深度学习

好想写博客

[深度学习]多层神经网络一个神经元实际表示的数据公式为 y ^ = w ∗ x + b \hat y=w*x+b y^=w∗x+b 由于是线性关系，因此只能表示出线性图像，有很多局限性，比如在如下场景中：

液态不合群

提升大语言模型的三大策略随着大语言模型（LLMs）在技术和应用上的不断发展，它们已经深刻地改变了我们与计算机的互动方式。从文本生成到语言理解，LLMs的应用几乎涵盖了各个行业。然而，尽管这些模型已展现出令人印象深刻的能力，如何将它们真正适配到自己特定的业务需求中，仍然是一个复杂且充满挑战的任务。

时间很奇妙！

开篇：吴恩达《机器学习》课程及免费旁听方法Machine Learning | Coursera共包含三个子课程Supervised Machine Learning: Regression and Classification | Coursera

【无标题】微调是迁移学习吗？是的，微调（Fine-Tuning）可以被视为一种迁移学习（Transfer Learning）的形式。迁移学习是一种机器学习方法，其核心思想是利用在一个任务上学到的知识来改进另一个相关任务的性能。微调正是通过在预训练模型的基础上进行进一步训练，以适应特定任务，从而实现迁移学习的目标。

吴恩达深度学习——建立逻辑回归分类器识别猫本文来自吴恩达《深度学习》L1W2作业2，仅为个人学习所用。理论来自吴恩达深度学习——神经网络编程的基础知识在理论中说明了一些函数的形式，本文不再累述。

西柚小萌新

1.3.浅层神经网络目录1.3.浅层神经网络1.3.1 浅层神经网络表示1.3.2 单个样本的向量化表示1.3.4 激活函数的选择

AI街潜水的八角

PyTorch框架——基于深度学习YOLOv8神经网络学生课堂行为检测识别系统基于YOLOv8深度学习的学生课堂行为检测识别系统，其能识别三种学生课堂行为：names: ['举手', '读书', '写字']

微软预测 AI 2025，AI Agents 重塑工作形式1月初，微软在官网发布了2025年6大AI预测，分别是：AI模型将变得更加强大和有用、AI Agents将彻底改变工作方式、AI伴侣将支持日常生活、AI资源的利用将更高效、测试与定制是开发AI的关键以及AI将加速科学研究突破。

（2025，BioLM，综述）用于生物信息学的 LLM目录0. 摘要1. 引言2. 生物信息学中语言模型与基础模型的背景2.1 语言模型与生物信息学基础概述

【深度学习基础】多层感知机 | 多层感知机概述【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈PyTorch深度学习 ⌋ ⌋ ⌋ 深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据分析、科学探索等领域都取得了很多成果。本专栏介绍基于PyTorch的深度学习算法实现

生成模型：生成对抗网络-GANGAN的生成原理依赖于生成器和判别器的博弈这种独特的机制使GAN在图像生成、文本生成等领域表现出色。具有表现为:

AIGC视频生成模型：ByteDance的PixelDance模型大家好，这里是好评笔记，公主号：Goodnote，专栏文章私信限时Free。本文详细介绍ByteDance的视频生成模型PixelDance，论文于2023年11月发布，模型上线于2024年9月，同时期上线的模型还有Seaweed（论文未发布）。

HyperAI超神经

超越 GPT-4o！从 HTML 到 Markdown，一键整理复杂网页；AI 对话不再冰冷，大模型对话微调数据集让响应更流畅面对信息冗余的网页内容，如何快速提取全面的核心信息？Reader-LM 模型为你提供了专业的解决方案。Reader-LM 能高效处理高达 256K 字节的超长内容，精准将 HTML 转换为清晰的 Markdown 格式。它的表现甚至超过了 GPT-4o 等大型语言模型，其轻量化设计也使它更适合资源受限的场景。

大语言模型LMM学习路线—从入门到进阶大语言模型（LLM）是一种基于深度学习的人工智能系统，专注于自然语言处理任务。以下是对大语言模型的详解和框架图：

推理优化：语言模型突破的新引擎标题：推理优化：语言模型突破的新引擎文章信息摘要：本文深入探讨了语言模型推理阶段优化的重要性和发展前景。研究表明，推理计算存在独立于模型规模的优化规律，通过Best-of-N采样、自我对话等方法可显著提升模型性能。随着算力成本下降，推理优化较预训练更具经济可行性。OpenAI的Strawberry项目等实践证明，即使小型模型在合适的推理优化下也能产生优质输出。这一领域已形成清晰的技术路线，有望成为提升AI性能的关键突破口，值得增加研究投入。

游程编码RLE的简单解释RLE是一种用于表示图像中目标区域的编码方法，尤其在图像分割任务中常用。它的核心思想是通过记录目标像素的起始位置和连续长度，来压缩表示目标区域。

Pytorch使用教程(12)-如何进行并行训练？在使用GPU训练大模型时，往往会面临单卡显存不足的情况。这时，通过多卡并行的形式来扩大显存是一个有效的解决方案。PyTorch主要提供了两个类来实现多卡并行：数据并行torch.nn.DataParallel（DP）和模型并行torch.nn.DistributedDataParallel（DDP）。本文将详细介绍这两种方法。

电力场景红外测温图像绝缘套管分割数据集labelme格式2436张1类别数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)图片数量(jpg文件个数)：2436

天天代码码天天

C# OpenCvSharp 部署读光-票证检测矫正模型（cv_resnet18_card_correction）目录说明算法流程输出字段定义效果模型信息项目代码下载参考C# OpenCvSharp 部署读光-票证检测矫正模型（cv_resnet18_card_correction）

PyTorch使用教程(14)-如何正确地选择损失函数？在机器学习和深度学习的广阔领域中，损失函数（Loss Function）扮演着至关重要的角色。它不仅是衡量模型预测结果与实际数据之间差异的关键指标，还是指导模型优化方向、影响最终性能的核心要素。选择合适的损失函数，对于提升模型的准确性、鲁棒性和泛化能力具有深远的意义。本文将从损失函数的基本概念出发，深入探讨不同类型的损失函数及其适用场景，最后提出一套系统化的方法，帮助读者在实际应用中正确地选择损失函数。