深度学习

WPF工业上位机

YXGK.FakeVM深度学习之5语义分割完成本章学习后，建议提交以下内容给带教人确认：一张 OK 示例图的运行结果截图。一张 contamination 示例图的运行结果截图。

weixin_46846685

大模型新手入门与实战指南刚开始接触大模型开发时，最让人头疼的往往不是复杂的算法推导，而是如何迈出“从 0 到 1"的那一步。很多开发者对着满屏的文档和术语望而却步，担心环境配置繁琐，或者害怕 API 调用门槛太高。其实，现在的 AI 开发工具链已经非常成熟，只要理清思路，哪怕是没有深厚背景的新手，也能在半天时间内搭建出一个能真正解决问题的智能助手。

装不满的克莱因瓶

掌握 RNN 与 LSTM 模型结构目录一、前言二、为什么传统神经网络无法处理序列数据三、什么是 RNN四、RNN 的展开结构五、RNN 的数学原理

努力学习_小白

ResNeXt-50——学习记录在之前的学习中，我们已经见识过了各种网络为了提升性能而做出的努力：ResNet-v2：通过前向反馈（Identity Mapping）解决了深层网络的梯度消失问题。

Kobebryant-Manba

记录动手学深度学习基础知识第一段代码：torch.zeros((2, 3, 4))功能：创建一个所有元素值都为 0 的张量。参数 (2, 3, 4)：这是一个元组，表示生成的张量的形状（Shape），也就是维度大小。这代表了一个三维张量，其具体结构为：2 个深度层，每层有 3 行，每行有 4 列。

Product Hunt 每日热榜 | 2026-06-04标语：你的市场推广策略：从诊断到执行介绍：Elentaria是B2B行业的AI运营助手：它会分析你的业务，评估22个渠道，制定合适的计划，并学习哪些因素促进了收入增长，从而让下周的表现更加出色。每周，它都会在你的平台上，以你的语气提供服务。

JointDiT:使用扩散变换器增强RGB-深度联合建模JointDiT: Enhancing RGB-Depth Joint Modelingwith Diffusion Transformers

神经生物学研究【20260002】通过lora微调，给了一些生物和物理化学方面的文本文件，虽然效果不好，但微调成功。

深度学习计算：打开工具箱，从“基础用户“升级为“高级用户“前几篇我们学会了怎么用现成的积木搭网络，但你有没有想过：这些积木是怎么造出来的？怎么自己造积木？怎么保存和加载模型？怎么用GPU加速？

Studying 开龙wu

16位工业灰度图的深度学习预处理：从方法选择到ImageJ实战在工业检测、姿态估计或机器人视觉项目中，我们常常需要使用高精度工业相机采集16位灰度图。这类图像虽然动态范围广，但直接输入深度学习模型前，通常需要转为8位以降低计算量、适配常见网络输入。然而，“怎么转” 并不是一件 trivial 的事——特别是当摄像机带有自动曝光，拍摄环境又包括各种大小、不同光照的房间时，简单的转化方法反而可能导致模型精度下降。

入门大模型工程师第十课----学习总结通过前面课程的学习，你已经从认识大模型开始，一步步知道怎么把任务讲清楚，怎么给 AI 补资料，怎么让 Agent 读文件、用工具、沉淀 Skill，也知道复杂任务做完后还要核对结果、守住安全边界。

那nvidia orim车载gpu tee安全飞地和天垓 100 gpgpu的飞地，大概有多大存储量，解密流程前提说明：英伟达 DRIVE Orin 与天数智芯天垓100 是两类完全不同的芯片。Orin 是车载 SoC（单片集成 CPU+GPU+安全引擎），天垓100 是数据中心 PCIe GPGPU 加速卡（需配合外部 CPU 使用）。两者的安全架构无法直接套用同一模板，必须分情况讨论。

手写 DeepSeek 推理引擎优化：从 FP16 到 INT4 的量化加速实战当我们部署 DeepSeek 这类大语言模型时，最直接的感觉就是——显存不够用。一张 A100 80GB 的显卡，加载一个 DeepSeek-67B 的 FP16 权重就需要约 134GB 显存，这意味着单卡根本无法运行。即便使用量化到 INT8 的版本，67B 模型仍需约 67GB 显存，恰好卡在 A100 的边缘。

YOLO数据集集合

配电站智能运维｜变电一次设备识别｜高压电气构件目标检测数据集|电力巡检标签：#配电站AI巡检 #变电设备识别 #电力深度学习 #目标检测 #高压器件检测 #智能变电站 #YOLO工程落地 #电力设备缺陷排查 #工业视觉运维

weixin_46846685

深度学习图像数据增强新手实战指南在深度学习项目的实战过程中，很多开发者往往将绝大部分精力投入到模型架构的调优和超参数的搜索上，却容易忽视训练数据本身的质量与多样性。当模型在训练集上表现优异，一旦面对真实场景中略微变化的光照、角度或背景时，准确率便大幅下滑，这种“过拟合”现象常常让人束手无策。其实，问题的根源往往不在于模型不够复杂，而在于我们喂给模型的数据太过单一，缺乏足够的“见识”。

力学与人工智能

AIAAJ | 西工大常宝辉、李楠等：基于径向基函数神经网络的激波串数据驱动控制方法研究引用格式：Baohui Chang, Nan Li, Luye Jiang, Weiwei Zhang. Data-Driven Control of Shock Train Using Radial Basis Function Neural Network[J]. AIAA Journal, 2025. https://doi.org/10.2514/1. J064762

卷积神经网络（CNN）：让AI学会“看“摘要：如果说全连接网络像是一个"逐像素阅读"的读者，CNN 就像是拥有"模式识别"能力的观察者——它不需要看遍每个像素，只需抓住图像中"局部特征"的组合就能理解整张图。这篇文章从卷积操作原理到经典架构演进，讲清楚 CNN 为什么在计算机视觉领域统治了近十年。

双臂机器人操作的深度模仿学习【文献解读】原文标题: Deep Imitation Learning for Bimanual Robotic Manipulation 发表会议: NeurIPS 2020 作者: Fan Xie, Alexander Chowdhury, M. Clara De Paolis Kaluza, Linfeng Zhao, Lawson L.S. Wong, Rose Yu 开源代码: https://github.com/Rose-STL-Lab/HDR-IL

用 PyTorch 训练图像分类器：完整实战摘要：前面五篇学完了理论和 PyTorch 基础，这次做一件完整的事——从零训练一个 CNN 图像分类器。我们会用 CIFAR-10 数据集（飞机、汽车、鸟类等 10 类），经历数据加载、CNN 模型设计、训练调优、结果可视化、模型保存与推理的全流程。每一段代码都可以直接复制运行。

疯狂的布布

深度学习安装包运行时崩溃解决现在发现一个问题，就是安装深度学习包的时候，其实你只要是conda install或者pip install，大多数包都是能装上的，装不上你后续继续调整安装都行。