N>M)X\in R^{N\times M}，(N>M)X∈RN×M，(N>M) 权值：w∈RM\bold w\in \R^Mw∈RM

【论文阅读】HiDDeN：Hiding Data With Deep Networks论文地址最新研究表明，深度神经网络对输入图像的微小扰动极为敏感，因此出现了 adversarial examples（对抗样本）。尽管这一特性通常被认为是学习模型的弱点，但我们探讨了它是否可能带来益处。我们发现神经网络可以学习利用无形的扰动来编码大量有用信息。事实上，人们可以利用这一能力来隐藏数据。

08 Transformers - 微调下面是我们如何在PyTorch中训练一个批处理的序列分类器：当然，只训练两个句子的模型不会产生很好的结果。为了得到更好的结果，你需要准备一个更大的数据集。

DAY 42 图像数据与显存作为零基础学习者，咱们今天不讲复杂公式，只用 “大白话 + 小例子 + 可运行代码”，把「图像数据与显存」的核心知识点拆明白。先记住一个核心比喻：机器学习训练就像开一家 “图像加工厂”，显存就是工厂的 “工作台”，我们要搞清楚工作台被哪些东西占了，以及怎么安排原料（数据）让工厂运转得又快又好。

[模式识别-从入门到入土] 高斯混合模型知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

【Stable Diffusion 3.5 FP8】1、Stable Diffusion 3.5 FP8 入门指南：为什么它能颠覆文生图效率？作为AI图像生成领域的“效率革命”之作，Stable Diffusion 3.5 FP8（以下简称SD 3.5 FP8）的发布彻底打破了文生图技术“高质量=高资源消耗”的固有认知。

长相忆兮长相忆

【推荐算法】PRM重排模型：Personalized Re-ranking for Recommendation作为推荐系统的关键环节，排序的任务是给用户提供一个有序的item列表。传统上，一个排序函数通过最优化全局表现从标注过的数据集中得到学习，它能够为每个独立的item输出一个排序分。然而，应用到每个item上的打分函数是独立的，同时也没有明确考虑item之间的相互影响及用户的偏好和意图，这可能带来一个次优解。

没有梦想的咸鱼185-1037-1663

【降尺度】基于统计方法与机器学习技术在气候降尺度中的实践应用在全球气候变化研究中，大气环流模式（GCM）虽能有效模拟大尺度气候系统演变，但其输出通常具有百公里以上的粗分辨率（>100 km），难以捕捉地形、土地利用和局地环流等关键细节，因而无法直接支撑流域水文模拟、城市热岛分析、基础设施韧性评估或生态灾害预警等精细尺度（<10 km）的应用需求。为弥合这一“尺度鸿沟”，统计降尺度（Empirical Statistical Downscaling, ESD）技术应运而生，成为连接全球气候信号与区域气候响应的重要桥梁。

[模式识别-从入门到入土] 无监督学习知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039