深度学习

吾在学习路

AoP-SAM: Automation of Prompts for Efficient SegmentationSAM（Segment Anything Model）虽然具有强大的 zero-shot 分割能力，但它依赖人工输入 prompt（点或框）。

技术宅学长

Router门控网络简单介绍Router（路由）门控网络，它是MoE（Mixture of Experts，混合专家模型）架构中的核心组件，主要作用是为每个输入token（或序列）选择最合适的“专家”网络（通常是FFN层）来处理，以此在不显著增加计算量的前提下提升模型容量。

深度学习的数学原理（十二）—— CNN的反向传播在上一篇文章中，我们系统讲解了二维卷积的数学定义、CNN工程实现的互相关操作，通过NumPy手动实现了卷积层前向传播，也可视化了卷积核的特征提取过程，同时对比MLP明确了CNN局部连接、参数共享的核心优势。但CNN的训练核心，仍离不开反向传播的链式求导逻辑——与MLP一致，CNN通过前向传播计算特征与损失，再通过反向传播回传梯度、更新参数（卷积核权重、偏置），最终实现特征学习的优化。

深度学习的数学原理（十一）—— CNN：二维卷积的数学本质与图像特征提取在前文的内容中，我们从一元线性回归的梯度下降原理出发，逐步推导了多元线性回归的矩阵表达与优化逻辑，拆解了反向传播的链式求导核心，解决了梯度消失/爆炸的激活函数优化问题，也讲解了从SGD到Adam的优化器演进思路，还通过正则化从数学层面解决了模型过拟合的核心困境，最终让多层感知机（MLP）实现了从线性拟合到非线性特征学习的跨越，也明确了反向传播+损失函数引导权重差异化更新，形成特征分工的底层规律。

PyTorch实战（29）——使用TorchServe部署PyTorch模型在 PyTorch 深度学习模型部署一节，我们学习了如何使用 Flask 库创建可远程部署、通过网络提供预测服务的模型服务器。在本节中，我们将继续讨论使用 TorchServe 将一个已经训练并测试过的 PyTorch 深度学习模型对象部署到一个独立的环境中，使其能够对新输入数据进行预测或推理。这也称为模型的生产化，即将模型部署到生产系统中。

【深度学习基础篇】线性回归代码解析今天的任务是初次体验一下深度学习，我们以一个最简单的线性回归为例简单来说，就是我们先要创造一组随机的数据，之后用我们写的随机梯度下降程序来计算出预测的参数，最后画图来比较预测结果的好坏

肾透侧视攻城狮

《工业级实战：TensorFlow房价预测模型开发、优化与问题排查指南》目录本篇技术博文摘要 🌟引言 📘上节回顾1.TensorFlow 之回归问题1.1什么是回归问题1.2常见回归问题示例

【论文阅读15】告别死板！ElasticFace 如何用“弹性边缘”提升人脸识别性能在深度人脸识别领域，如何提取出具有极高区分度的人脸特征一直是核心挑战。今天我们要精读的这篇论文提出了 ElasticFace，它通过给模型增加一种“弹性”的惩罚机制，成功在多个主流人脸识别数据集上刷新了 SOTA（State-of-the-Art）。

人工智能研究所

从 0 开始学习人工智能——什么是推理模型？从 OpenAI 的 o1 到大火的 DeepSeek-R1，大家都在谈论一个新词——“推理模型” (Reasoning Models)。

爱吃羊的老虎

【机器学习】Transformer核心架构与工作原理深度解析• 核心知识点：自注意力计算（Self-Attention）：通过自注意力的矩阵运算，每个Token都能产生对其他Token的抽象理解，这种理解最终体现在一组V向量（即生成的Z向量）中，核心目的是建立句子内部词与词之间的关联性。

