深度学习

凌峰的博客

基于深度学习的图像安全与隐私保护研究方向调研（中）针对数据保护条例，未经授权不可使用他人信息。因此将采集的数据集实施人脸匿名，改变其面部特征敏感信息，使其可以使用，规避产权纠纷。

模型训练篇几何变换：随机旋转（±15°）、平移（±10%）、缩放（0.8-1.2 倍）。像素级增强：颜色抖动（Hue ±5, Saturation ±15%）、高斯模糊（σ=0.5）。

AI编译器实战：从零手写算子融合与自动调度系统摘要：本文将撕开AI编译器的神秘面纱，从零手写一个支持算子融合、自动调度、循环优化的深度学习编译引擎。不同于调用TVM/MLIR的API，我们将完整实现Halide风格的调度原语、polyhedral模型、自动 tiling&vectorization 等核心机制。完整代码涵盖计算图构建、调度树变换、LLVM IR代码生成等模块，实测在ARM Cortex-A78上实现3x3卷积提速4.7倍，内存占用减少62%，并提供从PyTorch模型到.so库的端到端编译方案。

泰迪智能科技01

分享图书推荐 | 数字图像处理实战书号：978-7-115-62385-0主编：杨坦，张良均副主编：王敏娟，赵丽玲，郭洁出版社：人民邮电出版社

【深度学习原理】数值稳定性（二）：梯度是如何在深度网络中消失与爆炸的数值稳定性系列文章：数值稳定性（一）：为什么深度神经网络如此脆弱数值稳定性（二）：梯度是如何在深度网络中消失与爆炸的第三篇还在写。。。

CUDA学习5-矩阵乘法（共享内存版）在未使用共享存储器（Shared Memory）时，CUDA 矩阵乘法的计算逻辑是在 SM（流多处理器）的 CUDA Core 中执行的，临时数据会优先存在寄存器（Register）中；但 A、B 矩阵的读取、C 矩阵的写入完全依赖全局存储器（Global Memory）

大模型面试题19：梯度消失&梯度爆炸纯白话文版你可以把梯度理解成：模型训练时的「学习信号/调整指令」。神经网络训练的过程，就是模型根据这个「指令」，一点点修改自己的参数，让自己的预测越来越准。这个「指令」的传递规则是：从最后一层（输出层）往第一层（输入层）反向传，一层一层告诉前面的层：你的参数该往哪个方向改、改多少。

是店小二呀

在 AtomGit 昇腾 Atlas 800T上解锁 SGLang：零成本打造高性能推理服务摘要：大模型的“战火”已从参数竞赛转向了推理性能的极致压榨。如何在算力上实现 0Day 模型的极速推理？本文将以开发者视角，基于 AtomGit 提供的免费昇腾 Atlas 800T 算力，实战部署最新的 Qwen2.5-7B-Instruct。我们将跳过常规的 Transformers，直接挑战适配昇腾的 SGLang 高性能框架，利用其特有的 RadixAttention 技术在 RAG 场景下实现 5倍+ 的吞吐跃，并完成 OpenAI 兼容接口的服务化封装与压测。

GitCode+昇腾部署Rnj-1模型实践教程GitCode Notebook是GitCode平台推出的云端交互式开发环境，对标Google Colab，为开发者提供了免本地配置的算力资源和一站式开发体验。其核心优势体现在三个方面：

图神经网络初探（2）图神经网络初探（2）三、图神经网络类型四、图神经网络典型应用#人工智能#具身智能#VLA#大模型#AI#LLM#Transformer 架构#AI技术前沿#A

Day 51 神经网络调参指南torch中很多场景都会存在随机数介绍一下这个随机函数的几个部分1. python的随机种子，需要确保random模块、以及一些无序数据结构的一致性

深度学习面试八股文（4）—— transformer专题下面是第一部分 (1-15/40)：Transformer 核心原典。这部分是所有大模型面试的“必考题”。

软件算法开发

基于山羚羊优化的LSTM深度学习网络模型(MGO-LSTM)的一维时间序列预测算法matlab仿真目录1.程序功能描述2.测试软件版本以及运行结果展示3.部分程序4.算法理论概述5.完整程序LSTM网络的性能高度依赖于超参数配置，其中隐含层个数是影响模型性能的关键超参数之一。传统的超参数优化方法如网格搜索、随机搜索存在效率低、易陷入局部最优等问题。山羚羊优化是一种新型元启发式优化算法，其核心是用山羚羊优化算法（MGO）自适应搜索LSTM隐含层最优神经元数量，以最小化时间序列预测误差。

Product Hunt 每日热榜 | 2025-12-26标语：本地AI Git提交生成器，专为Apple Silicon设计介绍：DiffSense 在 Apple Silicon 上使用原生的 AFM 3B 模型 gratuitamente 生成 git 提交信息。它在本地运行，实现零延迟，确保你的代码保持私密。它的特点包括可定制的信息风格和强大的别名宏功能。

吾在学习路

【CVPR 2018最佳论文】Squeeze-and-Excitation Networks一句话概括本文：SENet 的核心思想不是“怎么卷得更深”，而是“怎么让每一层卷积更聪明”——它教会网络“自我审视”：哪些通道重要、哪些可以忽略，从而实现轻量级、通用性强、效果显著的性能提升。关键数据：在 ResNet-50 上仅增加 0.26% FLOPs 和 10% 参数量，就达到接近 ResNet-101 的精度；ILSVRC 2017 分类冠军（Top-5 Error 仅 2.251%），相对前一年下降 25%！

DAY 47 Tensorboard的使用介绍你作为零基础的 Python 和机器学习学习者，想要系统掌握 TensorBoard 的核心知识（发展历史与原理、常见操作、CIFAR 数据集上的 MLP/CNN 实战），我会用最通俗的语言、贴近生活的例子，配合完整的代码步骤，一步步拆解，确保你能完全理解。

读懂深度学习中的梯度爆炸和梯度消失从链式法则的数学本质出发，彻底揭开神经网络训练崩溃的真相，并掌握5大核心解决方案。反向传播是深度学习的基石，但它也是导致梯度消失和梯度爆炸的根本原因。

天天进步2015

【InfiniteTalk 源码分析 04】训练策略拆解：如何实现超长视频的生成稳定性？在训练长视频模型时，简单的“端到端微调”往往会导致模型在推理长序列时出现幻觉（Hallucination）或输出中断。InfiniteTalk 的源码展示了一套成熟的生产级训练范式。

集成学习 (ensemble learning)集成学习 (ensemble learning) 通过构建并结合多个学习器来完成学习任务，有时也被称为多分类器系统 (multi-classifier system)、基于委员会的学习 (committee-based learning) 等。

通俗理解多层感知机（MLP）在当今的科技世界中，人工智能（AI）已经成为我们日常生活的一部分。从智能手机的语音助手，到自动驾驶汽车，再到医疗诊断系统，AI 的应用无处不在。而在这些先进技术的背后，多层感知机（MLP）作为神经网络的基本形式，扮演着至关重要的角色。MLP 听起来可能有些高大上，但其实它就像是我们大脑中的神经元网络，通过简单的数学运算来模拟人类的决策过程。本文将用通俗易懂的语言，结合图例，一步步带你理解 MLP 的原理、结构、工作方式以及应用。无论你是初学者还是对 AI 感兴趣的朋友，都能从中获益。