深度学习

Java后端的Ai之路

【神经网络基础】-神经网络学习全过程(大白话版)训练神经网络 = 教一个“婴儿AI”从零开始学习一项技能，通过不断“看例子-做练习-被纠正-调整方法”的过程，最终让它成为专家。

凌峰的博客

基于深度学习的图像修复技术调研总结（下）搜索基于深度学习的图像修复的文章主要是一些会议文章，而且像CVPR这一类的计算机视觉顶级会议偏多，其次就是ACMMM等杂志每年基本上会出一篇比较经典的论文。接下来这个部分我先将文章进行分类，主要分为仿真文献、精读文献、略读文献三种，具体收集结果见表

表示/嵌入差异-4-闵可夫斯基距离（Minkowski Distance-曼哈顿距离-欧氏距离-切比雪夫距离闵可夫斯基距离由德国数学家赫尔曼·明可夫斯基提出，用于统一刻画n维空间中两个点（向量）A⃗=(a1,a2,...,an)\vec{A}=(a_1,a_2,...,a_n)A =(a1,a2,...,an) 和 B⃗=(b1,b2,...,bn)\vec{B}=(b_1,b_2,...,b_n)B =(b1,b2,...,bn) 的距离。其数学定义为： Dp(A⃗,B⃗)=(∑i=1n∣ai−bi∣p)1p D_p(\vec{A},\vec{B}) = \left( \sum_{i=1}^n |a_i -

蹦蹦跳跳真可爱589

Python----大模型（GPT-2模型训练，预测）GPT-2模型的核心架构基于Transformer解码器，采用自回归方式生成文本。模型构建部分定义了GPTConfig配置类，包含关键参数如block_size（序列长度）、vocab_size（词表大小）、n_layer（层数）、n_head（注意力头数）和n_embd（嵌入维度）。

Agent 意图识别：从传统 NLU 到 LLM 驱动的范式变革在构建任何智能体（Agent）或对话系统时，意图识别（Intent Recognition）都是最关键的第一步。它就像Agent的“耳朵”和“大脑”，负责准确理解用户说这句话的目的是什么，从而决定应该采取何种行动（Action）或调用哪个工具（Tool）。

通俗理解神经网络的反向传播在人工智能的时代，神经网络就像是我们大脑的简化版模型，它能帮助计算机“学习”各种任务，比如识别图片、翻译语言，甚至开车。想象一下，你教一个小孩子骑自行车：一开始他可能会摔倒，你告诉他哪里错了，怎么调整姿势。下一次他就会做得更好。这里的“告诉哪里错了”和“怎么调整”就是神经网络训练的核心过程——反向传播（Backpropagation）。反向传播不是什么高深莫测的黑科技，它其实就是一种聪明的方法，让神经网络从错误中学习，逐步优化自己。

深度学习介绍以及深度学习相关配置一、深度学习的介绍1.深度学习是什么？我们知道机器学习就是让机器学会像人类一样会学习和推理。神经网络之于机器就相当于人脑之于人。（神经网络是一种由多个神经元（或称为节点）组成的计算模型，它模拟了生物神经系统中神经元之间的连接方式。）

Coovally AI模型快速验证

当小龙虾算法遇上YOLO：如何提升太阳能电池缺陷检测精度？随着全球能源结构向清洁化转型，太阳能光伏发电已成为主流可再生能源之一。然而，在太阳能电池的生产、运输和安装过程中，微小的缺陷如划痕、裂纹、黑边等会严重影响电池的性能和寿命。

招牌红烧肉版-深度神经网络本文以 “开餐厅学做招牌菜” 的完整故事，来比喻深度神经网络的整个工作原理，包括：输入层、隐藏层、输出层、反向传播、权重、梯度、学习率等概念。

山野蓝莓酸奶昔

InternNav 环境配置：Failed to build flash_attn解决办法install Internnav 的时候一直报flash_attn的错解决办法：

不用干净数据也能学会降噪——N2N派一般来说，数据对的质量很大程度上决定了模型的效果。但干净的数据获得总是很困难的，所以有一些聪明人想出来了一些不需要干净数据的奇思妙想。这里就简单学习一下。

阿正的梦工坊

Rubicon论文数据部分详解：从Rubric设计到RL Pipeline的全流程最近读到一篇来自Inclusion AI和蚂蚁集团的论文《Reinforcement Learning with Rubric Anchors》（Rubicon），提出了一种将传统RLVR（Reinforcement Learning from Verifiable Rewards）扩展到开放式、主观任务的方法。核心创新是用“Rubric”（评分细则）作为可自动打分的结构化奖励信号，取代了只能用于数学、编程等可严格验证任务的传统奖励。

大模型面试题23：对比学习原理-从通俗理解到核心逻辑（通用AI视角）对比学习（Contrastive Learning, CL）是一种无监督/半监督学习方法，核心思想极其简单：让“相似的样本”在特征空间里靠得更近，让“不相似的样本”离得更远——通过这种“对比”来让模型自动学习到数据的本质特征，无需人工标注的标签。

Java后端的Ai之路

【神经网络基础】-神经网络优化方法全解析随机梯度下降（Stochastic Gradient Descent）是最基础的优化算法。其更新公式为：

深度学习—卷积神经网络（2）深度学习—卷积神经网络（2） 2.DNN与CNN的区别 3.卷积的数学定义 4.CNN的结构组成卷积层

软件算法开发

基于蘑菇繁殖优化的LSTM深度学习网络模型(MRO-LSTM)的一维时间序列预测算法matlab仿真目录1.程序功能描述2.测试软件版本以及运行结果展示3.部分程序4.算法理论概述1. 优化参数与MRO超参数初始化

第一阶段：U-net++的概况和核心价值带着问题阅读：在医学影像、遥感检测等领域，图像分割任务常如“大海捞针”——我们需要从复杂的背景中精准勾勒出目标轮廓。2015 年诞生的 U-Net 以其简洁的编码器-解码器结构和跳跃连接成为分割任务的里程碑，但它也留下了两个关键难题：网络到底该多深？不同层次的特征如何更自然地融合？

循阶而上，庖丁解牛：系统学习开源 AI 模型的行动指南面对一个陌生的开源 AI 项目，是应该从第一行代码读起，还是先跑通示例？是深究数学公式，还是先弄清如何部署？许多学习者在兴奋与困惑中开始，却常在庞杂的代码与文档中迷失方向。

charlie114514191

快速备份与恢复 Conda 环境在日常开发中，Conda 环境是我们管理 Python 包与依赖的利器。但有时候我们需要迁移环境、备份环境，或者在新机器上快速还原环境。这边刚好在做毕设，所以涉及到快速迁移和配置自己配置好的机器学习/深度学习环境的事情，这里特别的记录一下！

声声codeGrandMaster

RNN基本概念和模型构建RNN（循环神经网络）*是一种专门设计用于处理* 序列数据的深度学习模型，其核心特点是通过循环连接在时间维度上传递信息，从而能够 “记住” 之前的输入内容。