深度学习

基于深度学习的数字图像分类实验与分析本文详细记录了基于深度学习的数字图像分类实验的全过程，包括实验环境搭建、数据预处理、模型选择与搭建、训练与评估等关键环节。通过基础实验、改进实验、进阶实验和补充实验四个部分，逐步深入探讨了深度学习在数字图像分类中的应用。实验结果表明，卷积神经网络（CNN）结合注意力机制在图像分类任务中表现出色，具有较高的准确率和鲁棒性。

1、机器学习与深度学习1、人工智能、机器学习、深度学习关系2、几个经典机器学习算法机器学习算法：一般是基于数学，或者统计学的方法，具有很强的可解释性。

基于 PyTorch 实现 MNIST 手写数字识别首先，我们要获取 MNIST 数据集。PyTorch 内置了方便的函数，能直接下载该数据集。下载完成后，利用 torchvision 的预处理模块，对数据进行转换，比如将图像转为张量，并进行归一化操作，让数据更适合神经网络处理。接着，通过 torch.utils.data 的 DataLoader，创建数据迭代器，这样在训练和测试时就能按批次获取数据了。

Transformer注意力机制——动手学深度学习10环境：PyCharm + python3.8在注意力机制中，查询(Queries)、键(Keys) 和值(Values) 的形状可以不同，但需满足一定的逻辑关系。

小杰深度学习（fourteen）——视觉-经典神经网络——ResNetResNet的主要特点是采用了残差学习机制。在传统的神经网络中，每一层的输出都是直接通过一个非线性激活函数得到的。但在ResNet中，每一层的输出是通过一个“残差块”得到的，该残差块包含了一个快捷连接（shortcut）和几个卷积层。这样，在训练过程中，每一层只需要学习残差（即输入与输出之间的差异），而不是所有的信息。这有助于防止梯度消失和梯度爆炸的问题，从而使得网络能够训练得更深。 ResNet的网络结构相对简单，并且它的训练速度也比GoogLeNet快。这使得ResNet成为了在许多计算机视觉任务中的

小杰深度学习（sixteen）——视觉-经典神经网络——MobileNetV21. 网络的背景 MobileNetV1 还不够轻量和高性能，为了让移动设备有更好的体验，Google 团队提出了 MobileNetV2 架构 MobileNetV2网络是由谷歌团队在2018年提出的，它相对于MobileNetV1而言，有着更高的准确率和更小的网络模型。论文地址：https://arxiv.org/abs/1801.04381

第五章神经网络的优化loss越小，代表预测值与真实值之间的差距越小，模型效果越好1.计算实际输出和目标之间的差距 2.为我们更新输出提供一定的依据（反向传播）grad

有趣的机器学习-利用神经网络来模拟“古龙”写作风格的输出器在探索大模型落地应用的旅程中，我们常常聚焦于其解决严肃商业问题的解决方案、策略，如：优化客服、生成报告、辅助决策……这些固然重要，但技术的魅力远不止于此。有时，跳出“实用主义”的框架，用一点“玩心”去触碰技术的边界，反而能更深刻地理解其内核。

网络模型训练完整代码存个代码具体看这位博主的网络模型训练完整套路写的比较清晰

基于pycharm和anaconda的yolo简单部署测试目录基本环境准备（配环境）：1.1.conda安装1.2.conda虚拟环境1.3.pycharm配置conda编译器

java1234_小锋

TensorFlow2 Python深度学习 - TensorFlow2框架入门 - 使用Keras.Model来定义模型锋哥原创的TensorFlow2 Python深度学习视频教程：https://www.bilibili.com/video/BV1X5xVz6E4w/

Learn Beyond Limits

TensorFlow Implementation of Content-Based Filtering｜基于内容过滤的TensorFlow实现-----------------------------------------------------------------------------------------------

java1234_小锋

TensorFlow2 Python深度学习 - 函数式API（Functional API）锋哥原创的TensorFlow2 Python深度学习视频教程：https://www.bilibili.com/video/BV1X5xVz6E4w/

机器学习之心

198种组合算法+优化CNN卷积神经网络+SHAP分析+新数据预测+多输出！深度学习可解释分析，强烈安利，粉丝必备！198种组合算法+优化CNN神经网络+SHAP分析+新数据预测+多输出！深度学习可解释分析，强烈安利，粉丝必备！

PEFT适配器加载当我们想要在自己的模型中使用Lora方法进行微调时，可以借助PeftModel来给我们自己的模型实现lora方法。

AI街潜水的八角

垃圾桶满溢检测和识别2：基于深度学习YOLOv12神经网络实现垃圾桶满溢检测和识别(含训练代码和数据集)基于深度学习YOLOv12神经网络实现垃圾桶满溢检测和识别，其能识别检测出3种垃圾桶满溢：names: ['overflow', 'garbage', 'garbage_bin']

ICLR 2026 惊现 SAM 3，匿名提交，实现“概念分割”，CV领域再迎颠覆性突破？最近，在AI顶会ICLR 2026的Open Review阶段，一篇匿名提交的论文《 SAM 3: Segment Anything with Concepts 》引发网友广泛关注。

兔子小灰灰

论文笔记：π0.5 (PI 0.5)KI改进版Knowledge Insulating Vision-Language-Action Models: Train Fast, Run Fast, Generalize Bette

Transformer模型模型被提出时间模型优势架构图展示主要组成部分结构图组成部分结构图组成部分文本嵌入层作用:word_embedding

深度学习进阶（一）——从 LeNet 到 Transformer：卷积的荣光与注意力的崛起如果要给深度学习画一条时间轴，那么 2012 年的 AlexNet 无疑是分水岭。那一年，ImageNet 图像识别比赛中，AlexNet 以巨大优势击败传统算法，深度学习这个在学术角落里沉睡多年的概念，一夜之间成为主角。