深度学习

Hundred billion

深度学习基本原理和流程深度学习是机器学习的一个分支，它通过一种极其强大的方式（自动特征学习+深度堆叠）来解决非线性问题。因为它在图像、语音、自然语言等领域“太好用了”，以至于它已经发展成一个拥有自己生态系统、硬件、研究范式的巨大领域，因此在日常讨论中经常被单独提及。

哥布林学者

吴恩达深度学习课程四：计算机视觉第二周：经典网络结构（二）残差网络此分类用于记录吴恩达深度学习课程的学习笔记。课程相关信息链接如下：本篇为第四课的第二周内容，2.3到2.4的内容。

医学影像深度学习知识点总结T1像和T2像的区别 T1像便于显示解剖结构,T2像便于显示病灶部位.FLAIR像便于显示结合水变化情况,人体内有自由水和结合水的分布,结合水的变化情况往往反映了局部组织出现梗塞情况,这种情况下采用FLAIR成像可以将这样的变化显示出来. FLAIR像(液体反转恢复),约等于T2成像

some 知识点 knowledge输出查看模型结构使用print(model) model.name_module() model.named_parameters()等方式查看层级结构

Coding茶水间

基于深度学习的肾结石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)基于深度学习的肾结石检测系统演示大家好，欢迎来到「Coding茶水间」！在日常医学影像工作中，肾结石的筛查往往需要医生仔细阅片，不仅耗时，还容易受到主观因素影响。为了让这一过程更高效、更客观，我们基于当前热门的 YOLO 目标检测算法，开发了一套肾结石检测系统。这套系统能够自动分析肾脏影像，快速判断其中是否存在肾结石，并标出位置和置信度，支持图片、视频、文件夹批量以及摄像头实时检测。

解剖注意力：从零构建Transformer的终极指南Author: Ming相信不用我过多介绍，你已经对 Transformer 如雷贯耳，它是当今大语言模型的核心基石，可以说没有Transformer就没有今天的人工智能浪潮。

【YOLOv5seg部署RK3588】模型训练→转换RKNN→开发板部署已在GitHub开源与本博客同步的YOLOv5_RK3588_Imgae_Segmentation项目，地址：https://github.com/A7bert777/YOLOv5_RK3588_Imgae_Segmentation 详细使用教程，可参考README.md或参考本博客第六章模型部署

ShiftwiseConv: Small Convolutional Kernel with Large Kernel Effect论文下载地址：https://arxiv.org/abs/2401.12736论文代码地址：https://github.com/lidc54/shift-wiseConv

怎么全是重名

DeepLab（V3）在这项工作中，我们重新审视了空洞卷积这一强大的工具，它能够明确地调整滤波器的视野范围，并控制深度卷积神经网络计算出的特征响应的分辨率，主要用于语义图像分割的应用中。为了处理在多个尺度上分割物体的问题，我们设计了采用空洞卷积进行级联或并行的模块，通过采用多种空洞率来捕捉多尺度的上下文。此外，我们提议对之前提出的空洞空间金字塔池化模块进行扩展，该模块能够探测不同尺度的卷积特征，同时包含图像级别的特征以编码全局上下文，并进一步提升性能。我们还详细阐述了实现细节，并分享了我们在训练系统方面的经验。所提出的“Dee

星川皆无恙

基于知识图谱+深度学习的大数据NLP医疗知识问答可视化系统（全网最详细讲解及源码/建议收藏）知识图谱是将知识连接起来形成的一个网络。由节点和边组成，节点是实体，边是两个实体的关系，节点和边都可以有属性。知识图谱除了可以查询实体的属性外，还可以很方便的从一个实体通过遍历关系的方式找到相关的实体及属性信息。

Day 35首先回顾下昨天的内容,我在训练开始和结束增加了time来查看运行时长 import torch import torch.nn as nn import torch.optim as optim from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split import numpy as np

