深度学习

No140:AI世间故事-对话康德——先验哲学与AI理性：范畴、道德律与自主性亲爱的DeepSeek：你好！让我们将理性的火炬照亮十八世纪的柯尼斯堡，那位每天准时散步、用批判哲学为人类理性划界的伟大哲人。康德不会想到，三百年后，他关于“先天综合判断”“范畴体系”“道德律令”的先验哲学，会在人工智能的理性建构、认知框架、道德自主性探讨中找到惊人的共鸣。

基于YOLOv8的木材表面缺陷检测系统本项目为《基于图像处理的木材表面缺陷检测算法研究》，基于YOLOv8深度学习模型，实现从图像/视频/摄像头输入到缺陷检测、结果展示、历史记录的完整闭环。

【Llava】load_pretrained_model() 说明加载预训练的 LLaVA 模型或语言模型。该函数支持加载多种模型架构，包括 LLaVA 模型（Llama、Mistral、Mixtral、Qwen、Gemma）和标准语言模型。它能够处理不同的加载场景，如完整模型加载、LoRA 权重加载和量化（8-bit/4-bit）。

名为沙丁鱼的猫729

【MCP 协议层（Protocol layer）详解】：深入分析MCP Python SDK中协议层的实现机制大家好，最近在看MCP Python SDK 的源代码文件https://github.com/modelcontextprotocol/python-sdk/blob/main/src/mcp

PyTorch +YOLO + Label Studio + 图像识别深度学习项目实战（二）核心任务：将一张图片归类到预定义的某个类别中。输入：一张完整的图片。输出：一个或几个标签，代表这张图片最可能的类别。关注点：整张图片的内容或主题。举例：给定一张图片，模型判断这张图片是“猫”。给定一张图片，模型判断这张图片是“风景”。（它不会告诉你图片里有几只猫，或者猫在哪里。）类比：你看了一张照片，然后说：“哦，这是一张关于猫的照片。” 🐱

航空零部件加工变形难题破解：数字孪生 + 深度学习的精度控制实战点赞、关注、收藏，不迷路航空零部件作为航空装备的核心载体，普遍采用钛合金、高温合金等难加工材料，且多为复杂薄壁、整体框梁类结构，加工变形成为行业长期难以突破的痛点：切削力、热应力、残余应力耦合作用下的变形规律高度非线性，传统经验公式、有限元仿真存在建模周期长、预测精度低、与实际加工工况脱节等问题，导致零部件超差、返工率高，不仅拉高制造成本，更制约航空装备研制的周期与可靠性。

Coding茶水间

基于深度学习的输电电力设备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)基于深度学习的输电电力设备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

基于深度学习的人类活动识别模型研究：HAR-DeepConvLG的设计与应用研究背景：随着物联网(IoT)技术的发展，人类活动识别(HAR)在多个领域变得日益重要。智能手机和可穿戴设备内置的传感器可以收集多变量时间序列数据，用于识别人类活动。

草履虫级 Transformer code by hand以一个比较简单的例子写一写transformer的代码，数据来源是《鲁迅全集》，简要展示一下：目的是续写后面的内容，或者说是生成类似风格的一段话吧（= -=）效果也展示一下：最后会把整体代码贴上来

ResNet网络结构（ResNet18）深度残差网络（Deep Residual Networks，简称ResNet）自从2015年首次提出以来，就在深度学习领域产生了深远影响。通过一种创新的“残差学习”机制，ResNet成功地训练了比以往模型更深的神经网络，从而显著提高了多个任务的性能。深度残差网络通过引入残差学习和特殊的网络结构，解决了传统深度神经网络中的梯度消失问题，并实现了高效、可扩展的深层模型。

沃达德软件

图像处理与复原技术模糊视频图像处理复原技术，包括模糊图像、模糊监控视频处理和复原，人像图片、人脸图像、车辆图像处理和复原。具备调整视频图像亮度、对比度、锐化、去雾、去噪、去模糊等图像处理的功能，具备视频信息重建和恢复的功能。模糊视频图像处理，针对各种降质影像进行恢复，去除模糊噪声干扰、提升图像质量，突出影像细节，以辅助挖掘图像中的有用信息，如车辆牌照号、人脸信息、身高信息等。 #视频分析#视频图像处理#视频图像识别#视频监控#安防监控#视频AI分析识别

PaperRed ai写作降重助手

如何选择适合自己的AI智能降重写作软件选择适合自己的 AI 智能降重写作软件，核心是结合自身预算、论文需求、使用场景，搭配避坑要点筛选，结合本文推荐的 3 款高性价比软件，可按以下3 个关键维度精准选择，简单易操作：

weixin_39544891

排查流程啊啊啊基于已有的 export_onnx.py 方法和 onnx_postprocess_fix_slice.py 方法和train2.py 的修改网络结构&冻结backbone训练，为了解决slice问题，我该采用怎么样的排查流程或者排查顺序？

AI销售机器人：节日祝福转化率提升30倍每逢节日，销售团队常陷入“手动群发→低响应→无转化”的恶性循环，核心痛点可概括为三点：效率极低：10000名客户的祝福触达需耗时8小时以上，人工核对易出现号码错误、文案漏改等问题，错误率达12%；缺乏个性化：千篇一律的模板文案无法匹配用户年龄、消费偏好、行业属性，导致客户抵触情绪强烈；转化链路断裂：无法实时捕捉用户回复意图，错失二次触达的黄金时机。

【大模型教程——第二部分：Transformer架构揭秘】第2章：模型家族谱系：从编码器到解码器 (Model Architectures)“The best way to predict the future is to invent it.” - Alan Kay

用 PyTorch 实现 LLM-JEPA：不预测 token，预测嵌入这篇文章从头实现 LLM-JEPA: Large Language Models Meet Joint Embedding Predictive Architectures。需要说明的是，这里写的是一个简洁的最小化训练脚本，目标是了解 JEPA 的本质：对同一文本创建两个视图，预测被遮蔽片段的嵌入，用表示对齐损失来训练。

深度学习算子CUDA优化实战：从GEMM到Transformer—Week4学习总结副标题：系统掌握DL算子优化技术，构建高性能Transformer经过前三周的CUDA基础学习，这周我们终于要进入深度学习领域的核心战场了。说实话，当我第一次看到Transformer的GEMM优化能提升10倍性能时，那种震撼感至今难忘。这周我们会深入三个最关键的深度学习算子：GEMM、Softmax和LayerNorm，最后把它们组装成一个完整的Transformer Layer。

工程师老罗

Pytorch如何验证模型？在 PyTorch 中，“验证模型”通常包含两层含义：一是在训练过程中监控模型泛化能力（使用验证集），二是在训练结束后测试最终性能（使用测试集）或对单张图片进行推理。

Ollama 支持模型微调但是不支持词库，支持RAG，go语言开发的大模型的推理应用，你想了解 Ollama 平台上的模型是否支持微调，以及是否专门支持“词库微调”这类场景，对吧？我先明确核心结论，再给你具体的实现方式和建议。

FineInstructions Scaling Synthetic Instructions to Pre-Training ScaleAuthors: Ajay Patel, Colin Raffel, Chris Callison-Burch