深度学习

【荣誉时刻】PnP机器人荣获「具身智能跨界融合创新奖」，以硬核实力引领产业融合新范式【荣誉时刻】PnP机器人荣获「具身智能跨界融合创新奖」，以硬核实力引领产业融合新范式2026年4月，由机器人大讲堂、立德智库主办的第三届中国具身智能与人形机器人产业大会在北京圆满落幕。本次大会汇聚千余位政产研学金界精英，聚焦具身智能与机器人产业的前沿趋势与落地实践。集智联机器人（苏州）有限公司（PnP机器人）凭借在具身智能领域的技术创新与跨界融合实践，荣膺「具身智能跨界融合创新奖」。 🏆 获奖实至名归，源于对具身智能的深度探索具身智能，作为机器人行业近两年来发展最快的赛道，正在重塑整个产业的技术范

keineahnung2345

PyTorch SymNode 的 _is_contiguous 從何而來？──sizes_strides_impl 實作詳解前篇 PyTorch SymNode 為何找不到方法實作？──sizes_strides_methods 動態安裝機制解析介紹了 _make_node_sizes_strides 函數，而在該函數內，又定義了 sizes_strides_impl 和 sizes_strides_user 函數。

手写 AI 智能路由系统：从零构建多模型调度与负载均衡在实际的 AI 应用开发中，我们很少只依赖一个大模型来服务所有请求。大多数生产环境都会接入多个模型：比如 DeepSeek-V3 擅长复杂推理但成本偏高，Qwen2.5-14B 性价比极高适合处理常见问答，GLM-4 在中文理解上有独特优势，而纯代码或数学推理任务可能交给专门的模型处理效果更好。

自动微分模块多元线性回归是 y=wx+b，x一般充当特征、z充当预测值（相当于上面公式里的y），z如何来的？：x * w + b，得到的是预测值 z，预测值下面会有一个与之对应的 y真实值，想要描述预测值 z和真实值y 之间的关系用 loss损失函数，为了让损失最小，需要求导：之前做求导需要手动计算，现在可以通过自动微分帮忙求导，算出导数，再反向把值传到下框中，用来更新 w和 b；为什么叫反向传播？：因为从 x - -> w 乘、b加 - -> 拿到预测值z、结合真实值y - -> 得到损失函数；（绿色标注的、从

（二）神经网络训练基础：激活函数、反向传播与自动求导本节聚焦「如何训练」：先对齐常用术语，再依次说明激活函数、训练循环、反向传播与自动求导。一种模仿生物神经网络的结构和功能的数学模型或计算模型，按照一定的规则将多个神经元连接起来的网络。

LLM精进之路

IEEE 26 | 参数量不是关键：4B模型VeriGround在匿名化电路生成任务上性能超越GPT-5.4本文聚焦于多模态大语言模型（MLLM）在“视觉到代码”生成领域的可靠性问题，具体以“电路图到Verilog代码”这一安全攸关的任务作为极限测试场景。电路图作为一种视觉领域特定语言（DSL），其编码的拓扑、时序和位级语义对最终芯片功能至关重要，任何误读都可能导致代价高昂的物理缺陷。

计算机毕业设计：Python医疗数据可视化系统 Flask框架数据分析可视化医疗大数据用户画像（建议收藏）✅博主介绍：✌全网粉丝50W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌ > 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

PyTorch强化学习实战（8）——Q学习详解与实现我们已经学习了贝尔曼方程 (Bellman equation) 及其实际应用方法，价值迭代法(value iteration)。通过这种方法，我们显著提高了在 FrozenLake 环境中的训练速度和收敛性。在本节中，我们将使用相同的方法来处理复杂度更高的任务：来自 Atari 2600 平台的街机游戏，这些游戏已成为强化学习研究领域事实上的基准测试。

卫星和航空影像的深度学习技术Deep learning has revolutionized the analysis and interpretation of satellite and aerial imagery, addressing unique challenges such as vast image sizes and a wide array of object classes. This repository provides an exhaustive overview of deep learning te

定时器与时间轮思想在Linux中，提供了几个定时操作的相关函数，我们先来认识一下:timerfd_create 是 Linux 系统中用于创建定时器文件描述符的系统调用，我们先来详细介绍一下他的两个参数。

