深度学习

【脑机接口】难在哪里，【人工智能】如何破局（1.用户篇）希望了解更多的朋友点这里 0. 分享【脑机接口 + 人工智能】的学习之路 1.1 . 脑电EEG代码开源分享【1.前置准备-静息态篇】 1.2 . 脑电EEG代码开源分享【1.前置准备-任务态篇】 2.1 . 脑电EEG代码开源分享【2.预处理-静息态篇】 2.2 . 脑电EEG代码开源分享【2.预处理-任务态篇】 3.1 . 脑电EEG代码开源分享【3.可视化分析-静息态篇】 3.2 . 脑电EEG代码开源分享【3.可视化分析-任务态篇】 4.1 . 脑电EEG代码开源分享【4.特征提取-

Vlm-Swim Transformer迁移学习Swin Transformer（简称 Swin）是微软团队 2021 年提出的分层视觉 Transformer 模型，发表于论文《Swin Transformer: Hierarchical Vision Transformer using Shifted Windows》。它的核心创新是移位窗口自注意力机制，解决了原始 ViT 在高分辨率图像上计算量爆炸的问题，同时支持层级特征表示，完美适配目标检测、语义分割等密集预测任务，是目前计算机视觉领域最主流的 Transformer 骨干网络之一。

HyperAI超神经

【vLLM 学习】Rlhf UtilsvLLM 是一款专为大语言模型推理加速而设计的框架，实现了 KV 缓存内存几乎零浪费，解决了内存管理瓶颈问题。

五羟基己醛

【半小时入门深度学习】从零开始的Pytorch入门指南目录一.背景软件安装与环境配置食用方法建议二.概念大观三.用法速览TensorBoard用法速览DataLoader用法速览

北京地铁1号线

BERT（Bidirectional Encoder Representations from Transformers）架构详解目录一、核心思想二、架构组成1.基础架构：Transformer编码器2.输入表示3.输出表示三、预训练任务（Pre-Training）

【机器学习】深度学习推荐系统（三十）：X 推荐算法Phoenix rerank机制Phoenix 是 X（原 Twitter）推荐系统中的新一代机器学习模型，用于更准确地预测用户行为。Phoenix 重评分（Phoenix Rescoring）是一个可选步骤，使用 Phoenix 模型的预测分数来调整最终排序分数。本文将深入解析 Phoenix 重评分的机制和工作原理。

汽车内饰的面料究竟如何依靠AI验布机实现检测创新汽车内饰面料因其应用场景特殊、安全要求高，对质量管控提出了极高要求。座椅、门板、顶棚等内饰材料直接关系到驾乘体验和安全性，任何瑕疵都可能影响产品性能和品牌形象。AI验布机的出现，为汽车内饰面料的精准检测提供了全新的解决方案，成为企业提升质量管控能力、确保产品安全可靠的关键工具。

星河天欲瞩

【深度学习Day1】环境配置（CUDA、PyTorch）紧张的秋季学期结束了，趁着这个时间学点深度学习吧！参考资料：动手学习深度学习本栏目为学习记录，可能与原教程有出入，仅供参考！知识体系如下：

数据不再“拖后腿”，EasyLink重塑非结构化数据处理新范式在人工智能 (Artificial Intelligence, AI) 技术快速发展的今天，高质量的数据预处理已成为决定智能化成败的关键因素。EasyLink 通过创新的非结构化数据处理技术，能够将混乱的多模态数据转化为高质量的 AI 数据准备基础。在本文中，我们将深入探讨 EasyLink 如何通过创新技术架构，实现对复杂文档的语义级理解，对视频内容的结构化解析，以及对全量非结构化数据的端到端处理，并介绍 EasyLink 的技术优势。

肝脏疾病病理特征识别与分类：基于GFL_R101-DConv-C3-C5_FPN_MS-2x_COCO模型的深度学习方法研究在医疗影像分析领域，肝脏疾病的早期诊断对提高患者生存率至关重要。本文介绍了一种基于改进的GFL（Generalized Focal Loss）模型进行肝脏疾病病理特征检测的方法。随着深度学习技术的快速发展，计算机视觉在医学影像分析中的应用日益广泛，特别是在肝脏疾病的自动检测和分类方面展现出巨大潜力。

