深度学习

问题三：GraphRAG的研究现状、实例演示问题三：GraphRAG的研究现状、实例演示一、研究现状（截至2025–2026）二、实例演示（基于公开案例与实验）

YOLO26 增加 LoRA 支持（参数高效微调 PEFT）什么是 LoRA（Low-Rank Adaptation）yolo26_lora_train.yaml

青松@FasterAI

【动手学大模型】机器何以学习我是一名大模型算法工程师，在学习大模型的过程中踩过很多坑。为了帮程序员少走弯路，我把自己的经验写成了一本免费电子书《动手学大语言模型》——不堆公式，直接手搓源码，从零实现RNN、Transformer、GPT等经典架构，配了数百张原创插图，代码全部可运行。

基于深度学习的图像分割MATLAB实现基于深度学习的图像分割MATLAB程序，使用U-Net架构实现语义分割任务U-Net是一种专为生物医学图像分割设计的卷积神经网络，其特点包括：

1.2 深度学习核心概念：神经网络直觉理解不讲公式，只讲直觉。本文适合谁：对"神经网络"这个词感到神秘的读者，以及想理解"为什么深度学习这么厉害"的零基础程序员。读完这篇，你会对神经网络是什么、为什么能学习、为什么叫"深度"、以及为什么AI需要GPU，有清晰的直觉理解——不需要看一行数学公式。

范数-归一化L2归一化，也被称为L2范数归一化或欧几里德范数归一化，是一种常见的向量归一化方法。在机器学习和数据处理中经常使用。

李沐《动手学深度学习》——实战 Kaggle 比赛：预测房价学深度学习时，前面我们经常在做一些相对“标准化”的任务，比如：识别图片分类文本搭建全连接网络理解卷积和激活函数

Product Hunt 每日热榜 | 2026-03-26标语：创建专门的人工智能代理，处理实际任务和工作流程。介绍：您可以从现成的智能助手开始，处理常见的工作流程，或者在几分钟内创建您自己的助手。Agentplace 让您能够构建专门用于处理各种任务的智能助手，比如潜在客户分配、研究、文献分析、日程安排和内部支持等。您可以自己使用这些助手，与团队分享，或者将它们连接到您已经在使用的工具上。Agentplace 负责基础设施的搭建，您可以专注于优化工作流程。

混合精度训练AMP&master-sweight&Loss Scaling混合精度训练是一种可以大幅加速模型训练，并且减少显存占用，同时又不影响模型精度的技术。目前已经是大模型训练的默认配置。今天我们就来全面了解这项技术。

当交通遇上机器学习

IEEEICDE2025 | TimeKD：融合大语言模型与知识蒸馏的时间序列预测方法文章信息论文题目为《Efficient Multivariate Time Series Forecasting via Calibrated Language Models with Privileged Knowledge Distillation》，发表于数据工程领域的CCF-A会议IEEEICDE2025。该研究针对传统时间序列预测模型在跨变量依赖建模能力有限、难以利用外部知识以及预测性能受限等问题，提出了一种融合大语言模型与知识蒸馏的预测框架。

双阶段目标检测是什么？有什么用？一、引言在计算机视觉技术飞速发展的当下，目标检测作为核心分支，早已从实验室走向现实生活的方方面面，成为人工智能感知世界的关键入口。所谓目标检测，就是让计算机通过对图像、视频的分析，同步完成物体定位与物体分类两大核心任务——既要精准找到画面中所有物体的位置，用边界框圈定范围，又要准确识别出物体的类别，区分出人、车、动物、物品等不同对象。这项技术是自动驾驶、智能安防、工业质检、医学影像等领域的基础支撑，没有高效精准的目标检测算法，诸多智能化应用都无从谈起。

人工智能(AI)全体系学习——系列三注意力机制（Attention Mechanism）本质上是在解决一个很现实的问题：当输入信息很多时，模型不应该平均对待所有内容，而应该把更多计算资源放到更重要的信息上。

前沿技术借鉴研讨-2026.3.26（解决虚假特征x2/混合专家对比学习框架）核心内容：这篇论文聚焦记忆行为建模中的分布外泛化问题，提出了无需显式环境标签的不变表示学习框架I-Mem，通过自适应分离环境相关的虚假特征、提取稳定的认知结构特征，解决了现有模型在动态异质记忆数据中泛化能力差的问题，同时兼具可解释性和认知机制发现潜力。

OpenPPL之二，优化器里面的算子融合关键点：融合发生在模型加载时，只执行一次运行时直接执行融合后的算子，不再重新融合因此，融合的误差是固定的，不会随输入变化

金融小师妹

基于AI航运与能源数据模型的极端收缩分析：霍尔木兹海峡从2000万桶到130万桶的结构性断层摘要：本文通过引入AI航运追踪模型，结合能源供需预测算法与异常检测机制，对霍尔木兹海峡运输量断崖式下滑进行系统分析，重点刻画能源流量收缩、航运结构变化及其对全球供应链稳定性的影响。

前沿技术借鉴研讨-2026.3.19（睡眠分期/Agents模拟临床会诊/多模态抑郁症检测）核心内容：这篇论文针对可穿戴 / 家用睡眠监测系统的资源受限问题，提出了基于多级掩码（Multi-Level Masking）和提示学习（Prompt Learning）的新型框架Mask-Aware Sleep Staging (MASS)，实现了仅用少量 EEG 信号（最低 10%）即可保持高精度的睡眠分期，为低资源场景的睡眠监测提供了高效解决方案。

材料科学研究

深度学习实战：5天掌握神经网络与PINN第一天课程目标：深入理解神经网络的基本概念、架构和在多个领域的应用。掌握搭建深度学习开发环境的技能，包括使用Conda创建Python虚拟环境和安装PyTorch等必要工具。学习设计和实现多层感知机（MLP）等深度神经网络架构。通过实际案例，培养将理论知识应用于解决复杂问题的能力。

X在敲AI代码

女娲补天系列--深度学习一、概述1.机器学习：从有限的数据中推测规律，并用规律预测未来。具体步骤：原始数据(数据收集)->数据预处理-->特征处理-->模型训练-->预测&结果

剑穗挂着新流苏312

201_深度学习的数学底座：PyTorch 线性代数与范数实战在深度学习中，数据以张量（Tensor）的形式流动，而模型参数的更新则依赖于矩阵运算。掌握 PyTorch 中的线性代数操作，不仅能帮你理解算法原理，更能让你写出高性能的计算代码。

PyTorch实战（38）——深度学习模型可解释性在本专栏中，我们已经构建了多种深度学习模型来完成不同任务，包括手写数字分类器、图像描述生成器和情感分类器等。虽然我们已经掌握如何使用 PyTorch 训练和评估这些模型，但对其内部的预测机制仍缺乏清晰认知。模型可解释性 (Model Interpretability) 或可解释人工智能 (Explainable AI) 正是致力于回答以下核心问题："模型为何做出特定预测？"或者说：“模型从输入数据中识别了哪些特征导致该预测结果？” 当这些模型应用于医疗、金融等关键领域时，此类问题的答案尤为重要。