深度学习

入门篇--人工智能发展史-2-什么是深度学习，深度学习的前世今生？作者：Weisian | AI探索者 · 用通俗语言拆解硬核技术，理清深度学习的前世今生如果你用过 ChatGPT 写文案、用 Midjourney 画插画，或是惊叹于 AI 能精准识别图片里的物体、听懂你的语音指令，那你其实已经在享受深度学习的技术红利了。

经典论文精读第一期：DeepSeek-R1-Zero ——RL奇迹论文地址：https://arxiv.org/pdf/2501.12948通常我们训练 LLM 的范式流程是：Pretrain -> SFT (教会格式/指令) -> RLHF (对齐人类偏好)。

市政道路无人机巡检：AI视觉技术的应用与挑战AI 视觉算法系统，帮助市政道路巡检实现了高效、精准的智能化转型。无论是提升工作效率、降低成本，还是保障数据安全，我们的解决方案都能为您提供全方位的支持。

反向传播懂了懂了，还是这样好理解。。。。那么反向传播的计算呢？通过y1, y2, y3 求出x1 ?太好了！现在我们来推导反向传播的计算。这是深度学习中最核心的部分！

使用Qwen3-VL模型批量标注视频内容（视频理解）Qwen3-VL：视觉理解模型本文记录如何利用Qwen3-VL对视频内容进行批量标注，即对文件夹中的视频进行打标。

智驱力人工智能

森林防火无人机火焰监测系统构建“天空地”一体化智能防火体系无人机火焰检测，支持红色火焰检测城市高层建筑无人机火焰识别近年来，全球极端气候事件频发，森林火灾的预防与早期发现面临前所未有的压力。传统的地面巡护、瞭望塔观测等方式受限于地形复杂、视野有限、人力不足等因素，难以满足大范围、全天候的监测需求。在此背景下，森林防火无人机火焰监测系统应运而生，成为现代森林防火体系中不可或缺的“空中智慧之眼”。本文将深入探讨如何以视觉分析为核心，构建高效、智能的森林防火无人机火焰监测系统。

Coovally AI模型快速验证

无人机低空视觉数据集全景解读：从单机感知到具身智能的跨近年来，随着无人机技术的快速发展和低空经济政策的推进，无人机在智慧城市、交通巡检、应急救援等领域的应用日益广泛。然而，无人机的智能化离不开高质量视觉数据的支持。那么，当前有哪些公开的低空视觉数据集？它们又如何分类、有何特点？未来又将如何发展？

【传统JSCC+Deep JSCC】联合信源信道编码完全指南📡 通信与AI交叉领域的“革命性技术” 🎯 目标：从香农分离定理出发，讲透从传统优化到深度学习端到端传输的演进逻辑 💡 核心：打破“压缩”与“纠错”的界限，实现优雅的抗干扰传输 📅 最后更新：2025年12月

其美杰布-富贵-李

数据清理与特征工程完整指南在机器学习和深度学习项目中，数据预处理通常占据 60-80% 的时间，这是因为：原始数据往往不可直接使用

【推荐系统】深度学习训练框架（十九）：TorchRec之DistributedModelParallel推荐系统与传统CV/NLP模型相比有显著差异：DMP的核心价值：将超大嵌入表分片到多个设备，而非复制，从而突破单设备内存限制。

大语言模型实战（二）——Transformer网络架构解读这幅图是Transformer模型的核心架构图（源自经典论文《Attention Is All You Need》），同时补充了自注意力机制的计算逻辑，完整展示了Transformer的结构组成与核心模块的工作原理，是大语言模型（如GPT、BERT）的基础架构。

【推荐系统】深度学习训练框架（十七）：TorchRec之KeyedJaggedTensorKeyedJaggedTensor (KJT) 是 TorchRec v1.0 中用于表示稀疏特征的核心数据结构之一，专门设计用于高效管理多个变长特征序列。在推荐系统中，它能够同时处理用户历史点击（click_ids）、搜索词（search_ids）等多种稀疏特征，是构建大规模推荐系统的基础组件。

从电影特效到体育科学，运动追踪只能靠“人眼”吗？运动捕捉（动捕）技术，从早期电影中笨拙的尝试，到今天《阿凡达》里栩栩如生的纳威人，已经彻底改变了视觉叙事。它不仅让荧幕上的数字角色活了起来，也早已冲出摄影棚，深刻影响着体育科学、医疗康复和虚拟现实等领域。在体育赛场，它帮助分析运动员每一个细微的动作，以提升表现并预防损伤。

深度学习3:理解神经网络本文章知识来源于《深度学习入门》 (鱼书)，特此声明。可以当做读数笔记来进行阅读。灵感来自人脑，脑由 billions（上百亿）个神经元组成，它们通过突触互相连接，传递信号。

【DL】从零构建智能：神经网络前向传播、反向传播与激活函数深度解密🏠 个人主页: EXtreme35📚 个人专栏: DL导语：你是否曾对人工智能背后的“黑科技”感到好奇？是否想知道计算机是如何“学习”和“思考”的？深度学习作为人工智能的核心，其最基本的运作原理——神经网络，其实并非遥不可及的魔法。这不仅是冷冰冰的代码，更是数学与工程的优雅交响曲。我们将用通俗易懂的可视化、生动比喻和逐步拆解的代码，彻底揭开神经网络的神秘面纱，带你从零开始，亲手构建一个属于你自己的智能模型！

java1234_小锋

Transformer 大语言模型（LLM）基石 - Transformer架构详解 - 解码器（Decoder）详解以及算法实现锋哥原创的Transformer 大语言模型（LLM）基石视频教程：https://www.bilibili.com/video/BV1X92pBqEhV

无需抠图！Qwen-Image-Layered 一键分解图像图层，支持图层级精准编辑github: https://github.com/QwenLM/Qwen-Image-Layered?tab=readme-ov-file huggingface 应用: https://huggingface.co/spaces/Qwen/Qwen-Image-Layered

知识图谱与大模型融合实战：基于GNN+RAG的企业级智能问答系统摘要：本文将撕开知识图谱与LLM融合的技术面纱，从零构建一个支持复杂推理、可追溯、防幻觉的企业级智能问答系统。不同于简单RAG的向量检索，我们将实现GNN-enhanced知识图谱编码器，将结构化知识注入LLM推理过程。完整代码涵盖文档三元组抽取、GraphSAGE关系建模、图谱-文本联合检索、端到端微调等核心模块，实测在医疗问诊数据集上幻觉率降低68%，多跳推理准确率提升41%，并提供从Neo4j到线上推理的完整部署方案。

人工智能培训

国内外知名大模型及应用近年来，随着人工智能技术的迅猛发展，大模型（Large Models）已成为推动科技进步的重要引擎。大模型通常指参数量巨大、训练数据广泛、具备强大泛化能力的深度学习模型，尤其在自然语言处理（NLP）、计算机视觉和多模态任务中表现突出。国内外科技企业与研究机构纷纷投入资源研发大模型，推动其在多个领域的实际应用。本文将系统梳理国内外知名的大模型及其典型应用场景。

【GA-Net】《GA-Net: Guided Aggregation Net for End-to-end Stereo Matching》CVPR-2019github：https://github.com/feihuzhang/GANet