深度学习

仙女修炼史

Making Convolutional Networks Shift-Invariant Again论文开头直接指出，现在的卷积神经网络，没有平移不变性，输入的微小偏移或平移都可能导致输出发生剧烈变化。作者指出，神经网络里面的下采样，例如max-pooling, strided-convolution 和 average-pooling 没有考虑采样定理，下采样后，导致高频信号混叠到低频信号中，最直观的影响就是，在输入的RGB图片中，及其微小的偏移，导致预测结果差别很大。所以作者的提出，在max-pooling之前，先经过一个低通滤波器。直接分析作者的官方代码。

热点创新！基于Transformer与KAN网络的三种高阶玩法现在KAN+Transformer这块，有点像2017年Transformer刚提出时的状态，大家都在尝试把新模块装进旧框架。最近的一些研究也证实了，这个领域确实还在快速发展。

肾透侧视攻城狮

《TensorFlow生态全景图：核心组件、扩展工具与工业级应用深度解读》目录本篇技术博文摘要 🌟引言 📘上节回顾1.TensorFlow 生态系统2.TensorFlow 核心组件

THINKSAFE：推理模型的自生成安全对齐大型推理模型（LRM）通过在推理任务上利用强化学习（RL）生成长思维链（CoT），从而实现了卓越的性能。

# OpenClaw 安装教程（增强版）咨询的朋友比较多，这份教程记录了如何在 Windows 10 电脑上安装 OpenClaw 这款软件。简单来说，就是从网上下载它的源代码，然后在你的电脑上把它"编译"成可以运行的状态，同时让它能使用本地的 AI 模型（Ollama）。

Day32 神经网络表格表格@浙大疏锦行

位翻转排列 (Bit-Reversal Permutation) 解析在计算机科学和应用数学中，位翻转排列（Bit-Reversal Permutation）是一种经典且基础的算法技巧。初见该概念，将索引的二进制位完全颠倒的操作似乎有违直觉，但深入探究其底层逻辑可知，该操作本质上是将分治法（Divide and Conquer）的逻辑树与物理内存地址进行了精确的映射。

陈天伟教授

人工智能应用- 预测化学反应：06. BERT 模型简介图 : 自然语言处理领域中的 BERT 模型BERT（Bidirectional Encoder Representations from Transformers）是一种深度学习模型，最初应用于自然语言处理领域。该模型的核心思想是对输入文本进行双向编码，从而提高对上下文语义的理解能力。

深度学习的数学原理（十四）—— ResNet 残差网络在前一篇中，我们实现了LeNet风格的浅层CNN并完成MNIST分类任务，但这类浅层网络存在明显天花板：当堆叠更多卷积层试图提升特征表达能力时，模型会出现梯度消失/爆炸，甚至层数增加但准确率下降的退化现象。ResNet（残差网络）作为解决深层CNN训练难题的里程碑模型，其核心的“残差连接”设计从数学层面打破了梯度衰减的链式效应，让上千层的CNN也能稳定训练。

AI Agent的主流设计模式之规划模式在这种模式下，AI Agent根据任务的复杂程度，设计任务计划流程，对任务进行细分，再对细分子任务动用ReAct 模式进行处理。可以说这种模式是一种战略思维，可以更有效地解决战略级复杂任务。

Day33 GPU及call方法表格表格GPU 训练关键：__call__方法核心：综合技巧：@浙大疏锦行

【岩石种类识别系统】Python+深度学习+人工智能+算法模型+图像识别+TensorFlow+2026计算机毕设项目岩石识别系统是一个基于深度学习的图像分类应用，旨在为地质勘查、教育科研等领域提供快速、准确的岩石类型识别服务。系统采用前后端分离架构，前端使用Vue3结合Element Plus构建用户界面，提供直观友好的操作体验；后端基于Flask框架开发RESTful API，实现用户认证、图像识别、历史记录管理等核心功能；算法层面采用TensorFlow深度学习框架，基于ResNet50卷积神经网络模型进行训练，能够准确识别玄武岩、煤、花岗岩、石灰岩、大理石、石英岩、砂岩等7种常见岩石类型。系统支持用户注册登录、图

AI Agent的主流设计模式之ReAct模式ReAct模式结合了反射模式和工具使用模式，这使其成为当前AI Agent使用的最强大的模式之一。AI Agent既可以自我思考，自我纠错，还可以使用工具与世界交互。

椒颜皮皮虾྅

OpenVINO C# API 中文README.md英特尔发行版 OpenVINO™工具套件基于oneAPI 而开发，可以加快高性能计算机视觉和深度学习视觉应用开发速度工具套件，适用于从边缘到云的各种英特尔平台上，帮助用户更快地将更准确的真实世界结果部署到生产系统中。通过简化的开发工作流程， OpenVINO™可赋能开发者在现实世界中部署高性能应用程序和算法。

GLM-5：从 Vibe Coding 走向 Agentic Engineering 的全栈路线图这篇论文最重要的信号只有一句话： GLM-5 不是单纯把参数放大，而是通过 DSA 稀疏注意力 + 异步 RL 基建 + 代理式环境扩展，系统性解决了“长上下文 + 长链任务 + 真实软件工程”三大瓶颈。整套路线把“能写代码”推进到了“能做工程”。

Monarch矩阵：从设计直觉到数学推导与实际应用Monarch矩阵（Monarch Matrices）是近年来在深度学习和计算数学交叉领域提出的一种非常优雅且高效的矩阵参数化方法。它的出现主要是为了解决现代神经网络在规模不断扩张时所面临的算力和内存瓶颈。

多模态大模型的统一表征与推理范式多模态大模型的统一表征与推理范式一、为何需要“统一表征”？二、统一表征的三大技术路径三、统一推理：从感知到认知的跃迁

【深度学习基础篇00】什么是深度学习？从单神经元到张量运算的入门全解同时这也是最经典的深度学习路线。深度学习是人工智能的核心分支，本质是“让计算机像人一样学会‘学习’”——不用手动编写复杂规则，而是通过模拟人类大脑的神经网络结构，让计算机从海量数据中自动捕捉规律、提炼特征，最终实现“识别、判断、预测”等功能。比如我们常见的图像识别、语音翻译，背后核心都是深度学习在发挥作用。对于入门者来说，不用纠结复杂的底层数学推导，先从核心概念、基础操作入手，就能逐步理解其原理，这也是本专栏的核心初衷。这张图很准确地描述了传统系统与机器学习之间的区别。简单来说，机器学习本身是一个黑盒子

基于深度学习电梯扶梯危险行为检测系统的设计与实现摘要：扶梯安全事故频发，传统人工监控效率低、响应慢。本系统基于YOLOv11n深度学习模型，覆盖逆行、摔倒、攀爬扶手等10种危险行为，实现扶梯危险行为的自动实时检测与三级风险智能预警。