机器学习

CANN在自动驾驶感知中的应用：构建低延迟、高可靠多传感器融合推理系统在高级别自动驾驶（L3+）系统中，感知模块是车辆的“眼睛”与“大脑”。它需在100毫秒内融合来自摄像头、毫米波雷达、激光雷达的异构数据，输出精确的环境理解——包括车辆、行人、车道线、交通标志等。这一过程对实时性、鲁棒性与能效比的要求近乎苛刻：任何一帧的延迟或误检，都可能危及安全。

autoware-1:安装环境cuda/cudnn/tensorRT库函数的判断命令：输出：命令：输出：命令：输出：两种方法方法1：方法2：windows 版本liunx 版本

大模型面试题：混合精度训练的缺点是什么我整理好的1000+面试题，请看大模型面试题总结-CSDN博客或者https://gitee.com/lilitom/ai_interview_questions/blob/master/README.md

CANN ops-math 应用指南：从零搭建高效、可复用的自定义 AI 计算组件CANN（Compute Architecture for Neural Networks）作为面向AI异构计算场景的核心架构，其算子库体系是支撑AI模型高效运行的底层基石。ops-math作为CANN仓库中专注于数学类计算算子的核心项目，聚焦于线性代数、数值计算、概率统计等基础数学运算的高性能实现，为上层AI模型的矩阵运算、梯度求解、损失计算等核心环节提供标准化、高优化的计算接口。

CANN与联邦学习融合：构建隐私安全的分布式AI推理与训练系统在医疗、金融、政务等高敏场景中，数据孤岛与隐私法规（如GDPR、HIPAA）严重制约了AI模型的迭代与部署。传统中心化训练需汇聚原始数据，面临合规风险；而纯本地推理又难以持续优化模型。联邦学习（Federated Learning, FL）虽提供了一种“数据不动模型动”的范式，但其通信开销大、设备异构性强、推理-训练割裂等问题，阻碍了实际落地。

HyperAI超神经

在线教程｜DeepSeek-OCR 2公式/表格解析同步改善，以低视觉token成本实现近4%的性能跃迁在视觉语言模型（VLMs）的发展进程中，文档 OCR 始终面临着布局解析复杂、语义逻辑对齐等核心挑战。传统模型大多采用固定的「左上到右下」栅格扫描顺序处理视觉 token ，这种刚性流程与人类视觉系统遵循的语义驱动型扫描模式相悖，尤其在处理含复杂公式、表格的文档时，容易因忽视语义关联导致解析误差。如何让模型像人类一样「读懂」视觉逻辑，成为提升文档理解能力的关键突破口。

程序员清洒

CANN模型剪枝：从敏感度感知到硬件稀疏加速的全链路压缩实战CANN组织链接：https://atomgit.com/cann ops-nn仓库链接：https://atomgit.com/cann/ops-nn

液态不合群

推荐算法中的位置消偏，如何解决？1.Recommending What Video to Watch Next: A Multitask Ranking System（google）

B站_计算机毕业设计之家

豆瓣电影数据采集分析推荐系统 | Python Vue Flask框架 LSTM Echarts多技术融合开发毕业设计源码计算机博主介绍：✌全网粉丝10W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌ > 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

02-YOLO-v8-v9-v10工程差异对比在真实项目里，版本差异往往不是“论文上的小改动”，而是会直接影响工程交付。最常见的是训练脚本不通用：同样的数据集和超参，v8 能跑，v9/v10 可能直接报错或指标波动大。其次是推理接口不一致：导出格式、输入输出张量名称、后处理入口发生变化，导致线上集成反复改动。第三类是性能预期不匹配：同样的显卡与 batch，v10 可能更快但精度略变，v9 可能更准但速度略慢。最后是复现困难：不同版本的默认增强、损失函数与后处理策略不完全一致，导致“配置看起来一样，结果却不一样”。

Anchor-free检测器全解析：CenterNet vs FCOS在目标检测领域，Anchor-based方法曾如“预制模板”般主导市场——通过手动设计大量锚框覆盖图像，再修正模板以匹配目标。但这种方式如同用固定尺码的模具生产零件，既依赖经验调参，又存在冗余计算、小目标适配差等痛点。为打破桎梏，Anchor-free（无锚框）思路应运而生，其中**CenterNet（中心点检测）** 与**FCOS（全卷积单阶段检测）** 作为两大主流范式，分别代表了“关键点驱动”与“像素级回归”的核心逻辑。本文将从原理对比、前沿改进、现存挑战三个维度，拆解两种模型的优劣与演进方向，助

要给 OCR 装个脑子吗？DeepSeek-OCR 2 让文档不再只是扫描如何形容现在市面上普遍的 OCR 呢？可能你已经习惯了它的「固执」——无论文档布局多复杂，它总是老老实实从左到右、从上到下扫一遍。遇到双栏论文还好，碰上跨页表格或者公式脚注混排，输出结果往往乱得让人头疼。这不是识别不准，而是理解方式出了问题。

机器学习算法原理与实践-入门（三）：使用数学方法实现KNN在前两篇文章中，我们已经掌握了KNN算法的理论基础和各种距离计算方式。今天，我们将进入真正的实践环节——不使用任何机器学习库，仅凭数学方法和Python基础功能，从零开始实现一个完整的KNN分类器。这个过程会让你真正理解算法的每个细节，而不仅仅是停留在"调用API"的层面。

Python 后端三剑客：FastAPI/Flask/Django 对比与 LLM 开发选型指南【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

B站_计算机毕业设计之家

豆瓣电影推荐系统 | Python Django Echarts构建个性化影视推荐平台大数据毕业设计源码（建议收藏）✅博主介绍：✌全网粉丝10W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌ > 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

啊阿狸不会拉杆

《机器学习导论》第 5 章-多元方法目录章节核心思维导图5.1 多元数据核心概念完整代码（多元数据基础操作）代码运行效果5.2 参数估计核心概念

铁蛋AI编程实战

MemoryLake 实战：构建超长对话 AI 助手的完整代码教程大模型原生上下文窗口存在固定长度限制（如 GPT-3.5 4k/16k、通义千问 8k），无法直接支持超长对话场景（如百轮以上连续交互、跨天对话记忆），而MemoryLake是针对大模型对话记忆的轻量化解决方案，通过分层记忆架构、增量向量存储、智能记忆融合核心机制，突破上下文窗口限制，实现超长对话的精准记忆与高效交互。

[论文阅读] AI | 用机器学习给深度学习库“体检”：大幅提升测试效率的新思路Molina F, Naziri M M A, Qin F, et al. Improving Deep Learning Library Testing with Machine Learning[C]//AST ’26: Proceedings of the 2026 ACM SIGSOFT International Symposium on Software Testing and Analysis. Rio de Janeiro: ACM Press, 2026.

大模型面试题：大模型的训练和推理中显存和计算量的情况我整理好的1000+面试题，请看大模型面试题总结-CSDN博客或者https://gitee.com/lilitom/ai_interview_questions/blob/master/README.md