【神经网络】js版本的Pytorch，estorch重磅发布类似 PyTorch 的 JavaScript (ECMAScript) 张量/自动微分库，支持 CPU 训练。零依赖，纯 CommonJS 模块。

人工智能培训

知识图谱与检索增强的实战结合

驾驭AI 2.0时代：Transformer、扩散模型与物理信息神经网络核心技术解析近年来，随着卷积神经网络（CNN）等深度学习技术的飞速发展，人工智能迎来了第三次发展浪潮，AI技术在各行各业中的应用日益广泛。这个教程将带您全面掌握AI前沿技术、新理论及其Python代码实现，助您走在人工智能的技术前沿。

AI agent 开发之嵌入模型和提示词前置知识目录一、认识大语言模型1.1 什么是模型1.2 认识大语言模型1.3 自监督学习和半监督学习1.4 大语言模型的核心特点

AI人工智能+

一种基于深度学习的表格识别技术，通过融合计算机视觉、图神经网络和Transformer等算法，能精准解析复杂表格结构在数字化转型进程中，纸质表格、扫描文档、图像化表单等非结构化数据的自动化处理，是提升信息流转效率、降低人工成本的核心环节。一种融合深度学习与计算机视觉前沿算法的表格识别技术，突破传统模板匹配的局限性，实现复杂场景下表格结构的精准解析与内容的高效提取，为多行业数字化建设提供关键技术支撑。以下从技术原理、功能特点、应用领域三方面，对该技术进行系统阐述。

AI医影跨模态组学

Radiology（IF=15.2）中南大学湘雅二医院肖煜东教授等团队：基于CT放射组学的机器学习识别肝细胞癌瘤内纤维化及其潜在血管生成01文献学习今天分享的文献是由中南大学湘雅二医院肖煜东教授等团队于2026年5月在放射学领域顶刊《Radiology》（中科院1区top，IF=15.2）上发表的研究“CT Radiomics-based Machine Learning to Identify Intratumoral Fibrosis and Underlying Angiogenesis in Hepatocellular Carcinoma”即基于CT放射组学的机器学习识别肝细胞癌瘤内纤维化及其潜在血管生成，该研究开发并验证了一种

AI医影跨模态组学

Eur Radiol 温州医科大学第五附属医院等团队：开发与解释基于双能量CT的深度学习放射组学模型，用于预测颈动脉支架后新出现的脑缺血病灶01文献学习今天分享的文献是由温州医科大学第五附属医院等团队于2026年2月《European Radiology》（中科院2区，IF=4.7）上发表的研究“Development and interpretation of a dual-energy CT-based deep learning radiomics model for predicting new cerebral ischemic lesions after carotid artery stenting: a multicenter

AI机器学习算法

机器学习基础知识KFold交叉验证：理解、应用与误区解析-CSDN博客交叉验证（Cross Validation）是一种常用的在建模应用中评估模型表现和泛化能力的方法，其核心目的是更可靠地评估模型，避免过拟合或欠拟合，选择最优模型和参数。以下为你详细介绍：

西瓜书《机器学习》全网最详细解读第一章：绪论《机器学习》，又称西瓜书，是南京大学教授周志华教授编著的一本机器学习领域的经典教材。《机器学习》系统地介绍了机器学习的基本理论、常用算法及其应用。全书内容丰富，涵盖了机器学习的多个重要方面，包括监督学习、无监督学习、强化学习等主要学习范式。《机器学习》适合计算机科学、人工智能、数据科学等相关专业的本科生、研究生以及对机器学习感兴趣的自学者。无论是初学者希望系统地学习机器学习的基础知识，还是有一定基础的研究人员和从业者希望深入了解前沿技术，这本书都能提供有价值的参考。

烟锁池塘柳0

【机器学习】一文彻底搞懂正则化（Regularization）摘要: 本文旨在用最通俗易懂的语言，全面解析机器学习中至关重要的一个概念——正则化（Regularization）。我们将从“过拟合”这一常见问题入手，探讨为什么需要正则化，然后深入剖析两种最主流的正则化技术：L1 正则化 (Lasso) 和 L2 正则化 (Ridge)，并通过直观的数学解释和 Python 代码实例，让您彻底明白它们的原理、区别和应用场景。