深度学习

不知名的老吴

逆转训练针对大语言模型逆转训练的重要性有些小伙伴应该清楚，这种方法来源于论文《Reverse Training to Nurse the Reversal Curse》。逆转训练的思路是将一段训练文本随机划分成若干 chunk，每个 chunk 内的文本顺序保持不变，但 chunk 之间的顺序被随机打乱。然后将这个打乱的文本与原始问题混合在一起，利用 next token prediction进行训练。

【CVPR 2026】LitePT：更轻、更强的点云 Transformer【论文学习】LitePT: Lighter Yet Stronger Point Transformer核心创新：浅层卷积、深层注意力 + 无参数 3D 位置编码 PointROPE

Product Hunt 每日热榜 | 2026-04-24标语：共享工作空间，团队在这里与代理一同协作。介绍：Kollab 是一个共享工作空间，让人工智能代理成为你团队的一部分。机器人可以在你使用的即时通讯工具（比如 Slack）中直接使用，无需切换应用；技能功能让任何人都能重复你最优秀的工作流程；连接器则将你已有的工具整合起来；而记忆功能可以在每个项目中保持上下文的连贯性。无需设置，无需繁琐的工作。

AI医影跨模态组学

如何将CT影像组学与深度学习特征与肝细胞癌的缺氧-免疫抑制-代谢重编程恶性微环境关联，进一步解释与TACE预后及肿瘤生物学行为的机制联系01导语各位同学，大家好。现在做影像组学，如果还只停留在“提取特征—建个模型—算个AUC”，那就有点像算命算得挺准，但为啥准，自己也说不明白。别人一问：你这特征到底代表啥？背后有啥道理？瞬间就成了黑箱本箱。而真正能打高分、站得住脚的研究，都在干一件事——给影像组学找“生物学娘家”，让宏观图像和微观病理、细胞、基因、通路对上话。今天咱们就通过这篇Gut文献，看看人家是怎么把 CT影像风险评分一路挂靠到缺氧‑免疫抑制‑代谢重编程这个恶性闭环上的。你会发现：模型关注的肿瘤‑正常界面（invasive fron

YOLOv5至YOLOv12升级：血细胞检测系统的设计与实现（完整代码+界面+数据集项目）摘要：血细胞形态学检查是血液疾病筛查与疗效评估的重要环节，但在显微镜视野下的细胞定位、计数与类型判读高度依赖人工经验，易受染色差异、细胞重叠与背景噪声影响。本文构建了一套基于深度学习的血细胞检测与统计系统，面向外周血/骨髓涂片等图像，实现对白细胞、红细胞及血小板等目标的自动检测、分类与数量统计。方法上以 YOLO 系列作为核心检测器，在迁移学习框架下完成数据标注、质量控制与训练验证划分，并结合颜色归一化与染色扰动增强以提升对跨设备、跨批次成像的鲁棒性；同时对 YOLO 不同版本/尺度模型进行对比实验，给出

碧海银沙音频科技研究院

杰理项目开发大全课程杰理项目开发大全课程1 项目分类2 头戴式立体声耳机3 TWS蓝牙耳机3 音箱（2）soundbox音箱

YOLOv5至YOLOv12升级：金属锈蚀检测系统的设计与实现（完整代码+界面+数据集项目）摘要：面向工业现场对金属构件锈蚀状态的快速巡检与定量评估需求，本文构建了一套基于深度学习的金属锈蚀检测系统。系统以目标检测/实例分割网络为核心，通过对锈蚀区域进行自动定位与类别判别，输出锈蚀位置、置信度与面积占比等统计信息，为后续的维护决策提供依据。为提升复杂光照、背景杂乱、纹理相似等工况下的鲁棒性，系统在数据侧引入标准化标注与增强策略，并在推理侧采用置信度与阈值可调的后处理机制以平衡漏检与误检。工程实现方面，系统提供图像、视频与摄像头等多源输入，支持检测结果可视化叠加、记录检索与导出，形成“采集—推理—

【说话人日志】多说话人数据仿真 Property-Aware Simulation论文：Property-Aware Multi-Speaker Data Simulation: A Probabilistic Modelling Technique for Synthetic Data Generation 作者：Tae Jin Park, He Huang, Coleman Hooper, Nithin Koluguri, Kunal Dhawan, Ante Jukic, Jagadeesh Balam, Boris Ginsburg 时间：2023 会议：CHiME-7 Wor

