深度学习

碧海银沙音频科技研究院

1-1杰理蓝牙SOC的UI配置开发方法1-1杰理蓝牙SOC的UI配置开发方法1 电源配置2 板机配置3 按键配置4 蓝牙配置5 功能配置6 升级配置

AI梯度下降与PyTorch张量操作技术指南AI梯度下降与PyTorch张量操作技术指南

动手学深度学习——样式迁移前面我们一直在学习计算机视觉中的“识别型任务”，例如：图像分类目标检测语义分割这些任务的核心都是：让模型理解图像里有什么。

Prompt Engineering进阶指南在大模型（LLM）快速发展的今天，“会不会写 Prompt”已经不再是核心问题。真正的分水岭在于：你是否理解——如何让模型“思考”。

基于深度学习YOLO的苹果采摘点图像识别苹果枝条分割识别苹果分割检测苹果茎叶分割识别果园自动化采摘设备目标识别算法第10386期数据集类别划分聚焦苹果相关核心目标，贴合农业场景实际需求，标注边界清晰。具体特点如下：类别覆盖苹果生长关键部位，满足果实与附属结构区分需求；

碧海银沙音频科技研究院

虚拟机ubuntu与windows共享文件夹(Samba共享)解决WSL加载SI工程满卡问题虚拟机ubuntu与windows共享文件夹(Samba共享)1 SI工程也放在虚拟机，加载速度比WSL快很多

小江的记录本

【Transformer架构】Transformer架构核心知识体系（包括自注意力机制、多头注意力、Encoder-Decoder结构）本文以底层核心→组件升级→整体架构→全链路流程→工程细节→产业演进的逻辑，全方位结构化梳理Transformer核心知识体系，覆盖自注意力机制、多头注意力、Encoder-Decoder结构三大核心模块，同时关联现代大语言模型的架构演进。

AI先驱体验官

债小白分析：债务优化服务的新变量、AI能否带来行业升级债务优化服务市场正在经历一场静默的变革。传统模式下，这个依赖专业律师经验和资源对接的领域，正在被AI技术重新定义。但变革的背后，是行业服务能力的升级，还是仅仅是获客噱头的换皮？本文从行业现状、AI应用、实践路径三个维度，探讨债务优化服务的新变量。

【Python深度学习】2.1. 卷积神经网络(CNN)模型理论(基础)：卷积运算、池化、ReLU函数喜欢的话别忘了点赞、收藏加关注哦（关注即可查看全文），对接下来的教程有兴趣的可以关注专栏。谢谢喵！(=･ω･=)

【大语言模型】 WizardLM：赋能大型预训练语言模型以遵循复杂指令训练大型语言模型（LLM）使用开放领域的指令遵循数据取得了巨大的成功。然而，手动创建此类指令数据非常耗时且劳动密集。此外，人类可能难以产生高复杂度的指令。本文展示了一种利用LLM而非人类来创建具有不同复杂度级别的大量指令数据的方法。从一个初始指令集开始，我们使用提出的Evol-Instruct方法，逐步将它们重写为更复杂的指令。然后，我们混合所有生成的指令数据来微调LLaMA模型，最终模型被称为WizardLM。自动化和人工评估均一致表明，WizardLM的性能优于Alpaca（基于Self-Instru

AI算法实战：逻辑回归在风控场景中的应用AI算法实战：逻辑回归在风控场景中的应用一、为什么风控偏爱逻辑回归？二、风控中的二分类任务三、特征工程：决定模型上限的关键四、模型评估：不能只看准确率五、部署与监控：模型上线只是开始

神经网络基础入门其实神经网络并没有那么复杂——它本质是模拟人类大脑的结构，通过简单的“节点”和“连接”，实现对数据的学习和预测。

【优化器】Adagrad 、RMSPorp、Adam详解Adagrad 优化算法被称为自适应学习率优化算法。之前我们讲的随机梯度下降算法，对所有参数都是使用相同的、固定的学习率进行优化的，但是不同参数的梯度差异可能很大，使用相同的学习率，效果不会很好。

对比实验Baselines记录最近跑算子学习的Baselines，需要复现很多Baselines。遇到一些迷惑的地方，这里记录一下。

小布的学习手记

深度学习里的“自动稳压器”：通俗解读批量规范化（Batch Normalization）版权声明：本文同步发布于个人博客。欢迎交流与转载，但请务必注明出处。导读：如果你正在训练深层神经网络，是否遇到过训练慢如蜗牛、学习率稍大就发散、或者网络深了就不收敛的烦恼？今天我们要聊的批量规范化（Batch Normalization，简称 BN），就是解决这些问题的“神器”。它让训练深层网络变得像搭积木一样简单。本文将抛开复杂的数学公式，用最通俗的语言带你理解它的核心原理。

具有输出LC滤波器的三相逆变器前馈神经网络模型预测控制（FFNN-MPC）针对具有输出LC滤波器的三相逆变器系统，前馈神经网络模型预测控制（FFNN-MPC）结合了神经网络强大的非线性建模能力和MPC的优化控制特性。以下是完整的理论分析、系统建模、神经网络训练和MPC实现方案。

LLM大模型认识通过上一节AI基础认知的分析，我们知道AI产生智能的三要素分别是：算法、数据、算力。本质来说，AI的智能还是基于各种数学计算产生的。

AI人工智能+

炫彩活体检测技术：将手机屏幕转化为动态光源，实现高安全性人脸验证在移动互联网全面渗透的今天，数字身份的真实性验证已成为安全体系的核心挑战。传统的人脸识别系统易受照片、视频甚至3D面具的攻击欺骗，而依赖动作指令的活体检测又常常带来割裂的用户体验。在此背景下，一种基于手机屏幕主动光源的炫彩活体检测技术正在重塑移动端的身份验证格局——它让手机屏幕成为一台精密的“光学生物分析仪”，在用户几乎无感知的情况下完成活体判定，并原生支持微信小程序、H5与移动端App等全平台部署。

机器学习全家族模型详解 + 关系梳理机器学习（ML）是人工智能（AI）的核心分支，所有你听过的模型，无论是传统的线性回归、XGBoost，还是深度学习里的 CNN、Transformer、GNN，全都是机器学习家族的成员，只是分属不同的分支、适配不同的场景。

智星云算力

GPU算力租用平台深度解析：响应速度、算力利用率与售后支持的核心逻辑随着AI大模型、AIGC及科学计算的高速发展，GPU算力已成为研发团队的基础设施。然而，面对市场上数十家算力租用平台，开发者常常困惑：为什么同样的显卡，训练速度差很多？为什么平台标注的配置很高，实际跑起来却频繁报错？