深度学习

Nature正刊：用神经网络替代有限元仿真，热电设计提速四个数量级导语：找好材料很难，但更难的是——把好材料做成好器件。热电器件设计的核心瓶颈，在于有限元仿真太慢了：每次求解耦合偏微分方程都要耗费几十分钟，而一个器件设计空间往往有成百上千种组合需要扫描。来自日本NIMS和筑波大学的研究团队在2026年《Nature》上给出了一个突破性答案：他们开发的TEGNet神经网络，能用0.25秒完成传统求解器需要2237秒才能算完的任务，预测精度超过99%。更重要的是，这套网络可以像积木一样拼装组合，快速设计出更复杂的器件——他们据此造出了效率达9.3%和8.7%的两类热电器件，

努力学习_小白

基于 RNN 的心脏病预测本次实验使用的是我电脑上的 PyTorch 环境：RNN，全称是 Recurrent Neural Network，也就是循环神经网络。它和普通全连接神经网络最大的区别是：RNN 可以处理具有顺序关系的数据。

古诗小集开发实战：从零开发一款 HarmonyOS 古诗鉴赏应用中国古典诗词是中华文化的瑰宝，千百年来传诵不衰。从李白的「床前明月光」到杜甫的「两个黄鹂鸣翠柳」，这些短短数十字的诗句承载着深邃的情感与哲思。作为一名开发者，我一直想做一款轻量、优雅的古诗鉴赏应用，让用户在碎片时间里能够随时翻阅经典，感受诗词之美。

YOLO数据集集合

无人机航拍街道巡检数据集 | 空中视角车辆检测、交通流量统计、违停识别、智能交通YOLO数据集10399期摘要：一套面向无人机低空航拍街道场景的车辆目标检测开源数据集，采用行业通用标注格式，全面适配YOLO系列等主流深度学习目标检测框架。可落地空中视角车辆识别、城市街道巡检、交通流量统计、车辆违停抓拍、智能交通管控等业务场景，样本体量充足、场景贴合实战，能够快速支撑算法训练、模型微调、工程部署与学术研究。

放下华子我只抽RuiKe5

FastAPI 全栈后端（四）：认证与授权创作者： Yardon | GitHub： github.com/YardonYan | 版本： v1.0 |

【论文学习】Segment Anything 分割一切分割一切我们介绍了分割一切（SA）项目：一个用于图像分割的新任务、新模型和新数据集。通过在数据收集循环中使用我们高效的模型，我们构建了迄今为止规模最大的分割数据集，在1100万张经授权且尊重隐私的图像上拥有超过10亿个掩码。该模型的设计和训练使其具有可提示性，因此能够零样本迁移到新的图像分布和任务中。我们在众多任务上评估了其能力，发现其零样本性能令人印象深刻——通常与甚至优于先前全监督方法的结果。我们已在https://segment-anything.com上发布了分割一切模型（SAM）以及对应的包含1

装不满的克莱因瓶

自然语言处理发展历史——从规则系统到大语言模型的演进之路目录一、前言二、NLP发展的整体阶段三、第一阶段：规则驱动时代（1950s-1990s）（一）核心思想

weixin_40826634

H20训练CPGNET环境搭建1、本地cuda安装版本：12.1sudo sh cuda_12.1.1_530.30.02_linux.run echo ‘export CUDA_HOME=/usr/local/cuda-12.1’ >> ~/.bashrc echo ‘export PATH=CUDAHOME/bin:CUDA_HOME/bin:CUDAHOME/bin:PATH’ >> ~/.bashrc echo ‘export LD_LIBRARY_PATH=CUDAHOME/lib64:CUDA_HOME/lib64:CU

装不满的克莱因瓶

RLHF中的PPO算法——大语言模型对齐优化的核心引擎目录一、前言二、RLHF中的PPO位置（一）整体流程（二）直观理解三、什么是PPO（一）一句话理解（二）核心目标