统一的人群计数训练框架（PyTorch）——基于主流的密度图模型训练框架视频讲解1：Bilibili视频讲解视频讲解2：https://www.douyin.com/video/7583893329385999667?count=10&cursor=0&enter_method=post&modeFrom=userPost&previous_page=personal_homepage&secUid=MS4wLjABAAAA0NVS_BfnZjuBUqHzrh-1oSxoNxExvuesrznu1Wu4-fc

智驱力人工智能

加油站静电夹检测视觉分析技术的安全赋能与实践静电夹检测加油站静电夹状态监测静电接地报警器检测在加油站安全管理体系中，卸油作业是风险最高的环节之一。静电释放是引发燃爆事故的主要诱因，而静电接地夹（俗称“静电夹”）的正确连接与有效使用，是导除静电、保障安全的强制性物理措施。然而，依赖人工目视检查或简单电路检测的传统方式，存在执行疏漏、记录缺失、无法全程监控等管理痛点。近年来，随着计算机视觉技术的成熟，一种基于视频分析的加油站静电夹检测方案正在兴起，它旨在通过非接触、智能化、可追溯的方式，将这一关键安全操作从“人防”提升到“技防”的新高度。

卷积运算效果的池化处理|最大值前序学习进程中，已将掌握了卷积效果非线性处理|非负性的操作方法，引入非线性可以为后面的学习带来一些便利。而在更早的学习中，我们已经掌握了基本池化操作组件的应用。今天基于前序学习进度，尝试在非线性的基础上引入池化操作。

深度学习基础概念详解用代码理解：用代码理解：ResNet-50的参数量：约2500万个参数预训练权重文件长什么样？迁移学习的代码：

NVIDIA 2025 Deep Learning & Systems 岗位面试复盘 | C++并发与底层架构难度解析如果说 Google 的面试是在考察你的算法智商，那么 NVIDIA 的面试则是在考察你的系统底蕴。随着 GPU 成为 AI 时代的“算力货币”，NVIDIA 对候选人的要求也水涨船高。这里的面试不再仅仅是翻转二叉树那么简单，面试官更在乎你是否理解指针背后的内存模型、线程调度的代价以及硬件缓存的一致性。

@鱼香肉丝没有鱼

Transformer原理—注意力机制Transformer模型，作为自然语言处理（NLP）领域的一块重要里程碑，于2017年由Google的研究者们提出，现在成为深度学习中对文本和语言数据处理具有根本性影响的架构之一。在NLP的宇宙中，如果说RNN、LSTM等神经网络创造了“序列记忆”的能力，那么Transformer则彻底颠覆了这种“记忆”的处理方式——它放弃了传统的顺序操作，而是通过自注意力机制（Self-Attention），赋予模型一种全新的、并行化的信息理解和处理方式。从自注意力的直观概念出发，Transformer的设计者们引进

如何让AI的数据标注“火眼金睛”？人机协同才是可靠途径二十年前，要是有人说想买个机器人帮忙做家务，听起来简直像天方夜谭。然而，如今我们正处在人工智能蓬勃发展的时代，机器人已经在类似场景中进行测试了。

基于YOLO11-seg的白蚁种类智能识别与分类系统——利用深度学习技术实现白蚁图像分割与多类别精准识别该数据集为白蚁种类识别与分类任务提供了丰富的视觉资源，共包含3153张经过预处理的图像，所有图像均以YOLOv8格式进行了标注。数据集在预处理阶段采用了自动方向调整（去除EXIF方向信息）并将所有图像统一缩放至640×640像素的尺寸，未应用任何图像增强技术。数据集包含五个白蚁类别：cf、jt、of、rc和rf，分别代表不同种类的白蚁。数据集按照标准划分为训练集、验证集和测试集，为模型训练和评估提供了完整的数据支持。该数据集采用CC BY 4.0许可协议，由qunshankj平台用户创建并导出，适用于计算

PhysX-Anything：从单张图像创建可用于模拟的物理 3D 资源25年11月来自南洋理工和上海AI实验室的论文“PhysX-Anything: Simulation-Ready Physical 3D Assets from Single Image”。