深度学习

AI机器学习算法

深度学习模型演进：6个里程碑式CNN架构目录1. LeNet（90/98）诞生于1990年，在手写体字符识别领域创造性的引入了卷积神经网络的基本操作，意义重大，可以说是现代卷积神经网络的发展起点。1.1思路引入卷积层+池化层等结构1.2 网络结构输入图像分辨率：28x28结构：（1）卷积层1：5x5 --->输出4个24×24大小的特征图；（2）池化层1：平均池化层 2x2；（3）卷积层2：5x5 --->输出12个8x8大小的特征图；（4）池化层2：2x2（5）全连接层 ---->输出1.3 LeNet-5诞生于1998年，在LeNet初期版

AI医影跨模态组学

如何将深度学习MTSR与膀胱癌ITGB8/TGF-β/WNT机制建立关联，并进一步解释其与患者预后及肿瘤侵袭、免疫抑制的生物学联系01导语各位同学，大家好。现在做影像组学，如果还只停留在“提取特征—建个模型—算个AUC”，那就像拿着一把尺子量出了肿瘤大小，却说不出它为什么长得快。别人一问：你的影像特征到底对应什么生物学过程？背后有没有通路、细胞亚群、关键基因在撑腰？瞬间就成了黑箱本箱。而真正能发高分、经得起推敲的研究，都在干同一件事——给影像组学找“生物学娘家”，让MRI上的每个纹理、每个信号异质性，都能和微观的ECM重塑、TGF‑β信号、ITGB8高表达亚群对上话。今天咱们就通过这篇2026年发表于《Research》的膀胱癌论文

【Python深度学习】3.4. 循环神经网络(RNN)实战：预测股价喜欢的话别忘了点赞、收藏加关注哦（关注即可查看全文），对接下来的教程有兴趣的可以关注专栏。谢谢喵！(=･ω･=)

ACCELERATOR_LLC

【DataWhale组队学习】DIY-LLM Task2 PyTorch 与资源核算原文链接这一章表面上在讲pytorch的张量、矩阵乘法、反向传播、参数初始化、数据加载、优化器、训练循环，但真正的重点应该是从资源的角度重新理一遍这些本来就会写的代码。

深度学习（15）：倾斜数据集 & 精确率-召回率权衡在实际机器学习中，我们往往会遇到一个问题：数据严重不均衡（Skewed Dataset）这会导致：某一类数据远多于另一类

词嵌入技术、注意力机制、MoE架构、主流Transformer架构Word2Vec通过浅层神经网络，利用滑动窗口内的局部上下文预测目标词（CBOW）或通过目标词预测上下文（Skip‑gram），将每个词映射为一个固定长度的稠密向量。

华大等NC｜微生物多样性与抗菌物质发现极端环境中的微生物是新型代谢物的重要来源，但其全球多样性与生物合成潜力尚未被充分挖掘。本研究从2,293个公共宏基因组和3,214个微生物分离株中重构78,213个细菌和古菌基因组，构建了统一数据库——极端环境微生物组目录（EEMC）。EEMC扩充了全球已知的系统发育多样性，涵盖32,715个代表性物种和近40亿个非冗余基因，其中分别有63.00%和19.21%为此前未注释的新类群；该目录还包含163,693个生物合成基因簇，归为64,733个基因簇家族，其中58.68%为新型簇，凸显了各类极端生境中微生

在秃头的路上啊

Cascade R50 + PointRend用前一个阶段的输出，作为后一个阶段的输入，且标准越来越严格。这是最核心的动机。在训练检测器时，网络需要学习区分“前景（物体）”和“背景”。

R-CNN目标检测算法精读全解在2014年之前，目标检测被SIFT、HOG等手工特征主导，PASCAL VOC数据集上性能长期停滞。R-CNN首次将CNN用于目标检测，在VOC 2012上mAP提升超30%，彻底打开深度学习检测时代。本文逐段精读原文，覆盖核心思想、网络结构、训练流程、公式推导、实验结果与核心代码，不掺杂任何外部内容。

【vllm】（五）vLLM v1 Attention — 模块超深度分析之二selector.py（165行）是后端选择的入口模块，负责根据运行时配置选择最优注意力后端。设计意图：

拓扑与曲率双剑合璧：scGeom如何从单细胞数据中“看见”细胞命运论文信息标题：2309.07950v1拓扑与曲率双剑合璧：scGeom如何从单细胞数据中“看见”细胞命运

深度学习 —— 梯度下降法的优化方法目录一、梯度下降法回顾二、梯度下降法的缺点三、如何选择优化方法1.了解 —— 指数移动加权平局1.1 公式

【论文笔记】Vehicle-to-Everything Cooperative Perception for Autonomous Driving原文链接：https://ieeexplore.ieee.org/abstract/document/11144483/

谷哥的小弟

大模型核心基础知识(02)—大模型的主要特征与能力边界大模型之所以在人工智能领域形成广泛影响，并不只是因为参数数量更大，而是因为它在表示学习、任务迁移、内容生成和跨模态处理等方面表现出比传统模型更强的综合能力。随着模型规模、训练数据和计算资源不断扩展，大模型的性能通常会随之提升，这也是近年来大模型快速发展的重要原因之一。与此同时，大模型的能力并不等于没有边界。模型规模的增长能够带来更强的理解与生成能力，但并不能自动消除事实错误、推理偏差、可解释性不足和高资源消耗等问题。

03-深度学习基础：LoRA与参数高效微调（PEFT）PEFT方法对比总结：选择指南：记住：

SAM3：开放式分割，太强了（后面有SAM3权重下载方式）(单图测试、视频测试、实时跟踪)https://github.com/facebookresearch/sam3?tab=readme-ov-file

金字塔场景解析网络PSPNet：打通全局上下文，屠榜语义分割三大基准标题：Pyramid Scene Parsing Network 会议：CVPR 2017 单位：香港中文大学、商汤科技代码：https://github.com/hszhao/PSPNet 论文：https://arxiv.org/pdf/1612.01105.pdf

Product Hunt 每日热榜 | 2026-04-22标语：RankAI 自动为你从 Google 和 AI 搜索中获取买家。介绍：RankAI是首个真正有效的SEO/GEO代理工具。它能够完全自动化地帮你从Google和ChatGPT等平台吸引数百万的访问者。只需将你的网站放入RankAI，它会自动找到客户在Google和ChatGPT上搜索的高意向关键词，发布优化后的页面，跟踪表现，反复调整页面，直到为你带来访问者。

04月22日AI每日参考：OpenAI发布AI经济政策，Agent进入金融市场今天AI圈有两件值得关注的事。其一，OpenAI发布了系统性的AI经济政策建议，包括机器人税、公共财富基金等，标志着AI公司开始思考社会影响；其二，Public.com成为首个Agent经纪公司，AI Agent正式进入受监管的金融市场。国内外各5条精选资讯，带你快速掌握今日AI动态。

Note：强化学习(四)2026 | ming前面几章我们花了大量精力讨论 DQN 及其变体，本质上都是在做同一件事：努力学好一个动作价值函数 Q(s,a)Q(s, a)Q(s,a)，然后让策略通过贪婪（或 ϵ\epsilonϵ-贪婪）的方式 a=arg⁡max⁡aQ(s,a)a = \arg\max_a Q(s, a)a=argmaxaQ(s,a) 推导出来。这套基于价值的范式在 Atari 游戏上大杀四方，但如果你多训练几个环境就会皱眉头——它处理连续动作空间时效果并不理想。