深度学习

Coding茶水间

基于深度学习的交通标志检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的交通标志检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

【论文笔记】《Deep Learning for Time Series Anomaly Detection: A Survey》用于时序数据异常检测的深度学习综述2024年10月时序数据的异常检测广泛应用与金融市场、经济学、地球科学、制造业和医疗保健等行业。本综述提供了基于异常检测策略和深度学习模型的分类法，讨论了它们的优点和局限性。该综述包括近年来在各种应用领域的时序数据中深度异常检测的例子。

深度学习多卡训练必须使用偶数张GPU吗？原理深度解析本文从分布式训练原理出发，深入分析多卡训练对GPU数量的要求，破除"必须偶数卡"的常见误解。在深度学习分布式训练的实践中，经常有同学问到这样一个问题：多卡训练是不是必须要用偶数张卡？比如2卡、4卡、8卡才能训练，3卡、5卡、7卡就不行？

雍凉明月夜

⭐深度学习之目标检测yolo算法Ⅳ-YOLOv5（2）承接上文，我继续总结关于YOLOv5的源码在实际操作使用中时的一些常见方法，和相应的一些小案例。yolov5s.yaml（定义 “蓝图”）→ parse_model方法（解析 “蓝图”）→ common.py（提供 “砖块”）

Day 51 神经网络调参指南对简单的CNN进行调参：@浙大疏锦行

狮子座明仔

MatchTIR：用二分匹配解决LLM工具调用的“吃大锅饭“难题一句话总结：MatchTIR 提出用二分匹配（Hungarian算法/最优传输）来给多轮工具调用中的每一步精确打分，配合双重级优势估计，让4B小模型在复杂工具使用任务上干翻一众8B大模型。

薛定e的猫咪

【ICRA 2025】面向杂技机器人的分阶段奖励塑形：一种约束多目标强化学习方法https://github.com/rllab-snu/Stage-Wise-CMORL 论文：“Stage-Wise Reward Shaping for Acrobatic Robots: A Constrained Multi-Objective Reinforcement Learning Approach”.

产品数字孪生体与数字样机及数字化交付的应用产品数字孪生体与数字样机及数字化交付的应用一、产品数字孪生体（Digital Twin）二、数字样机（Digital Mock-up, DMU）三、数字化交付（Digital Delivery）四、三者的关系与协同五、典型行业应用案例六、发展趋势

深度学习算法辅助股票分析深度学习(Deep Learning)特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特点是具有自动提取特征的能力，用深度学习去提取异动拉升的特征，进行训练算法，然后将算法用于实践。收盘的时候，打开深度学习算法训练界面，点击提取特征，获取异动拉升点前的30个数据点，作为异动拉升的裸数据，提取这些裸数据的涨幅，斜率，涨幅变化，交易量变化等参数作为特征数据，数据点数可以通过特征长度参数去设置，如果特征长度

【论文自动阅读】1.题目: A Vision-Language-Action-Critic Model for Robotic Real-World Reinforcement Learning 2.时间: 2025.09 3.机构: Shanghai AI Lab 4.3个英文关键词: Vision-Language-Action (VLA), Real-World Reinforcement Learning (RL), Dense Reward

翱翔的苍鹰

基于卷积神经网络CNN实现交通标志识别系统的简单方式完整的交通标志识别系统代码包，专为中国道路场景优化，基于 TT100K 数据集 + EfficientNet-B3 + 迁移学习 + 模型量化部署。

上采样方式——SubPixelConv 亚像素卷积普通的上采样（Upsample）如双线性插值，是不可学习的。反卷积（Deconv/ConvTranspose）是可以学习的，但容易产生棋盘格伪影（Checkerboard Artifacts）。

大模型面试题79：举例一个你用到过的MCP的场景这个场景是我们日常生活中能用到的，全程不用你自己查天气、找门票、查交通，AI通过MCP就能帮你搞定所有事，咱们一步步拆解，小白也能秒懂。

深度学习语义分割完全指南：从原理到实战本文将系统讲解语义分割的核心概念、经典网络架构、损失函数设计以及完整的PyTorch实战代码，帮助读者从零掌握这一计算机视觉核心技术。

毕不了业的硏䆒僧

ARM架构的ModuleNotFoundError: No module named ‘thop‘在 ARM 架构（Apple Silicon Mac，树莓派，英伟达NVIDIA DGX Spark）上，我使用的是Conda环境，这时按下面命令安装，都会失败：

啊阿狸不会拉杆

《机器学习》第三章 - 监督学习大家好！今天给大家分享《机器学习》第三章监督学习的核心内容，本文会从基础概念到代码实战，把线性模型、决策树、贝叶斯、SVM 这些核心监督学习算法讲透，所有代码均可直接运行，配套可视化对比图，新手也能轻松上手～

AI工具测评大师

如何有效降低英文文本的Turnitin AI检测率？安全指南与工具推荐当你的英文论文或申请文书被Turnitin、GPTZero等系统标记为“高AI疑似度”时，焦虑随之而来。如何有效降低英文文本的Turnitin AI检测率，已成为全球学生与研究者必须面对的现实课题。这不仅关乎效率，更关乎学术诚信的底线。

从激活函数到超参搜索：一份“能落地”的深度学习手册一句话总结：隐藏层默认 ReLU；如果训练很深且显存充足，换成 Swish 往往有 0.5%~1% 的额外收益；输出层二分类用 Sigmoid，多分类用 Softmax 。

深度学习多卡训练为什么要求均匀切分？本文深入分析分布式训练中"均匀切分"这一设计要求的底层原因，涵盖同步机制、通信原语、数学正确性和工程实现等多个维度。

SFT（监督微调，Supervised Fine-Tuning）SFT（监督微调，Supervised Fine-Tuning）训练方式：基于人工标注的高质量对话数据进行训练