深度学习

深入解析 Adam 优化器tensorflow.keras.optimizers.Adam 是 TensorFlow/Keras 中最常用、性能优异的优化器之一。它结合了自适应学习率与动量机制，在训练深度神经网络时通常能快速收敛且对超参数不敏感。

追踪17只果蝇、7只线虫、10只小鼠，全程无需人工标注：这个无监督跟踪器如何颠覆动物行为研究？论文信息标题：Unsupervised transfer learning enables multi-animal tracking without training annotation

电力系统分析第一章参考资料电力系统分析上第4版 (何仰赞, 温增银)【电力系统分析全程板书课_郝亮亮老师【10周年通透版本】】 https://www.bilibili.com/video/BV11u4m1c7ZV/?p=8&share_source=copy_web&vd_source=0caeacd6c3217ba41c56ea47a129e168

八月瓜科技

豆包启动付费会员测试，承诺基础服务永久免费，免费AI时代是否终结？近日豆包开启付费会员相关灰度测试，推出付费版本，价格从68 元/月至500元/月多档。官方明确表态，豆包日常基础服务将永久免费，且不会调整现有免费服务规则。日常对话基础咨询普通文案撰写常规翻译简单图文问答等基础使用场景，均可免费正常使用，普通用户日常使用体验不会发生改变。

Day 19 编程实战：LSTM股价预测说明为什么 return_sequences=False？激活函数的选择tanh 和 sigmoid 是LSTM的标准激活函数组合：

公共安全打架行为识别数据集分享（适用于YOLO系列深度学习检测任务）链接:https://pan.baidu.com/s/1WTJJEL94p6OM6rCfyvpjnw?pwd=cn7t

YOLOv13最新创新改进系列：比闪电还快的医学影像分析！YOLOv13+EMCAD融合实战，改进代码已跑通！cvpr2025最新独家改进！畅享超多免费持续更新且可大幅度提升文章档次的纯干货工具！计算效率瓶颈特征保持需求高效上采样架构计算效率提升

PyTorch深度学习框架之基于RNN实现AI歌词生成器我们将创建一个基于 RNN（LSTM）的 AI 歌词生成器，可以学习周杰伦、林俊杰等歌手的歌词风格，并生成新的歌词。

赵优秀一一

AI入门学习目录资料：一.统一前置安装1.进入虚拟环境2.安装torch和transformers2.1：NVIDIA GPU，先装 CUDA 版 torch：

原创文档：基于MATLAB深度学习与传统机器学习的脑肿瘤MRI图像分类系统摘要：脑肿瘤是严重威胁人类健康的疾病之一，准确、快速的诊断对于治疗方案的制定至关重要。传统的人工阅片方式效率低、主观性强，难以满足临床需求。本文针对脑肿瘤MRI图像分类问题，设计并实现了一套基于深度学习与传统机器学习的智能诊断系统。

这张生成的图像能检测吗

（论文速读）基于多模态融合学习的航空发动机叶片损伤检测与测量论文题目：Aeroengine Blades Damage Detection and Measurement Based on Multimodality Fusion Learning（基于多模态融合学习的航空发动机叶片损伤检测与测量）

一切皆是因缘际会

大模型幻觉深度解析：成因、落地危害与工程级解决方案当下生成式AI大模型已经全面落地到企业知识库、智能问答、代码生成、文案创作、数据分析等各类开发场景。但绝大多数开发者在项目落地中都会遇到一个共性难题：大模型看似输出流畅、逻辑通顺，但频繁出现事实错误、编造数据、杜撰案例和专业结论。

05-自注意力机制详解 🧠本文档深入讲解自注意力机制（Self-Attention）的核心原理，涵盖自注意力的概念定义与产生背景、QKV三大角色的直观理解与线性变换的作用、自注意力与交叉注意力的本质区别、掩码自注意力（Padding Mask 与 Causal Mask）的完整解析、手动代码实现及逐行讲解，以及注意力权重可视化方法。通过理论与实践相结合的方式，帮助读者彻底吃透自注意力机制 🛠️

ICMR2024 | 当对比学习遇上知识蒸馏：轻量超分模型压缩新框架近年来，得益于深度学习的发展，单幅图像超分辨率（Single Image Super-Resolution, SISR）技术得到了快速的进步。然而，为了取得更好的性能,大多数基于卷积神经网络（Convolutional Neural Networks, CNNs）的方法盲目地加深网络深度，导致模型参数量大，不可避免地带巨大的计算开销和内存消耗，限制了其在资源受限设备上的应用。

本地部署 AI 大模型保姆级教程：Ollama 安装、模型下载与终端实战全流程随着 AI 大模型技术的快速普及，越来越多开发者和普通用户希望拥有本地可运行、无网络依赖、隐私安全的 AI 对话能力。然而，传统大模型部署往往面临环境配置复杂、显存要求高、依赖安装繁琐等痛点，让很多新手望而却步。

【NWAFU×KUL】不打扰，也能看懂一头牛：非接触式技术正在改变精准畜牧在大型牧场里，真正困难的事情，往往不是“有没有牛”，而是“能不能持续、准确地知道每一头牛正在发生什么”。

深度学习(21)使用块的网络VGG经测试后，发现3*3的效果比5*5的效果要好一、VGG块（核心思想）👉 一个 VGG block = 多个卷积层 + 1个池化层

2026年5月5日英伟达股价 4 月 27 日单日暴涨 4%，收于每股 216.61 美元，总市值达到 5.26 万亿美元，把第二名谷歌母公司 Alphabet（4.24 万亿）远远甩在身后。四大超级云厂商（Meta、谷歌、微软、亚马逊）今年合计砸 7250 亿美元建 AI 基础设施，英伟达占 AI 加速芯片市场约 90% 的份额，这股热钱直接往英伟达口袋里流。

深度评测 GLM-5：AtomGit 首发模型的代码生成实战体验首发模型体验链接：https://atomgit.com/GitCode/0daymodel GLM-5模型在线体验连接：https://ai.atomgit.com/zai-org/GLM-5/model-inference?utm_source=tiezi 评测模型：zai-org/GLM-5 评测时间：2026年2月24日

python零基础入门小白

Transformer、Token、RAG全解析，一篇读懂大模型核心机制！本文以通俗易懂的方式，梳理了AI领域的关键术语，包括LLM、Transformer、Token、Embedding等，并深入探讨了它们的内在联系和应用场景。文章从模型构建、训练过程、应用方法等多个角度，全面解析了大模型的核心机制，帮助读者建立起对AI技术的整体认知框架。同时，文章还介绍了RAG、Agent等前沿技术，以及推理、部署和多模态等工程化问题，为读者提供了实用的技术指导。