深度学习

AI人工智能+

基于深度学习的银行回单识别技术，成为连接物理票据与数字财务系统的桥梁在数字化转型的浪潮中，企业财务流程的自动化已成为提升运营效率的关键环节。其中，银行回单作为资金流转的核心凭证，其处理效率直接关系到企业的资金安全与财务核算速度。传统的回单处理依赖人工录入，不仅耗时费力，且极易出现人为错误。随着人工智能与深度学习技术的成熟，基于深度学习的银行回单识别系统应运而生，成为连接物理票据与数字财务系统的桥梁。

深度学习-交叉熵交叉熵（Cross-Entropy）是信息论中的一个核心概念，在深度学习中，它是最常用、最重要的损失函数之一，尤其擅长处理分类问题。

VGG网络-深度学习经典架构解析VGG（Visual Geometry Group）网络是牛津大学视觉几何组于2014年提出的深度卷积神经网络，在ImageNet图像识别竞赛中取得了优异成绩。VGG以其简洁、规整的架构设计著称，通过使用大量3×3小卷积核堆叠，证明了增加网络深度能够有效提升性能。

神经网络卷积层梯度公式推导- 神经网络常见层Numpy封装参考（6）：卷积层考虑单个输入数据和卷积核的卷积，且输入矩阵已经过填充。假设二者形状如下： X ( H × W ) = [ x 1 ( 1 ) x 1 ( 2 ) ⋯ x 1 ( W ) x 2 ( 1 ) x 2 ( 2 ) ⋯ x 2 ( W ) ⋯ ⋯ ⋯ ⋯ x H ( 1 ) x H ( 2 ) ⋯ x H ( W ) ] , K ( H k × W k ) = [ k 1 ( 1 ) k 1 ( 2 ) ⋯ k 1 ( W k ) k 2 ( 1 ) k 2 (

Day06-08.CNN概述介绍卷积神经网络（Convolutional Neural Network）是含有卷积层的神经网络. 卷积层的作用就是用来自动学习、提取图像的特征。

深度学习(8)过拟合、欠拟合① 在多项式拟合中，模型容量为不同多项式次方。② d是特征向量的维度，1是偏置b的维度。① 使用以下三阶多项式来生成训练和测试数据的标签：

QiZhang | UESTC

从基础 RoPE 到 YaRN：源码学习路线揭秘豆包生成。我给你一套零基础、由浅入深的学习路线，先拆核心功能，再屏蔽复杂代码，最后啃进阶优化，保证你能彻底学会这段源码！

深度解析雪花算法及其高性能优化策略雪花算法（Snowflake Algorithm）是 Twitter 开源的一种分布式唯一 ID 生成算法，因其高性能、低延迟和全局唯一性，被广泛应用于分布式系统中。本文将深入剖析其核心原理，并结合实际场景提供可直接落地的高性能实现示例与优化策略。

AI论文速读 | QuitoBench：支付宝高质量开源时间序列预测基准测试集论文标题：QuitoBench: A High-Quality Open Time Series Forecasting Benchmark

从平方到线性：Mamba如何挑战Transformer的长序列效率瓶颈？Mamba不是要“干掉”Transformer，而是为长序列建模提供了一条效率优先的新路径。本文客观分析其原理、优势与局限。

AI医影跨模态组学

Ann Oncol（IF=65.4）广东省人民医院放射科刘再毅&阿里巴巴达摩院等团队：基于非增强CT与深度学习的结直肠癌检测01文献学习今天分享的文献是由广东省人民医院放射科刘再毅教授、阿里巴巴达摩院等团队于2026年4月21日在肿瘤学领域顶刊《Annals of Oncology》（中科院1区top，IF=65.4）上发表的研究“Colorectal cancer detection using non-contrast CT and deep learning: a multicenter and international cohort study”即基于非增强CT与深度学习的结直肠癌检测：一项多中心国际队列研究，该研究

【Anchor DETR论文阅读】：基于锚点查询设计的Transformer检测器，50epoch收敛且速度精度双升DETR开创了Transformer端到端检测的极简范式，无Anchor、无NMS，美得不像话。但它有两个老大难问题：

llamafactory 的使用和安装Llamafactory已经出来很久了，自己也用了比较长的时间，一直想着写一遍博客用于记录，然后一直拖着（小声BB：主要还是懒了）以下内容用于个人使用的总结文档，感觉应该属于比较保姆级别的总结了，希望可以帮到需要的朋友。当然，也可以看下Llamafactory的GitHub链接，对应的GitHub中文文档，对应的官方推荐中文视频

AI医影跨模态组学

Nature Reviews Cancer（IF=66.8）澳门科技大学张康教授等团队：人工智能推动多组学与临床数据整合在基础和转化癌症研究中的进展01文献学习今天分享的文献是由澳门科技大学、中国医学科学院肿瘤医院张康教授等团队于2026年4月21日在肿瘤学领域顶尖综述期刊《Nature Reviews Cancer》（中科院1区top，IF=66.8）上发表的研究“Advancing AI for multi-omics and clinical data integration in basic and translational cancer research”即人工智能推动多组学与临床数据整合在基础和转化癌症研究中的进展，该综述系统阐述了人工

量子与深度学习深度交融：微美全息（NASDAQ:WIMI）新型网络铸就效率精度双典范在量子计算与人工智能加速融合的背景下，一项面向实际应用场景、兼顾性能与资源效率的关键技术正在逐步走向成熟。

任务2.1.1 深度学习实战 - 数据加载执行代码代码说明：代码首先导入 TensorFlow、Pandas 及数据集模块，随即调用 datasets.mnist.load_data() 加载 MNIST 数据集并自动划分为训练集与测试集。打印结果显示，成功获取了 60,000 张训练图像与 10,000 张测试图像（尺寸均为 28x28），完成了数据准备。

Note：强化学习(五)2026 | ming至此，到这里我们已经学习了很多强化学习算法了，现在就来对这些强化学习算法归归类。大体分类如图12.1所示。

测绘第一深情

租用GPU云服务器进行深度学习（AutoDL，超保姆级，适用新手）AutoDL是国内主流的云端GPU算力租赁平台，专为深度学习、人工智能科研与算法开发打造，汇聚4090、A100、H100等各类高性能显卡，预装PyTorch、MMDetection系列等主流框架与配套环境，开箱即用、无需复杂配置，支持Jupyter、远程VS Code、终端等多种开发方式，采用按需按量计费模式，国内网络访问稳定高速，能低成本满足模型训练、项目复现、算法调试等需求，是学生与开发者低成本使用高性能算力的常用工具。

AI代理落地指南：从Demo到生产级的实战攻略2026年了，AI代理早已不新鲜，但真正把它从‘玩具’Demo落地成能扛住流量高峰、控制住成本、不出安全纰漏的生产级服务，才是拉开差距的关键。这就像从在家给朋友做奶茶，到开一家能应对周末爆单的成熟奶茶店。