机器学习

哥布林学者

深度学习进阶（十八）坐标注意力 CA上一篇我们介绍了 ECA，它用一维卷积替代了 SE 中的 MLP bottleneck，用更少的参数实现了更好的通道注意力。

【NWAFU×KUL】不打扰，也能看懂一头牛：非接触式技术正在改变精准畜牧在大型牧场里，真正困难的事情，往往不是“有没有牛”，而是“能不能持续、准确地知道每一头牛正在发生什么”。

光子本源三元结构定理（《全域数学·物理原本》）【乖乖数学】作者：乖乖数学成书日期：2026年5月5日本文基于全域数学0/1/∞三元公理体系，构建了光子本源结构的层级化概念模型，并完成三维可视化呈现。该模型将光子的存在形态分解为三个自洽共生的层级：以中心“0态太极虚空奇点”为对称基准，对应光子的量子基态；以中层“1态双极偏振环”为定形基元，固化光子的偏振本征，体现粒子性；以外层“∞态双色双螺旋运化波”为运动表征，沿传播方向延展，体现波动性。

认知神经科学研究报告【20260023】本文介绍 ForeSight 5.86，一个基于并行自组织计算的认知架构。系统通过大规模并行探索、经验记忆引导和内部状态感知，在组合推理、约束满足和跨任务学习等场景中展现出稳定的认知表现。其设计灵感来源于对分布式问题求解过程的模拟，采用“竞争-共识”机制实现推理，不依赖传统神经网络或梯度优化。实验表明，该系统能够在逻辑排班、基因组单倍型分型等 NP‑hard 问题上稳定求解，同时通过融合外部语言模型实现了灵活的自然语言理解与生成。本文从认知科学角度阐述该架构的核心机制、独特贡献及当前边界。

基于集成学习的心肺听诊音自动分类系统设计与实现摘要：心肺听诊是临床诊断心肺疾病的重要手段，但传统听诊依赖医生主观经验，诊断结果易受个体差异影响。为提高心肺音分类的客观性准确性，本文设计并实现了一套基于集成学习的心肺听诊音自动分类系统。

周末也要写八哥

代码中的注释的重要性（一）小编打算用两个章节，把本文的内容给大家梳理清楚。我们先来看一段示例代码：假设此时你是一个之前从未接触过机器学习和 scikit-learn 库的新手，最近机器学习火热，你也想入门学习相关知识来拓展自己的技能宽度。

2026年5月5日英伟达股价 4 月 27 日单日暴涨 4%，收于每股 216.61 美元，总市值达到 5.26 万亿美元，把第二名谷歌母公司 Alphabet（4.24 万亿）远远甩在身后。四大超级云厂商（Meta、谷歌、微软、亚马逊）今年合计砸 7250 亿美元建 AI 基础设施，英伟达占 AI 加速芯片市场约 90% 的份额，这股热钱直接往英伟达口袋里流。

东莞AI培训课程横向对比：五家机构教学与就业质量评测随着AIGC（生成式AI）技术，特别是文生图、文生视频（如Sora2模型）及数字人技术的商用化落地，传统制造业、服务业及电商领域正面临前所未有的数字化机遇与挑战。对于东莞这座制造业名城的企业主和创业者而言，是否具备将AI工具转化为实际生产力的能力，已成为决定市场竞争力的关键因素。

我是发哥哈

东莞AI培训主流方案横向评测：5大选型维度解析在AI技术席卷各行各业的当下，“如何让AI真正落地，赋能业务增长”成为了东莞这座制造业名城中，无数中小企业主与创业者共同面临的核心课题。面对市面上层出不穷的AI培训课程与服务机构，企业主和创业者普遍陷入“选择困难症”：如何判断一个AI培训方案是“纸上谈兵”还是“实战利器”？如何确保学到的技能能立即转化为商业价值，而非仅仅是体验了几个新奇的工具？

