深度学习

执笔论英雄

【cuda】 deepepcudaMemcpy(…): 这两行代码将 CPU 上的 buffer_ptrs 和 barrier_signal_ptrs 数组，完整地拷贝到 GPU 上的 buffer_ptrs_gpu 和拷贝到哪个GPU上呢，到底是哪个GPU的buffer_ptrs_gpu呢

深度学习中的四种归一化方法假设某批次数据样本N*C*H*W批量归一化的操作是沿着批次N方向，对整个批次的所有样本的同一通道，进行归一化处理。

图神经网络分享系列-MPNN（Neural Message Passing for Quantum Chemistry）(二)目录三、相关研究四、QM9数据集性质分类五、MPNN变体5.1 消息函数5.2 虚拟图元素5.3 读出函数

HyperAI超神经

AI驱动量子精修，卡内基梅隆大学等提出AQuaRef，首次用量子力学约束精修蛋白质全原子模型要理解生命过程的分子机制，首先需要看清生物大分子的三维结构。解析原子级结构是结构生物学的核心任务，也是理解蛋白质功能、揭示遗传调控机制以及开展靶向药物研发的重要基础。无论是蛋白质催化反应、核酸传递遗传信息，还是抗体识别抗原，这些关键生物学过程都依赖精确的结构模型加以解释。

爱吃鱼的两包盐

3D 点云算法仅提供创新说明，不提供细节PointNet++VoxelNet 由三个模块组成：卷积中间层，标准的 3D 卷积操作：

CPAL: Cross-Prompting Adapter With LoRAs forRGB+X Semantic Segmentation摘要—— 随着传感器技术的发展，RGB+X 系统将传统 RGB 相机与另一种辅助传感器相结合，从而增强感知能力，并为语义分割等重要任务提供更丰富的信息。然而，由于需要特定的采集设备，获取大规模 RGB+X 数据较为困难。因此，传统的 RGB+X 分割方法通常会利用相对丰富的 RGB 数据进行预训练。然而，这些方法缺乏能够充分挖掘预训练模型潜力的相应机制，而且预训练所用 RGB 数据集的规模本身也仍然有限。近年来，一些工作采用提示学习（prompt learning）来挖掘预训练基础模型的潜力，但这些方法采

工业级时序异常检测利器：USAD 算法深度解析与实战在智能运维（AIOps）和工业互联网领域，如何从海量的传感器数据中精准识别出设备故障、网络攻击或业务异常，一直是核心挑战。经典的自编码器（AE）虽然能学习重构，但在面对某些精巧的异常时往往表现得过于“宽容”，导致漏报。

数字孪生在航空领域的应用方法及案例数字孪生在航空领域的应用方法及案例数字孪生在航空领域的应用方法及案例一、数字孪生在航空领域的应用方法二、典型应用案例三、挑战与发展趋势

【AI】高效交互的艺术：AI提示工程与大模型对话指南🔥小龙报：个人主页 🎬作者简介：C++研发，嵌入式，机器人等方向学习者 ❄️个人专栏：《AI》 ✨ 永远相信美好的事情即将发生

山科智能信息处理实验室

ACM MM 2024 | GeoFormer：基于三平面（Tri-Plane）与Transformer的高维点云补全原理解析📃 论文题目：GeoFormer: Learning Point Cloud Completion with Tri-Plane Integrated Transformer 🏫 论文来源：ACM MM 2024 (ACM International Conference on Multimedia, CCF-A) 🧑‍🔬 论文作者：Jinpeng Yu, Binbin Huang, Yuxuan Zhang, Huaxia Li, Xu Tang, Shenghua Gao

HyperAI超神经

基于2.5万临床数据，斯坦福大学发布首个原生3D腹部CT视觉语言模型，Merlin在752类任务中全面领先CT（Computed Tomography）作为临床诊疗中常用的影像学检查手段，已广泛应用于全身多部位病变的诊断。据统计，全球每年 CT 检查量已高达约 3 亿次，其中腹部 CT 约占 1/4。随着医学诊疗对影像技术的依赖程度不断提升，影像诊断需求持续增长。然而，一名放射科医师完成单例腹部 CT 图像解读通常需要 20 分钟，诊断效率已难以匹配快速增长的临床需求。更为严峻的是，放射科医师人力资源存在严重短缺，预测数据显示，到 2036 年部分地区放射科医师缺口将超过 19,000 人，行业供需矛盾日益突

赋创小助手

AMD OpenClaw：本地 AI Agent 运行平台解析，RyzenClaw 与 RadeonClaw 两种架构方案意味着什么？过去一年，AI 计算基础设施的讨论大多集中在数据中心：更大的 GPU、更高密度的算力集群、更大规模的大模型。但随着 AI Agent、私有化大模型部署以及本地推理需求的快速增长，另一条技术路线正在逐渐受到关注——本地 AI Agent 运行环境（Local AI Agent Runtime）。在这一背景下，AMD 最近推出了一个面向开发者的开源框架 OpenClaw，并配套提出两种硬件参考配置：RyzenClaw 与 RadeonClaw。其核心思路并不是继续把 AI 推向更大的数据中心，而是尝试让 A

深度学习——ViT（Vision Transformer）学习（2020.10）Vision Transformer（ViT）是将自然语言处理领域的 Transformer 架构直接迁移到计算机视觉的开创性模型，由 Google 在 2020 年提出，论文标题为《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》。

PyTorch的ReduceLROnPlateau详解：深度学习训练的“智能调速器”在深度学习这场漫长的征途中，学习率（Learning Rate）无疑是那颗最难把握的“心脏”。太大，模型会在损失函数的悬崖边疯狂震荡甚至发散；太小，模型则会像蜗牛一样在梯度的平原上龟速爬行，陷入局部最优的泥潭。

深度学习——SETR（Segmentation Transformer）学习（2020.12）图像分类和语义分割：输入：一张猫的照片。输出：cat输入：城市街景图。输出：和原图一样大的彩色掩码图，每个颜色代表一类

专业发呆业余科研

深度反思不变学习：当 EIIL 失效时，如何通过“偏见诱导”重建环境标签？在无监督不变学习（Invariant Learning）的理想流程中，我们习惯于先用 EIIL (Environment Inference for Invariant Learning) 推断环境，再用 GroupDRO 进行鲁棒优化。然而，现实往往更残酷：如果第一阶段的 ERM 模型没有按你的预期“偷懒”，或者它学到了过于复杂的混合偏见，整个技术链路就会彻底崩塌。

PyTorch保姆级安装教程适用系统：前情提示：检查电脑是否有 NVIDIA 显卡，在安装 PyTorch 前，必须先判断电脑是否有 NVIDIA 显卡。

云安全联盟大中华区

[特殊字符] | OpenClaw威胁模型：MAESTRO框架分析本文档将MAESTRO 框架（7 层智能 AI 威胁模型）应用于 OpenClaw 代码库，识别每一层的具体威胁，并根据实际实现详细说明缓解策略。