深度学习

普密斯科技

高精度车载插座多维度检测方案——基于3D线激光轮廓传感器的实践应用车载插座作为汽车电子系统中的关键连接部件，其结构尺寸的精度直接决定了插拔稳定性、导电性能及使用寿命，尤其在新能源汽车快速普及的当下，对插座核心尺寸的检测要求愈发严苛。本文针对车载插座5项核心尺寸检测需求，提出基于3D线激光轮廓传感器的高精度检测方案，结合实验室测试验证与工程实践经验，详细阐述方案设计、实施要点及核心优势，为资深视觉工程师提供可落地的技术参考与实践借鉴。

语义分割-paddleseg写在前面的话：在复现paddleseg过程中，主要参考官方文档，程序也可在此下载：PaddleSeg1.创建虚拟环境，python≥3.6，然后点击链接，选择操作系统、安装方式、芯片厂商、计算平台等信息，然后复制生成的命令进行安装即可，链接：PP飞桨

【最新认知】2026 | 深度学习工业缺陷检测三种技术路线分析与趋势2026年必然是多模态视觉算法应用爆发的一年或者一键直达猛戳【零样本缺陷检测学习资料都在这里】

AI for Science应用：深度学习助力新型靶蛋白的药物从头设计（AIDD助力药物研发）由于受到新疾病出现的困扰，所以需要加快药物设计过程以开发针对这些疾病的新疗法。虽然基于深度学习的方法在基于配体的药物设计方面取得了一些成功。然而，这些方法在针对新靶点设计药物时面临数据稀缺的问题。在本项工作中，利用深度学习和分子模拟方法来开发药物设计流程，这对于目标特异性配体数据集有限或不可用的情况非常有用。在目标蛋白的活性位点筛选目标蛋白同源物的抑制剂，以获取初始目标特异性数据集。迁移学习用于学习特定目标数据集的特征。利用深度预测模型来预测新设计分子的潜在活性。使用强化学习将这两种模型结合起来，以设计具

大语言模型训练中的显存占用与优化方法简述在进行大语言模型（LLM）的微调或预训练时，显存（VRAM）不足通常是首要面临的问题。为了在有限的硬件资源下完成训练，了解显存的具体去向以及相应的优化技术是比较基础的工作。

信息访问 vs. 推理能力：LLM Agent 性能归因的实验分析LLM agent 看起来越来越智能了。但实际上它们可能只是拿到了更多信息。Agentic 工作流普及以后，LLM 开始被频繁用于迭代优化机器学习模型：提出配置方案、观察实验结果、逐步改进决策。表面上看这像是推理，但一个根本问题悬而未决：系统性能的提升，究竟源于推理能力，还是源于输入端信息的改善？

问题三：GraphRAG的研究现状、实例演示问题三：GraphRAG的研究现状、实例演示一、研究现状（截至2025–2026）二、实例演示（基于公开案例与实验）

YOLO26 增加 LoRA 支持（参数高效微调 PEFT）什么是 LoRA（Low-Rank Adaptation）yolo26_lora_train.yaml

青松@FasterAI

【动手学大模型】机器何以学习我是一名大模型算法工程师，在学习大模型的过程中踩过很多坑。为了帮程序员少走弯路，我把自己的经验写成了一本免费电子书《动手学大语言模型》——不堆公式，直接手搓源码，从零实现RNN、Transformer、GPT等经典架构，配了数百张原创插图，代码全部可运行。

基于深度学习的图像分割MATLAB实现基于深度学习的图像分割MATLAB程序，使用U-Net架构实现语义分割任务U-Net是一种专为生物医学图像分割设计的卷积神经网络，其特点包括：

1.2 深度学习核心概念：神经网络直觉理解不讲公式，只讲直觉。本文适合谁：对"神经网络"这个词感到神秘的读者，以及想理解"为什么深度学习这么厉害"的零基础程序员。读完这篇，你会对神经网络是什么、为什么能学习、为什么叫"深度"、以及为什么AI需要GPU，有清晰的直觉理解——不需要看一行数学公式。

范数-归一化L2归一化，也被称为L2范数归一化或欧几里德范数归一化，是一种常见的向量归一化方法。在机器学习和数据处理中经常使用。

李沐《动手学深度学习》——实战 Kaggle 比赛：预测房价学深度学习时，前面我们经常在做一些相对“标准化”的任务，比如：识别图片分类文本搭建全连接网络理解卷积和激活函数

Product Hunt 每日热榜 | 2026-03-26标语：创建专门的人工智能代理，处理实际任务和工作流程。介绍：您可以从现成的智能助手开始，处理常见的工作流程，或者在几分钟内创建您自己的助手。Agentplace 让您能够构建专门用于处理各种任务的智能助手，比如潜在客户分配、研究、文献分析、日程安排和内部支持等。您可以自己使用这些助手，与团队分享，或者将它们连接到您已经在使用的工具上。Agentplace 负责基础设施的搭建，您可以专注于优化工作流程。

混合精度训练AMP&master-sweight&Loss Scaling混合精度训练是一种可以大幅加速模型训练，并且减少显存占用，同时又不影响模型精度的技术。目前已经是大模型训练的默认配置。今天我们就来全面了解这项技术。

当交通遇上机器学习

IEEEICDE2025 | TimeKD：融合大语言模型与知识蒸馏的时间序列预测方法文章信息论文题目为《Efficient Multivariate Time Series Forecasting via Calibrated Language Models with Privileged Knowledge Distillation》，发表于数据工程领域的CCF-A会议IEEEICDE2025。该研究针对传统时间序列预测模型在跨变量依赖建模能力有限、难以利用外部知识以及预测性能受限等问题，提出了一种融合大语言模型与知识蒸馏的预测框架。

双阶段目标检测是什么？有什么用？一、引言在计算机视觉技术飞速发展的当下，目标检测作为核心分支，早已从实验室走向现实生活的方方面面，成为人工智能感知世界的关键入口。所谓目标检测，就是让计算机通过对图像、视频的分析，同步完成物体定位与物体分类两大核心任务——既要精准找到画面中所有物体的位置，用边界框圈定范围，又要准确识别出物体的类别，区分出人、车、动物、物品等不同对象。这项技术是自动驾驶、智能安防、工业质检、医学影像等领域的基础支撑，没有高效精准的目标检测算法，诸多智能化应用都无从谈起。

人工智能(AI)全体系学习——系列三注意力机制（Attention Mechanism）本质上是在解决一个很现实的问题：当输入信息很多时，模型不应该平均对待所有内容，而应该把更多计算资源放到更重要的信息上。

前沿技术借鉴研讨-2026.3.26（解决虚假特征x2/混合专家对比学习框架）核心内容：这篇论文聚焦记忆行为建模中的分布外泛化问题，提出了无需显式环境标签的不变表示学习框架I-Mem，通过自适应分离环境相关的虚假特征、提取稳定的认知结构特征，解决了现有模型在动态异质记忆数据中泛化能力差的问题，同时兼具可解释性和认知机制发现潜力。

OpenPPL之二，优化器里面的算子融合关键点：融合发生在模型加载时，只执行一次运行时直接执行融合后的算子，不再重新融合因此，融合的误差是固定的，不会随输入变化