深度学习

深度学习day-1pytorch相比于tensorflow是动态的，api丰富张量中, 只能是数值或者布尔值.每个圈代表一个神经元

【建模先锋】

卷积网络（视觉模型）发展史：从 CNN 到 Vision Transformer，再到视觉 Mamba 的主干演化全景图做故障诊断、时间序列预测，你是不是还默认把 ResNet 当成第一选择？这当然没错。ResNet 经典、稳定、好用，到今天依然是很多工业场景里的强基线。

DeepLearningYolo

UNet架构训练输电线路、输电杆塔、水泥杆和输电线路木头杆塔的语义分割模型检测输电线路分割UNet架构训练输电线路、输电杆塔、水泥杆和输电线路木头杆塔的语义分割模型检测输电线路分割首先确保已经安装了必要的依赖库：

第一次尝试微调一，什么是微调相对专业的解释就是在已完成大规模预训练（Pre-training）的基础模型上，使用特定任务、特定领域或特定格式的标注数据集，进行进一步的参数优化训练，使模型在保留通用知识与基础能力的前提下，更好地适配下游具体任务，提升任务精度、响应一致性与领域适配性。

深度学习 —— Pytorch目录一、张量和numpy 转换二、张量运算三、张量的索引四、张量的计算函数五、张量形状改变六、张量的拼接

程序员小嬛

中科院一区TOP：用于求解偏微分方程的物理信息神经网络前沿创新思路小伙伴们好，我是小嬛。专注于人工智能、计算机视觉、AI大模型领域相关分享研究。【目标检测、图像分类、图像分割、目标跟踪等项目都可做，相关领域论文辅导也可以找我；需要的可联系（备注来意）】

一只废狗狗狗狗狗狗狗狗狗

机器学习与深度学习理论入门概述人工智能包括机器学习包括深度学习，深度学习就是神经网络模型机器学习就是将万事万物转化为“数”的格式，并且在其中找到“模式/规律”

llm大模型算法工程师weng

模型训练与知识蒸馏：从大模型到轻量级情绪分析系统在上一篇文章中，我们实现了基于BERT的情绪分析模型，准确率高达92-95%。然而，BERT模型参数量巨大（基础版110M参数），推理速度慢，难以部署到边缘设备或实时系统中。知识蒸馏（Knowledge Distillation）应运而生——它能让“学生模型”学习“教师模型”的知识，在保持较高准确率的同时，大幅降低模型大小和推理延迟。

【机器学习】回归 Regression回归是一种监督学习方法，主要用于预测连续值。Regression is a supervised learning method mainly for predicting continuous values.

云和数据.ChenGuang

机器学习之预测概率问题我直接给你讲最核心、最本质的原因，保证你一看就懂！你代码里这两行：一个是“做过的题得分”，一个是“没做过的新题得分”，当然不一样！

AI人工智能+

表格识别技术通过深度学习与计算机视觉，实现复杂表格的自动化解析与结构化输出表格作为人类社会传递、存储结构化数据的核心载体，广泛存在于纸质文档、电子扫描件、图片、PDF 等各类介质中。从政务审批表单到金融财务报表，从医疗检验报告到企业生产台账，表格以规整的行列结构承载着高价值的核心数据。然而长期以来，非结构化介质中的表格数据提取高度依赖人工录入，不仅效率低下，还易出现人为误差，成为文档数字化与数据价值挖掘的核心瓶颈。表格识别系统正是为解决这一痛点而生，它基于深度学习与计算机视觉技术，可自动提取各类结构化或半结构化表格中的文字和布局信息，实现复杂表格内容的精准解析和表格结构的版面还

ET-BERT 文献逐句精读与深度解析本文是 2022 年 WWW 会议（CCF A 类顶会）发表的加密流量分类领域里程碑式论文，首次针对加密流量特性设计了专属 Transformer 预训练架构，在 VPN/Tor/TLS1.3 等高隐蔽加密流量分类任务上实现了 SOTA 突破，尤其对工业界 VPN 检测落地具有极强的指导价值。

郝学胜-神的一滴

ReLU激活函数全解析：从原理到实战，解锁深度学习核心激活单元在深度学习的世界里，激活函数是神经网络的灵魂，它为模型赋予非线性表达能力，让网络能够拟合复杂的数据分布。而ReLU（Rectified Linear Unit，修正线性单元）凭借极简的设计、高效的运算，成为当下深度学习领域最主流、最常用的激活函数，没有之一！今天我们就从原理、公式、导数、优势、缺陷、变体到代码实战，全方位拆解ReLU，带你吃透这个深度学习必备组件✨。

【深度学习 | 输入数据】张量在这里插入图片描述总结区分：在整个预处理代码中，list（列表）扮演的是**“临时收集用的塑料袋”，而 NumPy Array 扮演的是“最终送入产线的标准集装箱”**。

春末的南方城市

SIGGRAPH 2026 | 加州大学&Adobe提出首个可控全景视频生成框架OmniRoam，单图实现360°无限漫游，长时全景视频生成新SOTA。在视频生成领域，传统透视视频模型受限于视角和场景覆盖范围，难以实现高质量的长距离场景漫游。为了解决这一问题，加州大学尔湾分校、加州大学圣地亚哥分校及Adobe Research等机构的研究人员共同提出了OmniRoam，这是一种可控全景视频生成框架，通过利用全景表示的丰富单帧场景覆盖率和长期时空一致性，实现了高质量的长距离场景漫游。OmniRoam不仅在视觉质量、轨迹可控性和长期全局一致性方面表现出色，还拓展了实时生成和3D重建的应用边界。

从 Prompt 到智能体系统：Function Calling、Memory 与 Synthetic RAG 的全栈解析在早期，人们把大模型当成一个“更聪明的搜索引擎”。但随着能力演进，大模型逐渐变成：可编排、可扩展、可训练的计算核心

Ollama 全方位深度剖析：大模型时代的“Docker化”革命、算力普惠基础设施与安全边界重构报告版本：v1.0 终极深度版分析基准日期：2026年4月16日分析对象：Ollama 本地大模型运行时与生态系统

视觉Transformer实战 | Swin Transformer详解与实现Swin Transformer 是基于 Transformer 的视觉骨干网络，其核心思想是通过分层特征映射和移位窗口 (Shifted Windows) 注意力机制设计，实现了更高的计算效率和更好的性能。本文将详细介绍 Swin Transformer 的技术原理，并使用 PyTorch 从零开始实现 Swin Transformer 模型。

特征选择实战：方差、卡方、互信息法筛选有效特征在机器学习与数据挖掘的实际应用中，我们常常面临一个令人困扰的问题：数据集中动辄成百上千个特征，但其中真正对预测目标有价值的可能寥寥无几。过多的冗余特征不仅会显著增加模型训练的计算成本，还可能导致“维度灾难”——随着特征维度增加，数据在空间中的分布变得异常稀疏，模型更容易陷入过拟合，泛化能力不升反降。

大模型微调进阶：多任务微调实战大模型微调进阶：多任务微调实战一、什么是多任务微调？二、多任务微调的数据组织三、多任务微调的训练策略四、任务选择与任冲突五、从单任务到多任务：一个渐进路径