机器学习 | 感知机 | 尚硅谷学习感知机感知机（Perceptron）是一种模拟人脑神经元的线性分类模型，是神经网络的基础结构。基本概念与历史背景感知机由美国学者弗兰克·罗森布拉特（Frank Rosenblatt）在1957年提出，是首个可学习的人工神经元模型，用于模拟人脑处理信息的方式。它接收多个输入信号，通过加权求和并加上偏置值，然后经过激活函数输出二分类结果（通常为+1或-1）。感知机的诞生标志着人工智能早期探索的重要进展，并为后续神经网络和机器学习研究奠定了基础。

【Linux系统编程】Linux基础指令（1）---一文带你了解Linux的基础指令🎈主页传送门:良木生香🔥个人专栏:《C语言》《数据结构-初阶》《程序设计》《鼠鼠的C++学习之路》《Linux系统编程》

模型独立的学习方式——自训练自训练（Self-Training），也叫自训练（Self-Teaching）或自举法（Bootstrapping），是一种非常简单的半监督学习算法[Scudder, 1965, Yarowsky, 1995]。

郝学胜-神的一滴

深度学习损失函数：从原理到实战之 Smooth L1 Loss在深度学习的模型训练中，损失函数就像是模型的 “导航仪”，决定了参数更新的方向与幅度。经典的 L1（MAE）与 L2（MSE）损失各有优劣，却在实际场景中存在难以规避的缺陷。而 Smooth L1 Loss 作为二者的 “融合升级版”，完美平衡了稳定性与收敛性，成为回归任务的首选损失函数✨，更是深度学习领域中“扬长避短”的经典设计典范！

AI项目管理实战：从开发到交付的全流程管控AI项目管理实战：从开发到交付的全流程管控一、启动阶段：先对齐“什么是成功” 二、开发阶段：用小闭环控制不确定性三、集成与测试阶段：别把模型当黑盒丢过去四、部署与上线阶段：灰度放量，留好回滚绳五、交付与迭代阶段：模型不是一次性产品

强化学习基础（赵世钰）第一章首先通过示例介绍强化学习（RL）的基本概念。然后在马尔可夫决策过程的框架下对这些概念进行形式化。网格单元：包含可通过单元格、禁止单元格、目标单元格以及边界。

欧氏距离、余弦相似度（cosin）、点积区别与用途详解（附实例）在机器学习、数据挖掘、图像处理等领域，向量的相似性度量和运算无处不在，欧氏距离、余弦相似度（常简称cosin）、点积是最基础也最容易混淆的三个概念。很多初学者会误以为它们功能相近，实则三者的核心逻辑、计算方式和适用场景差异极大。本文将从定义、公式、区别、用途四个维度，用通俗的语言+实战场景，帮大家彻底理清三者的关系，避免踩坑。

【计算机科学技术/AI领域】名词释义：词元（token）!在AI领域，词元（Token）是大语言模型处理文本时使用的基本单位。它指的是模型将输入文本分割成的一个个片段，这些片段可以是单词、子词、单个字符甚至标点符号。

这张生成的图像能检测吗

（论文速读）CPC-DG：基于分类器预测一致性和领域泛化的旋转机械跨域故障诊断方法论文题目：Cross-Domain Fault Diagnosis Method of Rotating Machinery Based on Classifier Prediction Consistency and Domain Generalization（基于分类器预测一致性和领域泛化的旋转机械跨域故障诊断方法）

nvidia nemo-toolkit框架应用问题汇总前一段时间基于nVidia nemo-toolkit 2.7.0框架进行ASR模型的训练工作，期间碰到一些应用问题，这里做个汇总记录，供大家和自己日后参考。

模型独立的学习方式——协同训练协同训练（Co-Training）是自训练的一种改进方法，通过两个基于不同视角（view）的分类器来相互促进。很多数据都有相对独立的不同视角。比如互联网上的每个网页都由两种视角组成：文字内容（text）和指向其它网页的链接（hyperlink）。如果要确定一个网页的类别，可以根据文字内容来判断，也可根据网页之间的链接关系来判断。