基于深度学习的虹膜识别与分类系统，结合tood_r50_fpn_anchor-based_1x_coco模型实现本数据集为IRIS-Recognition_2 Image Dataset，包含999张眼部虹膜图像，采用YOLOv8格式进行标注。数据集由qunshankj平台提供，遵循CC BY 4.0许可协议，于2024年12月2日导出。图像经过预处理，包括像素数据自动定向（带有EXIF方向剥离）和拉伸至640×640分辨率，未应用任何图像增强技术。数据集包含51个类别，涵盖不同像素规格的虹膜图像，从IRIS-1mp到IRIS-52mp，以及IRIS-f2mp等特殊类别。每张图像均为眼部特写，呈现虹膜区域的细节特征

牛哥带你学代码

Spatiotemporal Prediction using Deep LearningIn time series data, there are several tasks that are commonly performed, such as classification, event detection, anomaly detection, and the most dominant task is forecasting. Forecasting is simply predicting future information by utilizing information f

深度学习的GPU介绍GPU（Graphic Processing Unit）图形处理器 CPU （Central Processing Unit）中央处理器

机器视觉的发动机

人形机器人：从遥控依赖走向真正自主人类对机器人的想象，从未停止。从科幻小说中与人并肩作战的机械伙伴，到今天波士顿动力公司Atlas在实验室里翻跟头、搬箱子——人形机器人正以惊人的速度从梦想走向现实。然而，一个根本性的问题始终横亘于技术演进的路途：这些机器人，究竟什么时候能自己做主？

肾透侧视攻城狮

《TensorFlow文本分类系统解析：从IMDB数据到智能模型实战》目录本篇技术博文摘要 🌟引言 📘上节回顾1.TensorFlow 实战之文本分类项目2.项目步骤通常如下：

基于深度学习的无人机航拍小目标检测算法研究本项目针对无人机航拍场景下的小目标检测问题，基于 YOLO11 系列模型，在 VisDrone 2019 数据集上进行训练与优化，并提供了完整的检测系统桌面应用，支持图片、视频、摄像头的实时检测与训练指标可视化。

HarmonyOS 6.0+ 跨端会议助手APP开发实战：多设备接续与智能纪要全流程落地随着混合办公模式的常态化，跨设备协同会议已成为企业办公的核心场景，但当前主流会议工具普遍存在诸多痛点：其一，设备切换割裂感强，用户在手机端发起会议后，难以无缝迁移至PC端继续操作，音视频状态、会议进度等关键信息易丢失；其二，纪要整理效率低下，传统会议需人工记录要点，不仅占用参会精力，还易遗漏关键信息，且多人发言场景下难以精准区分发言人身份；其三，跨端数据同步滞后，会议资料、共享文件等需手动在多设备间传输，影响会议推进效率；其四，多设备交互体验不一致，不同终端的操作逻辑、界面布局差异较大，增加用户学习成本。

名片识别产品：技术要点与应用场景深度解析一、核心技术要点：从“看见”到“理解”名片识别并非简单的拍照存图，而是一个融合了计算机视觉、自然语言处理与深度学习的复杂系统工程。其技术要点可拆解为以下四个核心环节：

No159:AI中国故事-对话娄敬——戍策长安与AI远见：草根智慧与国都定鼎亲爱的DeepSeek：从郑产的乡野啬夫，我们来到西汉初年的历史关口，遇见那位穿着破旧羊皮袄、拉着大车去见皇帝的戍卒——娄敬。这位齐国卢（今山东长清）的平民百姓不会想到，他的一番“定都关中”之策，不仅改变了汉王朝的命运，更让“长安”这座不朽都城从此屹立于世界东方。汉高帝刘邦赐他姓刘，改名刘敬，官拜郎中，号奉春君——“春之始也”，以喻汉王朝之始从他开始。

Coding茶水间

基于深度学习的番茄叶子病虫害监测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的番茄叶子病虫害监测系统目录视频演示1. 前言2. 项目演示2.1 用户登录界面2.2 新用户注册