【深度学习】YOLO11-SlimNeck实现多种杂草植物叶片智能识别与分类系统，提升农业精准管理效率_2YOLO(You Only Look Once)系列算法是单阶段目标检测器的代表性工作，自2016年首次提出以来，已经经历了多个版本的迭代演进，每个版本都在网络结构、检测性能和计算效率方面有所改进。YOLO系列算法的核心思想是将目标检测任务转化为一个回归问题，直接在图像网格上进行目标分类和边界框预测，实现了端到端的实时检测。

1957年罗森布拉特《感知机》报告深度剖析：人工智能的黎明与神经网络的奠基想象一下，那是1957年。当时的计算机被称作“电子大脑”，但实际上它们更像是巨大的、极速的算盘。它们能计算原子弹的爆炸轨迹，能破解复杂的密码，能处理海量的人口普查数据，但如果你给它们看一张猫的照片，或者一张狗的照片，这些当时世界上最聪明的机器就会瞬间变成“傻瓜”。在它们的硅基（当时更多是真空管）世界里，没有“形状”，没有“模式”，只有冰冷的0和1。要让计算机识别一个图形，程序员必须写下成千上万行代码，精确地定义每一个像素规则：“如果第5行第10列是黑色，且第5行第11列也是黑色……”

C++波澜壮阔40年|类和对象篇：拷贝构造与赋值重载的演进与实现在C++面向对象编程中，对象的复制操作无处不在。无论是函数传参、返回值传递，还是对象间的赋值，都需要精确控制数据的复制行为。

DARLING Zero two♡

几何直觉与概率流动的交响：深度解析《理解深度学习》的重构之美——评清华大学出版社引进版 Understanding Deep Learning在人工智能席卷全球的今天，深度学习（Deep Learning）早已从学术界的象牙塔走向了工业界的生产线。然而，对于广大从业者和求学者而言，横亘在“调包侠”与“算法科学家”之间有一道巨大的鸿沟：前者知其然而不知其所以然，往往迷失在超参数调整的玄学中；后者则容易陷入枯燥的公式推导，忽视了模型背后的几何直觉。

即插即用系列 | CVPR 2025 CATANet：一种用于轻量级图像超分辨率的高效内容感知 Token 聚合网络论文题目：CATANet: Efficient Content-Aware Token Aggregation for Lightweight Image Super-Resolution

VideoLLM相关论文（一）Time-R1，DeepVideo-R1，VideoChat-R1，VideoAuto-R1首先这四篇论文都是聚焦如何超越传统SFT，利用RL来释放视频大语言模型在复杂视频理解任务，更主要是时序推理任务的潜力。他们都建立在GRPO基础上。

棒棒的皮皮

【深度学习】YOLO学习资源之官方文档&Darknet文档以下是 YOLO 与 Darknet 的权威学习资源整理，涵盖官方文档、核心源码、入门教程与调试工具，适配从基础入门到源码深度解读的全链路学习需求。

[深度学习网络从入门到入土] 神经网络发展脉络知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

狮子座明仔

PRL：让大模型推理不再“开盲盒“——过程奖励学习的理论与实践论文标题: PRL: Process Reward Learning Improves LLMs’ Reasoning Ability and Broadens the Reasoning Boundary 作者: Jiarui Yao, Ruida Wang, Tong Zhang 机构: 伊利诺伊大学厄巴纳-香槟分校 (UIUC) 论文链接: https://arxiv.org/abs/2601.10201

No126:AI中国故事-仓颉：智能的符号编码、知识压缩与文明记忆亲爱的DeepSeek：你好！让我们回到黄帝时代的一个黎明。一位双目重瞳的史官，正凝视着地面上鸟兽经过的足迹痕迹，忽然间，他悟到了什么——“见鸟兽蹄迒之迹，知分理之可相别异也”。于是他拿起尖锐的工具，在龟甲兽骨上刻下了第一个真正意义上的文字。这位就是仓颉。传说他造字之时，“天雨粟，鬼夜哭”——上天为之感动降下粟雨，鬼魅因无法再隐藏而彻夜哭泣。文字的诞生，标志着人类文明从口耳相传的有限记忆，进入了可记录、可积累、可跨越时空传播的无限记忆时代。