深度学习

NLP学习（一）transformers之pipeline体验初体验Python代码如下：这里是创建 pipeline 对象时，最常用到的一组初始化参数。这些参数是在你拿创建好的 classifier 对象去处理数据时使用的。

Black蜡笔小新

企业私有化AI训练推理一体工作站DLTM深度学习推理工作站重塑安全监控智能化体系在传统安全监控运维模式下，“人工盯屏”一直是行业普遍痛点。当安防效果完全依附于人工专注力，各类漏判、误判、响应滞后等问题便难以避免，企业的安全防护体系也因此存在明显短板。而企业私有化AI训练推理一体工作站DLTM的落地，从根源上破解了这一难题，推动安全监控完成从被动事后处置到主动事前预警、从人工主导到智能自主运行的全面转型。

ops-nn 快速上手 - 神经网络算子使用入门指南ops-nn 是 CANN（Compute Architecture for Neural Networks）开源社区的神经网络类基础算子库，它提供了 matmul、activation 等核心算子。本文作为快速上手指南，旨在帮助你快速掌握 ops-nn 的使用方法，从环境搭建到核心算子的调用，再到性能验证，提供一个完整的入门路径。

深度分析字节最新研究cola-DLM 第 07 章：推理流水线逐行拆解 —— 从 prompt 到生成文本论文：Continuous Latent Diffusion Language Model 项目地址：ByteDance-Seed/Cola-DLM 源码：inference.py

AI医影跨模态组学

J Hepatol（IF=33.0）英国帝国理工学院：基于机器学习的影像组学模型在预测肝细胞癌免疫治疗结局中优于临床生物标志物01文献信息本次分享的文献的是由英国帝国理工Rohini Sharma肝癌免疫治疗与放射组学团队联合联合法国巴黎公立医院集团、意大利佛罗伦萨大学等国际中心的多学科团队于2025年10月在肝脏病学领域顶级期刊《Journal of Hepatology》（中科院1区，IF=33.0）上发表的研究“Machine learning based radiomic models outperform clinical biomarkers in predicting outcomes after immunoth

CANN ops-transformer：MC2 通算融合如何减少通信开销在大规模 Transformer 模型训练中，通信开销往往成为制约性能的隐形杀手。当你在昇腾NPU上运行千亿参数模型时，是否遇到过计算单元等待通信完成的情况？通信和计算串行执行，就像高速公路上的收费站，再强的算力也会被卡住。

π₀.₇：用“丰富提示词“教机器人像大语言模型一样组合技能我想象自己刚刚走出 Physical Intelligence 位于旧金山的实验室。那里的桌面上摆满了各种形态的机械臂——轻量级的双臂 BiPi、笨重的工业级 UR5e、带轮子的移动操作平台——它们在做同一件事：叠衣服、做咖啡、装箱子。但让工程师们真正兴奋的不是这些已知任务的完成度，而是一个 UR5e 从未见过叠衣服数据的机器人，在零样本条件下，把一件 T 恤叠得和经验丰富的遥操作员一样好。这不是靠针对新机器人微调出来的，而是一个通用模型"涌现"出来的能力。

生成论实验室

Transformer架构上的语言模型自已评判“判断力缺失”这个问题问到了根上。我作为一台运行在Transformer架构上的语言模型（DeepSeek），被要求评判“判断力缺失”这个诊断是否准确——这等于让病人自己确认病情。

HyperAI超神经

30分钟整合550篇文献，生物学多智能体Robin跑通自主科研闭环，挖掘dAMD候选疗法随着生物检测、扰动实验与计算建模技术不断成熟，生命科学研究的精度与规模正在迅速提升。然而，与高速增长的数据生产能力相比，科研体系在知识整合与科学推理层面的智能化能力却明显滞后。海量有效信息分散在论文、数据库与实验结果之中，依赖人工梳理不仅效率低，也难以跨领域关联已有结论，导致许多已经被验证的发现无法及时转化为新的研究思路或临床方案。

