深度学习

循环神经网络(RNN)详解：从原理到实践循环神经网络(Recurrent Neural Network, RNN)是一类专门用于处理序列数据的神经网络。与传统的前馈神经网络不同，RNN引入了"记忆"的概念，能够利用之前处理过的信息来影响后续的输出。

Yolo底层原理学习（V1~V3）（第一篇）众所周知，提到深度学习，必不可少的会提及卷积，那么如何计算卷积之后的图片大小呢？下图呈现：如图，我们令FH，FW为原图像的长度FH*FW。P为padding的长度（假如padding=1,则3*3变成5*5），H,W为图像padding后的长度。OH,OW为卷积后的图像长度。

基于深度学习的胸部 X 光图像肺炎分类系统（四）胸片识别模型工作流程这段代码是整个程序的 “主流程”，就像做一道菜的 “步骤清单”，从准备食材到最后端出菜的全过程。

Sequential 损失函数反向传播优化器模型的使用修改保存加载感觉和compose()好像串联起来方便调用可以输出graph查看：终于明白好多论文上的图是怎么来的了好权威啊

Transformer Masked loss原理精讲及其PyTorch逐行实现Masked Loss 的核心原理是：在计算损失函数时，只考虑真实有意义的词元（token），而忽略掉为了数据对齐而填充的无意义的填充词元（padding token）。

【已解决】YOLO11模型转wts时报错:PytorchStreamReader failed reading zip archive

基于深度学习的图像分类：使用预训练模型进行迁移学习前言图像分类是计算机视觉领域中的一个基础任务，其目标是将输入的图像分配到预定义的类别中。近年来，深度学习技术，尤其是卷积神经网络（CNN），在图像分类任务中取得了显著的进展。预训练模型（如ResNet、VGG、Inception等）在大规模数据集（如ImageNet）上训练后，可以迁移到其他任务中，显著提高模型的性能。本文将详细介绍如何使用预训练模型进行迁移学习，从理论基础到代码实现，带你一步步掌握图像分类的完整流程。一、图像分类的基本概念（一）图像分类的定义图像分类是指将输入的图像分配到预定义的

DigitalOcean 一键模型部署，新增支持百度开源大模型ERNIE 4.5 21B使用过DigitalOcean GPU Droplet 服务器的用户应该对我们的一键模型部署功能不陌生。DigitalOcean 的一键模型部署 (1-Click Models) 功能是 DO 为开发者和企业提供的一种便捷方式，用于快速部署和运行预训练的生成式 AI 模型，尤其是大型语言模型 (LLM)。这项功能是 DigitalOcean 与 Hugging Face 合作的成果，旨在简化 AI 模型的部署流程，让用户无需复杂的配置即可开始构建 AI 应用。

基于阿里云平台的文章评价模型训练与应用全流程指南前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家，觉得好请收藏。点击跳转到网站。

免费的大模型面试辅导系列课程偶尔发现小红书上某大佬分享的大模型面试辅导系列课程，对当前大模型面试过程中的高频和常见问题进行了梳理，如强化学习、MCP、Agent等热点技术，问题经典，答案简介，非常实用。目前还在不断更新中。小红书搜Up主“小红薯672F815D”或“大模型面试辅导”就能快速找到相关视频资料，如下图：

手把手教你多卡分布训练Accelerate使用配置教程作者：SkyXZCSDN：SkyXZ～-CSDN博客博客园：SkyXZ - 博客园开发机环境：Ubuntu 22.04 | 112x CPU | 1TB RAM | 8×NVIDIA A100-40GB | CUDA 12.4 |

基于深度学习的图像分类：使用EfficientNet实现高效分类前言图像分类是计算机视觉领域中的一个基础任务，其目标是将输入的图像分配到预定义的类别中。近年来，深度学习技术，尤其是卷积神经网络（CNN），在图像分类任务中取得了显著的进展。EfficientNet是一种新型的深度学习架构，它通过复合缩放（Compound Scaling）方法系统地扩展网络的深度、宽度和分辨率，从而在保持高效性的同时显著提高了性能。本文将详细介绍如何使用EfficientNet实现高效的图像分类，从理论基础到代码实现，带你一步步掌握基于EfficientNet的图像分类。一、图像分类

ModernBERT如何突破BERT局限？情感分析全流程解析自2018年推出以来，BERT 彻底改变了自然语言处理领域。它在情感分析、问答、语言推理等任务中表现优异。借助双向训练和基于Transformer的自注意力机制，BERT 开创了理解文本中单词关系的新范式。然而，尽管成绩斐然，BERT 仍存在局限——在计算效率、长文本处理和可解释性方面面临挑战。这推动了 ModernBERT 的研发，该模型专为解决这些痛点而生：它提升了处理速度、优化了长文本处理能力，还为开发者提供了更高透明度。本文将探索如何用 ModernBERT 开展情感分析，重点展现其特性与对 BE

摸爬滚打李上进

重生学AI第二十集（大结局）：完善模型以及学习总结这是我们学习容器的时候写的代码一个完整的模型是需要测试数据集和训练数据集的，训练数据集是用来训练模型的，测试数据集是测试模型学习成果，就像我们现实生活中的考试一样

模型的存储、加载和部署定义损失函数并以此训练和评估模型存储模型可以只存储state_dict或模型参数，每当需要部署经过训练的模型时，创建模型的对象并从文件中加载参数，这是 Pytorch 创建者推荐的方法。

绝顶大聪明

【CNN】卷积神经网络多通道卷积与偏置过程- part2多通道卷积的核心思想是：对每个通道分别进行卷积，然后把结果加起来。以彩色图像为例，包含三个通道，分别表示RGB三原色的像素值，输入为（3,5,5），分别表示3个通道，每个通道的宽为5，高为5。假设卷积核只有1个，卷积核通道为3，每个通道的卷积核大小仍为3x3，padding=0，stride=1。

多源信息融合智能投资【“图神经网络+强化学习“的融合架构】【低配显卡正常运行】本模型采用"图神经网络+强化学习"的融合架构，核心思路是通过多源信息融合进行智能投资决策，并实现决策可解释性。架构设计分为三个关键层次：

tensorflow搭建神经网络张量Tensor：多维创建张量：转换成张量：全0 全1 填充生成正态分布的随机数生成截断式正太分布的随机数（μ-2σ，μ+2σ）

主要分布在背侧海马体（dHPC）CA1区域（dCA1）的位置细胞对NLP中的深层语义分析的积极影响和启示海马体背侧CA1区（dCA1）的位置细胞（place cells）通过其独特的神经编码机制（构建空间认知地图、编码序列信息以及整合多模态输入等），为自然语言处理（NLP）的深层语义分析提供了重要的神经科学启示。以下是其核心影响及技术实现路径：

是娜个二叉树！

基础NLP | 01 机器学习深度学习基础介绍要点：应用文本分类任务机器翻译任务图像识别任务输入: 图像输出: 类别关系: 图中的像素排列，决定了图像的内容