深度学习

民乐团扒谱机

【读论文】深度学习中的卷积算术指南 A guide to convolution arithmetic for deep learning本指南的作者感谢大卫·沃德-法利、纪尧姆·阿兰和贾拉尔·居尔切雷提供的宝贵反馈。同时，也感谢所有通过有益的评论、建设性的批评和代码贡献帮助完善本教程的读者，期待大家继续提出建议！

[深度学习网络从入门到入土] 拓展 - Inception知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

解析CANN ops-transformer的FlashAttention算子：注意力机制的内存优化本文深入解析华为CANN库中ops-transformer组件的FlashAttention算子实现，重点探讨其在注意力机制中的内存优化技术。FlashAttention通过创新的算法设计，将Transformer模型的自注意力计算复杂度从O(N²)降低到O(N)，显著减少高带宽内存（HBM）访问次数。文章将剖析该算子的数学原理、硬件适配策略及在昇腾AI处理器上的优化实现，结合Stable Diffusion等实际案例展示其性能优势。适合AI框架开发者、硬件加速工程师和Transformer模型优化人员阅

【论文阅读7】从 Center Loss 到 Range Loss：破解长尾分布下的特征学习难题🏗️论文题目：《Range Loss for Deep Face Recognition with Long-Tailed Training Data》

AI的春节档今年1月7日，我在我的读者群里发了一个不靠谱预测，今年的春节，将看到史无前例的AI产品大战，线上到线下，广告，春晚，贺岁片植入，无处不在。现在春晚和贺岁片还没开始，不过这个预测大概率是兑现了。

用于机器人控制的因果世界建模26年1月来自蚂蚁Robbyant的论文“Causal World Modeling for Robot Control”。

文艺小码农

PEFT 库中文本生成LoRA 教程在本教程中介绍如何使用的 peft 库和 bitsandbytes 来以 8-bits 加载大语言模型，并对其进行高效微调。微调方法使用“低秩适配器”（LoRA）的方法

【CNN网络入门】基于PyTorch的MNIST手写数字识别：从数据准备到模型部署全流程详解手写数字识别是计算机视觉领域的经典入门项目，MNIST数据集包含了大量0-9的手写数字图片，是深度学习入门的"Hello World"。本文将详细介绍如何使用PyTorch框架构建一个卷积神经网络（CNN）来识别MNIST手写数字，并展示完整的训练、评估和可视化流程。

【深度学习教程——05_生成模型(Generative)】25_扩散模型为什么能生成高质量图像？Diffusion数学推导本章目标：理解 Diffusion Model (扩散模型) 的物理直觉。为什么把一张图慢慢加噪变成雪花点，再反过来去噪，就能生成艺术画？Stable Diffusion 和 Midjourney 背后的魔法到底是什么？

完整的 YOLO26 自定义模块注册 & 训练步骤✅ 关键：只有加入 base_modules，YOLO 的 parse_model 函数才会识别该模块并自动处理参数；

深度学习常见问题1.将 100 个大小为 5 x 5 的滤波器应用于 500 x 500 x 3 的图像，输出结果是什么？

3.RNN及其变体【根据RNN内部结构，可以分为哪几类】RNN模型的分类【传统RNN的工作原理是什么】【激活函数tanh的作用是什么】

基于 YOLOv11 的人脸表情识别系统本项目基于 YOLOv11 深度学习模型实现人脸表情的智能识别，提供完整的训练流程与可视化桌面应用。系统支持图片、视频、摄像头三种识别方式，具备用户登录、历史记录、模型管理、指标可视化等功能。

[深度学习网络从入门到入土] 含并行连结的网络GoogLeNet知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

AIAgent应用开发——DeepSeek分析（一）【项目起源与目标】DeepSeek是中国团队研发的大语言模型项目，旨在打造开源、强大且易用的AI工具，类以ChatGPT或Gemini，寓意通过深度学习探索智能边界。

大模型玩家七七

关系记忆不是越完整越好：chunk size 的隐性代价在做祝福生成、感谢、道歉这类“关系型表达”的 RAG 系统时，很多工程师都会有一个非常自然的直觉：“既然关系重要，那我就把关系写得更完整一点。”

大模型核心问题全解析：从激活函数到训练实战随着大语言模型（LLMs）的快速发展，从技术原理到工程实践，一系列核心问题成为学习者与开发者的重点关注方向。本文将针对11个大模型高频问题，逐一拆解原理、补充细节、梳理逻辑，涵盖激活函数、生成问题、长文本处理、模型体系、训练优化等关键维度，帮你构建完整的大模型知识框架。

Dropout：深度学习中防止过拟合的“随机失活”艺术在训练神经网络时，你是否遇到过这样的情况：这就是典型的过拟合——模型把训练数据里的噪声也记住了，导致在新数据上表现不佳。

计算机基础·cs336·RLHF参考文献Prompt：“如何提高学习效率？”当前策略（policy LM）：( π θ \pi_\theta πθ) 旧策略： π old \pi_{\text{old}} πold 参考模型： π ref \pi_{\text{ref}} πref 奖励模型： r ϕ ( x , y ) r_\phi(x,y) rϕ(x,y)

LY模型流程下面按你这 0–6 张 Task Card 的顺序，把**每一步“为什么要做、做完能证明什么、它在整条链路里起什么作用”**解释清楚（偏论文/工程共同语言）。