深度学习

极光代码工作室

基于深度学习的文本自动摘要系统随着互联网信息爆炸式增长，海量非结构化文本数据（如新闻、论文、社交媒体帖子）持续涌现，人工阅读与提炼核心信息已难以满足时效性与规模性需求。文本自动摘要技术作为自然语言处理（NLP）的核心任务之一，旨在通过算法自动生成简洁、准确、连贯的摘要，有效提升信息获取效率。本文围绕基于深度学习的文本自动摘要系统展开研究与实现，聚焦于中文长文档的抽取式与生成式混合摘要建模。系统采用BERT-BiLSTM-CRF联合编码器提取关键句语义特征，结合Pointer-Generator Network（PGN）与Coverag

从线性分类器到两层神经网络：为什么我们需要非线性？在学习 CS231n 的过程中，前面我们一直在使用线性分类器。它的形式非常简单：这里的 x 是输入数据，比如一张图片展开后的向量；W 是权重矩阵；f 是每个类别对应的分数。

【大模型应用】用千问大模型实现屋顶材质分类算法实现目录💖💖1.屋顶材质分析的实际意义🍌🍌2.实现效果🔔🔔3.操作步骤🍭3.1定义message

WildSync：通过Wild API 使用恢复实现自动化 Fuzzing Harness 合成“ 在现代模糊测试（Fuzzing）中，测试套件的质量往往直接决定了漏洞挖掘的深度与效率。然而，在真实工业代码中，API 使用方式复杂、多样且高度依赖上下文，人工编写 Harness 成本高昂，自动生成方法又常常缺乏对真实使用场景的理解。

深度学习入门（鱼书）第4章笔记——神经网络的学习本笔记整理自《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

【项目03】基于ResNet实现猫狗识别本文来自《AI实战90讲》——90个实战项目，跑出你的AI竞争力。大家好，欢迎来到第三个项目。如果你是从项目02按顺序过来的——很好，你已经跑通了第一个AI项目。现在是时候更进一步了。

运维场景中AI模型的常见问题其实大部分对AI模型的误解，都来自对基础逻辑的不了解。这里先从运维的使用角度，把AI模型的概念理清楚。简单来说，AI模型是通过对大量历史数据做统计分析，提炼出数据背后的关联规律，再用这套规律对未知的新数据做判断、预测的计算逻辑。和传统的基于规则的判断方式比，AI模型能处理规则覆盖不到的复杂情况，不用人手动把所有可能的规则一条条写出来。但这不代表AI模型能脱离规则，脱离实际场景自己产生正确结果，很多人就是在这里踩了坑。

深度学习介绍、pytorch框架机器学习是实现人工智能的一种途径深度学习是机器学习的一个子集，也就是说深度学习是实现机器学习的一种方法。

weixin_46846685

液态神经网络新手入门与实战指南在处理时间序列预测任务时，很多开发者都遇到过这样的困境：传统循环神经网络（RNN）或长短期记忆网络（LSTM）在面对数据分布突然变化、噪声干扰强烈或非平稳特征明显时，表现往往不尽如人意。我们精心调参训练的模型，一旦遇到现实世界中那些“不按常理出牌”的数据流，预测精度就会大幅下滑。这并非因为模型不够深或数据不够多，而是固定结构的神经网络缺乏一种类似生物神经系统的“动态适应性”。近年来，液态神经网络（Liquid Neural Networks, LNNs）的提出为这一难题提供了新的解题思路。这种受生物学启发

weixin_46846685

多鲁棒优化新手实战指南在实际的供应链排产或金融投资组合管理中，我们往往习惯于使用历史数据的平均值来构建优化模型。这种“确定性优化”在理想环境下表现完美，但一旦现实世界出现波动——比如原材料价格突然上涨、物流时间延误或者市场需求剧烈震荡，原本计算出的“最优解”往往会瞬间失效，甚至导致严重的亏损或生产停滞。很多工程师在落地项目时都遇到过这样的尴尬：模型在测试集上跑分很高，一到真实环境就“水土不服”。

Python Tensor 向量入门：从零理解深度学习的“数据语言“学深度学习，第一道坎不是神经网络，而是 Tensor（张量）。这篇博客帮你用 10 分钟跨过这道坎。一句话：Tensor 就是多维数组，是深度学习中所有数据的载体。

SkillOpt：自演化智体技能的执行策略26年5月来自微软、上海交大、同济大学和复旦的论文“SkillOpt: Executive Strategy for Self-Evolving Agent Skills”。

Qwen-VLA：跨任务、环境与机器人形态的视觉-语言-动作统一建模26年5月来自qwen团队的论文“Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments”。

YOLO数据集集合

智慧电网红外热成像数据集｜电力设备组件识别目标检测深度学习数据集随着国家电网全面推进数字化与智能化转型，电力巡检从传统人工逐步转向AI无人化、红外热成像自动化监测。电力设备红外图像因可捕捉温度异常、提前预警故障，成为智能运维核心数据底座。但行业长期面临垂直领域数据稀缺、标注不规范、场景适配差等痛点，严重制约模型落地效率。本数据集专为电网组件识别打造，覆盖核心设备红外样本，标注规范、开箱即用，可直接支撑目标检测、故障诊断、智能巡检等工程与科研场景。

Transformer初探整体架构图如下Transformer 是 Google 在 2017 年论文：Attention Is All You Need

weixin_46846685

空洞卷积与膨胀卷积新手入门指南在处理高分辨率图像或需要捕捉大范围上下文信息的任务时，传统卷积神经网络往往显得力不从心。我们常常面临一个两难选择：要么通过堆叠更多层数来扩大感受野，导致参数量爆炸和梯度消失；要么使用池化操作下采样，却不可避免地丢失了宝贵的空间细节信息。特别是在语义分割、目标检测等密集预测任务中，如何在保持特征图分辨率的同时“看”得更远，成为了模型性能突破的关键瓶颈。

weixin_46846685

ResNet 残差网络新手入门与实战指南在处理深层神经网络时，很多开发者都遇到过这样的困境：随着网络层数不断增加，模型在训练集上的误差反而不降反升，这种现象并非过拟合，而是著名的“退化问题”。当你试图通过堆叠更多卷积层来提升特征提取能力时，梯度消失或爆炸往往让训练陷入停滞，原本期待的性能飞跃变成了漫长的调试噩梦。这正是残差网络（ResNet）诞生的背景，它通过引入巧妙的“跳跃连接”机制，让信息能够无损地跨层传递，从而打破了深度限制的瓶颈。

性感博主在线瞎搞

【神经网络】卷积神经网络（二）卷积层以及池化层的实现上篇文章【神经网络】卷积神经网络（一）总览以及卷积层、池化层我们已经介绍了卷积神经网络中关于卷积层和池化层的运作原理，本文我们将详细说明卷积层和池化层的具体实现方式。