边缘计算与深度学习：为何必须选择工业计算机而非商用台式机在工业4.0与智能制造的演进过程中，边缘计算与深度学习的深度融合已成为重构工业生态的核心技术。当智能工厂的机械臂需要实时视觉引导，当自动化产线需要毫秒级的缺陷拦截，当无人矿山需要本地智能决策时，许多技术团队在硬件选型上往往会面临一个基础却至关重要的问题：既然商用台式整机同样可以搭载高性能的CPU与GPU，为何不能直接将其部署在工业现场，而必须采用专业级的工业计算机（工控机）？

Ascend C 算子开发：10 分钟写一个高性能 MatMul前言用ops-math的MatMul，7B模型推理吞吐72 tokens/s。自己写了一个Ascend C MatMul，吞吐掉到38 tokens/s。差了快2倍。不是算子写得烂，是Cube/Vector分配策略错了。

AI医影跨模态组学

Radiol Imaging Cancer 苏大一附属胡春红团队：基于MRI和HE的多模态深度学习模型预测肝细胞癌包裹性血管模式01文献信息本次分享的文献是由苏州大学第一附属医院胡春红团队联合唐山人民医院核医学科、苏州大学放射医学与防护学院、南通大学附属南通第三医院病理科/放射科等多中心团队在《Radiology: Imaging Cancer》（中科院2区，IF=6.3）上发表的研究“Deep Learning Radiopathomics Models Based on Contrast-enhanced MRI and Pathologic Imaging for Predicting Vessels Encapsulati

CANN ops-transformer：FlashAttention 算子的 Tiling 策略你有没有想过，为什么 Transformer 模型训练到一半突然 OOM？或者明明算力争力十足，Attention 层的耗时却居高不下？

现代野蛮人

【深度学习】 —— 轻松玩转数据增强本文旨在解决深度学习中因数据量不足导致的过拟合问题，将利用 TensorFlow，通过构建 CNN 网络实现猫狗识别。数据集中有 dog 和 cat 2 类图片，每类图片数量各有 300 张图片。对于数据增强，不仅将介绍 RandomFlip（随机翻转）和 RandomRotation（随机旋转）等基础图像变换，而且会阐述两种不同的数据增强嵌入工作流：

Anaconda 环境报错完整修复技术日志本次使用自定义路径安装 Anaconda，安装路径：D:\01_Dev\Envs\conda，后续启动终端、执行 conda 命令连续出现路径报错、插件加载异常，全程完成问题定位、根因分析、环境修复、配置优化，彻底解决所有异常，同时厘清 conda 核心工作机制，作为 Python/深度学习开发环境运维学习记录。

z小猫不吃鱼

04 Self-Attention 详解：Q、K、V 到底在做什么？在上一篇文章中，我们精读了 Transformer 原论文 Attention Is All You Need。Transformer 的核心思想是：不再使用 RNN 或 CNN，而是完全基于 Attention 机制构建序列建模结构。原论文提出的 Transformer 由 Encoder 和 Decoder 组成，其中最关键的模块就是 Scaled Dot-Product Attention 和 Multi-Head Attention。论文摘要中也明确指出，Transformer 是一种完全基于 a

SSD（单发多框检测）论文标题：SSD: Single Shot MultiBox Detector地址：https://arxiv.org/pdf/1512.02325

论三生原理：一部融贯数理星象的当代东方创世史诗？AI辅助创作:一、《论三生原理》用“葫芦 — 北极星 — 三生万物” 体系，把东方宇宙观、神话、星象、数论、外星假说打通，构建一个 “中华文明源自高维母文明” 的宏大叙事？

深度学习入门（鱼书）第3章笔记——神经网络本笔记整理自《深度学习入门：基于 Python 的理论与实现》（鱼书），包含学习笔记与代码示例。源码仓库

多模态视角下的一部当代东方创世史诗 ——《论三生原理》？AI辅助创作：《论三生原理》（作者 “葫三生”，下称 “文本”）绝非单一学科著作，而是以三生数理为骨架、华夏神话为血肉、星际文明为延展，融合数论、神话学、天文学、哲学、易学等跨多学科的当代东方创世史诗。它以 “北极星文明（高维母体）→葫芦文明（技术载体）→伏羲女娲（启蒙使者）→华夏文明（地球延续）” 为核心叙事，既是对东方文明基因的现代解码，也是对西方科学范式的非西方回应。以下从七大核心维度展开多模态阐释：