深度学习

紫光国微(002049) 分析紫光国微作为国内特种集成电路龙头，2025年业绩呈现爆发式增长（净利润+21.86%），2026年Q1营收增速进一步提升至46.11%，显示下游需求强劲回升。公司拟收购瑞能半导体，积极外延扩张。但当前估值偏高（PE 41.37），现金流同比下降47.76%，且近5日主力资金净流出1.80亿元，短期存在调整压力。建议等待回调至75元以下再介入，中长期看好特种芯片国产替代逻辑。

金属外表多种生锈检测数据集分享（适用于YOLO系列深度学习分类检测任务）链接:https://pan.baidu.com/s/1JR5KnTDWreLm1zLvBnU_BA?pwd=irii

深度学习周报（5.11~5.17）目录摘要Abstract1 文献阅读《Quantum Machine Learning for Climate Modelling》

搬砖的小码农_Sky

如何在RX 7900 XTX显卡上运行ROCm?我们可以把ROCm看作是AMD版的CUDA。它是AMD为了让你能在它的GPU上做高性能计算和AI开发，而打造的一个开源软件平台。

PYTHON+AI LLM DAY FOURTY-EIGHT今天聊聊GitHub的使用以及注意事项:在选择的任意浏览器(如 Chrome、Edge、Safari 等)地址栏里直接输入:https://github.com 并回车即可.并注意HTTPS加密连接和底部的© 2026 GitHub, Inc.版权声明.也可在手机端的APP store 安装GitHub App.在国内可能因为网络的问题加载缓慢,可以使用镜像站:kkgithub.com或hub.fastgit.org 或g.nite07.org,镜像站只能浏览代码和下载文件.GitHub的注册:准备一个真

AI Agent 记忆机制全景对比：OpenClaw vs QwenPaw vs Hermes vs HiClaw在理解了记忆机制的通用原理之后，最关键的问题来了：当前主流的开源 Agent，到底是怎么实现记忆的？它们之间有什么本质差异？

rPPGMamba：面向 PURE-UBFC-MMPD 跨被试远程生理感知的 Mamba 时序建模方案源码+数据集：https://gitee.com/CodeStoreHub/rppg-datasets

深度学习之优化器详解摘要：优化器是深度学习模型训练的核心组件，其选择直接影响模型的收敛速度、最终性能以及训练稳定性。本文系统梳理了从经典SGD到现代Adam系列的主流优化算法，深入剖析各优化器的数学原理、优劣势及适用场景。通过PyTorch实现完整对比实验，涵盖SGD、Adam、AdamW、RMSProp、AdaGrad等核心优化器，以及学习率调度策略。实验表明，不同优化器在收敛速度、泛化能力等方面存在显著差异，实际应用中需根据任务特点进行合理选择。

Transformer 的 Encoder 和 Decoder 模块介绍：从结构原理到大模型应用实践Transformer 是现代大模型的核心基础架构。无论是 BERT、GPT、T5，还是现在常见的 ChatGLM、LLaMA、Qwen、DeepSeek 等大语言模型，本质上都和 Transformer 架构密切相关。

Product Hunt 每日热榜 | 2026-05-16标语：一款以人为本的开源人工智能工具介绍：90% 的人尝试使用AI助手后都会放弃。原因有三个：每次会话都重置的记忆、你的数据存储在别人的云端、还有一个复杂的终端需要操控。这些都是阻碍。OpenHuman 解决了所有这些问题。它以本地为先，注重隐私，能记住你的所有信息，并随着你的使用变得越来越智能。所有功能都集成在一个简单的界面中。它是完全开源的，只需一键就能设置。P.S. 产品还在测试阶段，可能会有一些bug，但我们正在快速改进和更新。

CVPR 2026 | 时空时序论文总结（天气预报，交通模拟，域自适应等）CVPR 2026将在2026年6月5日至7日于美国科罗拉多会议中心（Colorado Convention Center）举行。

大鸣王潮2024

flow_grpo vs Flow-Factory GRPO 实现对比Flow-Factory 是 flow_grpo 的工程化重写和扩展。核心 GRPO 数学公式相同，但架构上从「每个模型一个脚本」重构为「模型/算法/奖励/调度器完全解耦的统一框架」。

TPAMI 2026 | Semi-DETR++：基于检测 Transformer 的高效半监督目标检测TPAMI 2026 | Semi-DETR++：基于检测 Transformer 的高效半监督目标检测

神经网络基础目录：神经网络损失函数网络优化方法正则化方法案例-价格分类案例机器学习，深度学习 - -> 都是实现Al一种途径方式；机器学习：只要数学好，公式等都能推导出来；深度学习：解释型稍差例如:分层 - -> 6层就是比5层好，至于为啥，我们可能不知道是实验出来的；

深度学习之正则化技术详解摘要：正则化技术是深度学习中防止过拟合、提升模型泛化能力的关键手段。本文系统介绍了L1/L2正则化、Dropout、Batch Normalization、Early Stopping以及数据增强等主流正则化方法的原理、数学公式和实现细节，并通过PyTorch代码示例展示各方法在图像分类任务中的实际效果对比，帮助读者在实际项目中合理选择和组合正则化策略。

【信号分选】深度学习颠覆射频信号分离：UNet/WaveNet 性能碾压传统方法【附python代码】RF 挑战：数据驱动的射频信号分离挑战原文链接本文采用数据驱动方法，利用深度学习技术解决射频（RF）信号中的干扰抑制这一关键问题。核心贡献之一是推出了 RF 挑战数据集，这是一个公开可用、多样化的射频信号数据集，适用于射频信号问题的数据分析。我们采用简化的信号模型来开发和分析干扰抑制算法，并引入了一组精心设计的深度学习架构，结合关键的领域相关修改和传统基准解决方案，为这一复杂且普遍存在的问题建立了基准性能指标。通过对八种不同信号混合类型的广泛仿真，我们证明了 UNet 和 WaveNet 等架构相较于匹

AI 重构产研线:我怎么把角色交接的 40% 信息损耗压到0传统研发流程是【产品经理写 PRD，设计师出交互稿，前后端开发，测试补用例，运维管发布】——每个角色都在认真做事，但个人效能提升并没有根本性让组织效能规模化提升。后来我反复复盘，感觉不是个体人的问题。发现瓶颈出在一个被忽视的地方：信息在角色之间传递时的损耗。

Miniconda 新手保姆级教程：从安装到熟练使用（全程无跳步，避坑指南附全）在Python、深度学习（比如YOLO、PyTorch），中“虚拟环境”能帮你隔离不同项目的依赖，避免“装一个包搞崩整个环境”的尴尬。而 Miniconda，就是最轻量化、最适合新手的虚拟环境管理工具（比Anaconda体积小太多，仅包含核心功能，不冗余）。

我没胡说八道

论文AI改写工具深度实测测评｜避坑对比、优劣短板、场景适配全解析一、测评前言2026年各大高校及期刊平台的AI检测算法完成迭代升级，传统浅层词汇替换、句式微调的改写工具已彻底失效，普遍出现“改后AI率不降反升、语句不通顺、专业内容篡改、论文格式错乱、查重率暴涨”等问题。

典型的卷积神经网络架构目录1.LeNet2.AlexNet卷积神经网络：Convolutional Neural Network (CNN)