深度学习

数聚天成DeepSData

外部标注需求里该写清哪几项，样例包才验收得动样例包被放行，常见理由不是它真的可验收，而是“看起来像那么回事”。要让它变成可检查的东西，得先把判定规则和交付格式写进需求说明。需求里没写的部分，执行者会替你决定；等到样例出来再讨论，讨论就没有落点。

论文开题题目有了，研究问题应该怎么提？很多同学开题时，已经确定了论文题目，却卡在了下一步：题目有了，但究竟要研究什么问题？比如，题目是“数字化转型对企业绩效的影响”。看起来方向明确，可真正写开题报告时，却不知道应该分析哪些因素、提出什么问题，最后只能反复描述背景。

【三年面试五年模拟】2026-10-21_零一万物知识图谱算法实习生一面面经全解析欢迎大家关注Rocky的知乎：Rocky Ding 《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～

【三年面试五年模拟】2026-10-20_淘天AI应用研发一面面经全解析欢迎大家关注Rocky的知乎：Rocky Ding 《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～

碧海银沙音频科技研究院

基于炬芯ATS308X的DNN全连接神经网络手写数字识别系统设计app digit recognize /NAND:/2.pgm上位机的python训练，测试代码，怎么没有生成相应的模型文件？是如何与嵌入式端转换的，要有这些。

想七想八不如11408

TTA详细学习TTA希望利用测试阶段获得的目标域数据让模型对其进行适应，用适应后的模型预测。但测试阶段没有真实标签，那应该用什么损失函数更新模型？

探索者轻舞

Logprobs 零成本测谎仪——从分母抹杀理论到软预警协同裁决摘要：在金融报表、医疗医保、政务合规等对数字极度敏感的严肃 RAG 场景中，大模型常常以极其笃定自信的语气，吐出完全捏造的虚假事实或被篡改的金额数字。传统的 Prompt 约束与端到端质检因无法穿透模型生成黑盒，往往陷入“事后盲猜”的被动局面。本文基于开源系统 Aegis-RAG 的底层工业实践（rag_eval/verifiers/logprobs_analyzer.py），深入剖析大模型生成过程中底层的原始对数概率（Logprobs）、Softmax 归一化竞争机理、局部实体置信度与动态困惑度（PPL

数聚天成DeepSData

Landsat 影像去哪里下载：选景、批量与脚本检索怎么选如果你要做地表变化、遥感识别或影像训练，真正要定的不是“Landsat 能不能免费用”，而是两件事：从哪个入口拿影像，以及拿到之后按什么标准判断它能不能进入你的产品流程。USGS 的 Landsat Data Access 页面把获取方式拆成了几条路径，每条路径对应的准备工作和适用场景并不一样。

小蒋观天下

【无标题】红外补光近距过曝、远距欠曝：导致车牌AI识别失效调试摘要：室外红外车牌相机最常见光学坑：近处车牌一片白、远处车牌昏暗。很多人直接调低补光灯功率，结果近处正常、远端识别直接废掉。观芯区分补光模式、讲解分区调光策略，适配车牌识别AI成像需求。

智码看视界

深度学习：迁移学习与预训练模型应用实践"我们业务只有几百张标注图，能从零训个模型吗？"——几乎每个落地项目都会被问到。答案是：别从零训，站在预训练模型的肩膀上。迁移学习正是把 ImageNet 上预训练好的视觉先验、或大规模语料上预训练好的语言先验，"借"到你的小数据任务上。本篇拆解两种用法，并给出小样本下的量化收益与实操技巧。

段一凡-华北理工大学

高炉炼铁机器视觉与智能识别十八讲~系列文章17：实战案例：一个风口监控系统的完整搭建理论讲了一路，是时候"真刀真枪"做一遍了。本期以高炉最成熟、最典型的场景——风口回旋区监控系统为例，把从"立项调研 → 选型方案 → 数据与建模 → 系统搭建 → 上线运行"的全流程完整走一遍。让你看清这些技术点如何被串成一个能跑、能用、有价值的系统。这不是抽象概念，而是一份"照着能做"的实战路线图。

上海理工大学 Sci. Adv.｜自旋解耦超表面赋能 D-D²NN：大容量方向依赖全光衍射神经网络全光衍射深度神经网络（D²NN）依托自由空间衍射干涉完成计算，将深度学习模型直接映射到光学物理层，具备低功耗、光速推理、天然并行的核心优势，是光计算、片上智能感知领域的主流技术路线。但长期以来，经典 D²NN 存在一个固有约束：一套衍射结构只能支持单一传播方向的固定任务，正向、反向光路无法独立配置功能，浪费了传播方向这一物理维度，限制了系统复用能力、集成度与信息容量。

基于 IDEAL 思想的 YOLO26 双分支适配：差异证据与不确定性门控，RGB+IR双分支创新！目标检测模型的难点，往往不在“能不能提取特征”，而在于当前区域的特征来自哪里、哪一份证据更可信、什么时候应该保守融合。

从零理解强化学习：为什么 AI 需要 Advantage，而不只是 Reward？本文是强化学习（Reinforcement Learning, RL）系列的第一篇。目标不是立刻掌握 PPO、GRPO 等算法的实现，而是建立理解这些算法所需的基本概念。

带工具调用的多轮交互：Agent 的核心循环真正的 Agent 场景远比单轮问答复杂。当用户问 “What's the current time and weather in Vancouver?” 时，模型无法凭自身知识回答（它不知道“现在”是什么时候），需要调用外部工具。下面完整展示这个过程中 Agent 框架与模型之间的每一步交互。

云和数据.ChenGuang

Python 集合（set）常用函数详解与实战案例set 是 Python 内置的可变、无序、元素不重复的容器类型。它基于哈希表实现，因此判断元素是否存在、去重、集合运算都非常高效，平均时间复杂度为 O(1)。

I Am a robert girl

当视频预测遇上辛几何：拆解 LHFM 的拉格朗日-哈密顿流框架从今天觉醒,技术赋予每一个人数字生命视频预测这件事，表面上是“给定前几帧，猜后面几帧”，但真正难的地方在于：模型学到的到底是像素的统计相关性，还是某种可以外推的运动结构？大多数循环模型用卷积或注意力直接回归下一帧，FLOP 花在“重建外观”上，而不是“描述运动”上。LHFM 这篇工作换了个问法：如果把每一帧图像看作某个高维空间里的精确拉格朗日图（exact Lagrangian graph），帧与帧之间的演化就变成了一个由图像自身决定的哈密顿流，速度场被拆成“输运（transport）”和“源（sourc

深度学习环境安装教程-适用Windows系统目前推荐Python3.11（64 位），相对稳定成熟。如果你的电脑不是64位请选择对应版本的进行安装

深度学习8:神经网络学习5:随机梯度下降法(基本概念,基本原理)Epoch 1 个 Epoch 表示模型完整遍历一次整个训练数据集的过程。例如，训练 10 个 Epoch 表示模型将整个数据集反复学习 10 次。模型需要多次遍历数据集（多个 Epoch）才能逐步学习数据中的模式，单次遍历数据集（1 个 Epoch）通常不足以让模型收敛，多次遍历可以逐步优化模型参数。