深度学习

【深度学习教程——】02_神经网络如何自动求导？反向传播的数学魔法本章目标：揭开深度学习框架最神秘的面纱 —— 自动微分 (Autograd)。我们将从最基础的链式法则 (Chain Rule) 出发，手写一个微型计算图引擎。

沃达德软件

智慧警务技战法在办案侦查过程中，积累了很多有效的技战法。将技战法通过智慧警务大数据平台实现，转化为智慧警务的战斗力，发挥智慧公安大数据平台的实战效能。智慧警务技战法，包括社会治安管理防控模型、侦查实战模型。社会治安管理防控模型，建立社会治安分析评估、警情动态监测预警以及人、车、物、场所一体管控等机制，包括重点人管控、群体管控。侦查实战模型，将各侦查业务警种力量、资源、手段、线索统一接入大数据平台，建立多资源无缝对接、多手段同步上案、多警种联合作战，包括案件研判、团伙挖掘。 #智慧警务#大数据平台#数据建模#大数据分析#

从单点工具到智能流水线：企业级多智能体AI开发工作流架构实战最近研学过程中发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击链接跳转到网站人工智能及编程语言学习教程。读者们可以通过里面的文章详细了解一下人工智能及其编程等教程和学习方法。下面开始对正文内容的介绍。

【AI黑话日日新】什么是隐式CoT？摘要：链式思考（CoT）是大语言模型（LLM）实现复杂推理的核心技术，但显式CoT依赖生成冗长自然语言推理步骤，带来巨大token开销、推理延迟与显存占用，严重制约其在实时场景、边缘设备与大规模部署中的落地。隐式CoT（Implicit CoT）将推理过程编码在模型连续隐藏嵌入空间中，跳过显式token生成，直接输出最终答案，在保留推理能力的同时实现效率量级提升。本文从原理、主流实现、性能效率、核心挑战与未来方向，全面解析隐式CoT这一LLM推理效率革命的关键范式，为工程落地与学术研究提供参考。

All The Way North-

彻底掌握 RNN（实战）：PyTorch API 详解、多层RNN、参数解析与输入机制本篇文章紧接着上一篇RNN理论篇：万字长文 · 彻底掌握RNN：原理、隐藏状态、矩阵变换、底层公式、单/Batch 样本处理、计算示例等深度解析

情感分类与词嵌入除偏（吴恩达深度学习笔记）目录1.情感分类（1）是什么（2）例子（3）简单模型（4）RNN做情感分类2.词嵌入除偏（1）简介（2）偏见的例子

咋吃都不胖lyh

CLIP 不是一个 “自主判断图像内容” 的图像分类模型，而是一个 “图文语义相似度匹配模型”—CLIP 不是一个 “自主判断图像内容” 的图像分类模型，而是一个 “图文语义相似度匹配模型”—— 它无法主动 “认出” 图片里是大马哈鱼还是三文鱼，只能在你提供的文本候选列表中，找出和图片语义最相似的那一个，这是它的核心工作逻辑。

人工智能之核心技术深度学习第七章扩散模型（Diffusion Models）第七章扩散模型（Diffusion Models）如果说 GAN 是生成模型的“艺术家”，那么扩散模型（Diffusion Models）就是“科学家”——它通过模拟物理中的热力学扩散过程，以极其稳定、高质量的方式生成图像、音频、3D 等复杂数据。自 2020 年 DDPM 提出以来，扩散模型迅速超越 GAN，成为生成式 AI 的主流架构，并催生了 Stable Diffusion、DALL·E 2/3、Midjourney 等现象级应用。

逄逄不是胖胖

《动手学深度学习》-60translate实现

pytorch深度学习笔记19目录摘要1.张量索引操作2.张量形状操作3.张量拼接操作4.微分模块5.机器学习案例：线性回归本篇文章继续学习尚硅谷深度学习教程，学习内容是张量索引操作，形状操作，拼接操作，以及自动微分模块的实现和，学习线性回归的机器学习案例

哥布林学者

吴恩达深度学习课程五：自然语言处理第三周：序列模型与注意力机制（三）注意力机制此分类用于记录吴恩达深度学习课程的学习笔记。课程相关信息链接如下：本篇为第五课第三周的内容，3.7到3.8的内容。

A先生的AI之旅

2026-1-30 LingBot-VA解读让世界模型不仅能预测视觉未来帧，还能推理对应的动作序列，并用于机器人闭环控制。环境模型既输出状态，也输出动作

Learn Beyond Limits

文献阅读：A Probabilistic U-Net for Segmentation of Ambiguous Images-----------------------------------------------------------------------------------------------

下午写HelloWorld

差分隐私深度学习（DP-DL）简要理解差分隐私深度学习（DP-DL）是一种在模型训练过程中严格量化并限制隐私泄露的技术。它通过系统性地在训练的关键步骤注入经过数学校准的噪声，确保从训练好的模型中难以反推任何单个训练样本的信息。

让 AI 智能体学会自我进化：Agent Lightning 实战入门当前主流 AI 智能体框架有一个共同的局限：智能体只能按预设逻辑执行任务，无法从运行时反馈中持续学习。模型权重是静态的，提示词需要人工迭代，整个系统缺乏自我优化的闭环。

【垂类模型数据工程】第四阶段：高性能 Embedding 实战：从双编码器架构到 InfoNCE 损失函数详解“Good representations are the foundation of AI.” —— 优秀的表示层是人工智能的基石。本章将从零开始，深入探讨如何构建用于语义检索（Semantic Search）和 RAG 的高性能嵌入模型。

Day40 早停策略和模型权重的保存@浙大疏锦行

PyTorch实战（27）——自动混合精度训练在将预训练的机器学习模型投入生产环境之前，模型训练是不可或缺的关键环节。随着深度学习的发展，大模型往往具有数百万乃至数十亿参数。使用反向传播来调整这些参数需要大量的内存和计算资源，模型训练可能需要数天甚至数月时间才能完成。在本节中，我们将学习如何借助 torch.cuda.amp.autocast 和 torch.cuda.amp.GradScaler 等 API 实现混合精度训练，在加快深度学习模型训练速度的同时降低内存占用，使用 PyTorch 的自动混合精度 (Automatic Mixed Pr

AI核心知识77——大语言模型之Joint Training（简洁且通俗易懂版）联合训练 (Joint Training)，或者叫联合优化 (Joint Optimization)，是大语言模型（尤其是 RAG 2.0 和多模态模型）中一种高级的训练策略。

PyTorch深度学习实战：从模型构建到训练技巧本文将通过18个实战代码示例，带你深入掌握PyTorch的核心技术，包括数据准备、模型构建、自定义层、参数初始化、损失函数设计等关键知识点。