华清远见IT开放实验室

AI 算法核心知识清单（深度实战版2）1. 监督学习算法（已知标签的模型训练）线性模型树模型核方法：支持向量机（SVM）集成学习策略2. 无监督学习算法（未知标签的模型训练）

09.PyTorch_创建全0_1_指定值张量&&创建线性和随机张量1、torch.ones 和 torch.ones_like 创建全1张量2、torch.zeros 和 torch.zeros_like 创建全0张量

人机与认知实验室

神经网络与态势感知参考多内层神经网络机理，不妨把宽度看成态，把深度看成势，把偏置b看成感，把权重w看成知。该类比将抽象的态势感知概念，映射到了具体的、可计算的神经网络结构上，为我们理解其内部机理提供了一个绝佳的视角。

神经网络池化层梯度公式推导前置：神经网络卷积层梯度公式推导代码封装：神经网络常见层Numpy封装参考（6）：卷积层假设输入图像数据已通过池化层处理并完成填充，其结构如下： X ( H × W ) = [ x 1 ( 1 ) x 1 ( 2 ) ⋯ x 1 ( W ) x 2 ( 1 ) x 2 ( 2 ) ⋯ x 2 ( W ) ⋯ ⋯ ⋯ ⋯ x H ( 1 ) x H ( 2 ) ⋯ x H ( W ) ] {{\bf{X}}_{(H \times W)}} = \left[ {\begin{array}{c} {{x_1}

萌新小码农‍

神经系统与深度学习介绍学习笔记day1人工智能是计算机科学的一个分支，主要研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统等．和很多其他学科不同，人工智能这个学科的诞生有着明确的标志性事件，就是1956年的达特茅斯（Dartmouth）会议．在这次会议上，“人工智能”被提出并作为本研究领域的名称．同时，人工智能研究的使命也得以确定．JohnMcCarthy提出了人工智能的定义：人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样．目前，人工智能的主要领域大体上可以分为以下几个方面：

深度学习专有名称发音这一类最容易读错：这一类最容易读错：这一类最容易读错：这一类最容易读错：这一类最容易读错：这一类最容易读错：

【搜索引擎】Elasticsearch（六）：向量搜索深度解析：从参数原理到混合查询实战向量搜索将非结构化数据（文本、图像、行为等）转换为高维浮点数数组，通过计算向量间距离（余弦相似度、欧氏距离等）找到最相似的内容。Elasticsearch 自 7.x 版本引入 dense_vector 类型与 knn 查询，原生支持大规模近似最近邻搜索。

AI人工智能+

表格识别技术：通过深度学习与计算机视觉融合，实现复杂文档中表格的版面还原及数据的结构化转换。在数字化转型的浪潮中，大量纸质文档、扫描件、图片中的表格数据亟待转化为可分析、可检索的结构化信息。然而，表格形态多样、布局复杂、语言混杂，传统OCR（光学字符识别）技术往往难以准确还原其逻辑结构。表格识别技术应运而生，它融合了版面分析、多语种文字识别与结构推理，正成为智能文档处理领域的关键一环。

神经网络基础人工神经网络（ Artificial Neural Network，简写为ANN）也简称为神经网络（NN），是一种模仿生物神经网络结构和功能的计算模型。人脑可以看做是一个生物神经网络，由众多的神经元（基本单位）连接而成。

【李沐 | 动手学深度学习】13 含并行连结的网络（GoogLeNet）目录前言1 GoogLeNet详解1.1 核心思想：Inception块为什么需要Inception？

AI模型部署进阶：Docker容器化部署AI项目AI模型部署进阶：Docker容器化部署AI项目一、什么是Docker容器化？二、为什么AI部署需要容器化？三、容器化部署AI项目的核心流程四、容器化部署中的常见考量五、常见误区与避坑指南

01d-前馈神经网络前馈神经网络（Feedforward Neural Network，FNN）是最基础的神经网络架构，信息从输入层单向流动到输出层，中间经过隐藏层的处理和变换。因为数据像水流一样"往前"流动，不会倒流回去，所以叫"前馈"。它是深度学习的基石，几乎所有复杂网络（CNN、RNN、Transformer）都是由它发展而来。