【LLM技术全景】开源大模型生态：如何选择适合你的基座模型？摘要：本文是《LLM技术全景：从Token到部署》系列第六篇。随着LLaMA开源引爆生态，现在已有数十个开源大模型可供选择。但"选择困难症"也随之而来：LLaMA、ChatGLM、Qwen、DeepSeek、Mistral……到底哪个更适合我的项目？本期将系统对比主流开源模型的技术特点、中文能力、部署成本，并提供一套"模型选择决策树"，帮助开发者在2026年做出最合适的技术选型。

NVIDIA OmniDreams：用于闭环自动驾驶仿真、支持实时生成的世界模型26年6月来自Nvidia的论文“NVIDIA OmniDreams: Real-Time Generative World Model for Closed-Loop Autonomous Vehicle Simulation”。

MirrorFuzz：利用共享漏洞与大模型的深度学习框架 API 模糊测试“ 深度学习框架（如 PyTorch、TensorFlow 等）已成为 AI 应用的基础设施，其内部 API 的稳定性与安全性直接影响模型训练与部署的可靠性。然而，现有针对深度学习框架的模糊测试方法，大多将 API 视为相互独立的测试对象，忽略了一个关键事实：不同深度学习框架之间，乃至同一框架内部，存在大量功能高度相似的API，而这些 API 往往共享相同或相似的漏洞模式。

GR00T N1.7源码学习（五）：Policy推理、RTC动作衔接与部署流程解析GR00T N1.7源码学习（一）：工程入口、模型结构与动作生成流程解析-CSDN博客GR00T N1.7源码学习（二）：训练数据、Processor与多机器人动作空间解析-CSDN博客

x-ds-pow-response逆向分析声明：本文章中所有内容仅供学习交流使用，不用于其他任何目的，不提供完整代码，抓包内容、敏感网址、数据接口等均已做脱敏处理，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关.本文章未经许可禁止转载，禁止任何修改后二次传播，擅自使用本文讲解的技术而导致的任何意外，作者均不负责。

一切皆是因缘际会

从注意力归因到XAI落地当前政企AI整改大批量驳回项目，核心是开发团队混淆了生成式事后解释与权重前置归因，二者看似输出一致，底层逻辑完全割裂，也是行业最大骗局。

古希腊掌管代码的神THU

【清华代码熊】Agent Harness 工程实践之（1）： Context管理📌 Agent Harness 作为 2026 年上半年 Agent 技术代名词，在讲到具体方法论的时候却又“说不清”。 🔥 这个系列会通过解析 Claude Code / DeepAgents / OpenHands 等框架，通过“了解Harness 工业做法” 学习 Harness。

torch：tensor的运算torch.pow()等价与**平方根相关函数指数与幂注意：对负数开平方会得到 nan（实数域），如需复数请用 torch.complex64

叫我：松哥

基于卷积神经网络的人脸情绪识别算法，引入残差连接与SE注意力模块1前言1.1.1 研究背景随着人工智能技术的飞速发展，人机交互日益成为日常生活的重要组成部分。人类情感的表达主要通过面部表情、语音语调、肢体动作等方式传递，其中面部表情是最直观、最丰富的载体。人脸情绪识别旨在使计算机能够自动识别人类的情绪状态，如高兴、悲伤、愤怒、惊讶等，从而实现更自然、更智能的交互。该技术在智能教育、心理健康监测、安全驾驶、娱乐互动等领域具有广阔的应用前景。

谷哥的小弟

大模型核心基础知识(17)—梯度下降梯度下降是模型训练中的基础优化方法。神经网络在完成前向传播和误差计算之后，还要进一步调整参数，使损失函数逐步减小。梯度下降所承担的任务，正是依据当前误差对参数进行迭代更新，使模型输出不断逼近目标结果。没有这一过程，模型虽然能够计算预测结果，却无法在训练中持续改进。

解决 TensorBoard 启动时 “No module named 'pkg_resources'” 问题在 Pointcept 项目中，启动 TensorBoard 查看训练日志时出现如下错误：发现目录存在，但没有顶层的 pkg_resources 模块。进一步查看 _vendor 子目录：