深度学习

工业视觉检测：多模态大模型的诱惑2023年初，GPT-4V发布后不久，我们接到一个老客户的电话。他是某家电企业的技术负责人，两年前我们帮他们上了一套基于YOLOv5的外观检测系统，跑得一直不错。

AI大模型-核心概念-深度学习为避免一学就会、一用就废，这里做下笔记本文内容紧接前文-AI发展史和机器学习深度学习、神经网络、机器学习的关系：

RAG 评估入门：Recall@k、MRR、nDCG、Faithfulness适用场景：企业知识库问答 / 课程资料问答 / 文档助手 / 内部制度查询 / 产品手册助手目标：把“感觉还行”的 RAG，变成“可量化、可对比、可迭代”的 RAG。

All The Way North-

PyTorch从零实现CIFAR-10图像分类：保姆级教程，涵盖数据加载、模型搭建、训练与预测全流程CIFAR-10 是一个广泛使用的图像识别数据集，由加拿大圭尔夫大学的Alex Krizhevsky、Ilya Sutskever和多伦多大学的Geoffrey Hinton整理。这个数据集被设计用于机器学习中的图像分类任务。

MBHM_DATASET_GUIDEMBHM (Multimodal Bearing Health Management) 是首个专为轴承健康管理研究设计的多模态数据集，由 SIA-IDE 团队开发，相关论文发表于 AAAI-25 会议。

AI街潜水的八角

深度学习洪水分割系统2：含训练测试代码和数据集第一步：准备数据洪水分割-深度学习图像分割数据集洪水分割数据，可直接应用到一些常用深度学习分割算法中，比如FCN、Unet、SegNet、DeepLabV1、DeepLabV2、DeepLabV3、DeepLabV3+、PSPNet、RefineNet、HRnet、Mask R-CNN、Segformer、DUCK-Net模型等数据集总共有663对图片，数据质量非常高，甚至可应用到工业落地的项目中

峰值需求预测中的机器学习：基础、趋势和见解（最新文献）高峰需求预测涉及预测特定时期内的最大电力需求，对维持电力系统的效率和稳定性起着关键作用。在先进的计量基础设施、电动汽车等本地能源应用以及间歇性可再生能源的日益采用的推动下，电力系统的快速发展带来了更大的随机性并降低了峰值需求的可预测性。鉴于迫切需要满足不同环境下更多样化的实施要求，准确可靠的峰值需求预测变得越来越重要。据我们所知，这项研究首次对峰值需求预测方法进行了全面概述。它系统地回顾了 20 世纪 50 年代以来发表的 186 项研究，并根据这些方法的发展时间表将其分为三个阶段。在此基础上，该

轻量、实时、高精度！MIE-YOLO：面向精准农业的多尺度杂草检测新框架 | MDPI AgriEngineering 2026本文的贡献总结如下：（1）设计了一种新的MS-EIS（多尺度边缘信息选择）架构，通过选择性地聚合多个尺度的边缘和纹理信息，增强细粒度特征表示，以应对复杂背景下小目标和目标检测的难题。

一招定胜负

图像形态学+边缘检测及CNN关联引言：今天的学习围绕“图像特征提取”展开，从传统的图像形态学操作，到精准的Sobel边缘检测，再到深度学习中CNN的核心逻辑，我们一步步揭开了计算机“看懂”图像的底层原理。传统算法是深度学习的基础，而深度学习是传统算法的进阶——比如CNN的浅层，本质就是在做类似传统算法的简单特征提取。这篇文章将完整梳理今天的讨论内容，包含所有核心知识点和可直接运行的代码，帮你建立从传统到深度学习的完整知识链路。

VLM-单头自注意力机制核心逻辑后面附带个人理解及解析代码的核心目标是：让句子中的每个词通过「自注意力」结合所有词的信息，生成更具语义关联性的上下文向量。整体流程如下：

Birch聚类算法Birch（Balanced Iterative Reducing and Clustering using Hierarchies）是一种专为大规模数值数据设计的增量式、多阶段聚类算法。它由 Zhang & Ramakrishnan 于 1996 年在 SIGMOD 提出，目标是在一次数据扫描内、有限内存下，快速生成一棵内存驻留的层次摘要树（CF-Tree），再基于该摘要执行最终聚类。核心思想：“先压缩，再聚类”。

【2026原创】动物识别系统~Python+深度学习+人工智能+模型训练+图像识别动物识别系统，是一个基于深度学习技术的智能图像识别Web应用，旨在为用户提供便捷、准确的动物种类识别服务。系统采用前后端分离架构，后端基于Python Flask框架构建，集成TensorFlow深度学习框架和预训练的ResNet50卷积神经网络模型，能够实现对猫、狗、鸡、马四种常见动物的高精度识别。

大模型学习阶段总结和下一阶段展望1个月内学会大模型预训练微调强化学习基本原理，做一个github项目然后找到大模型强化学习或者agent应用等实习，在农历春节之前。 2026年1月5日-1月11日总结当前进展，明确下周方向 1月12号-1月16号

【三维重建2】TCPFormer以及NeRF相关SOTA方法交叉注意力机制交叉注意力机制（Cross-Attention）是深度学习中一种动态信息融合技术，核心思想是让一个序列（Query）从另一个序列（Key-Value）中提取相关信息。它广泛用于多模态任务（如图文匹配）、机器翻译或任何需要对齐不同模态/序列数据的场景。

人工小情绪

深度学习模型部署在学术界，训练深度学习模型我们关注的主要是模型的精度（Accuracy）；但在工业界，我们关注的是模型的落地（Deployment）。部署是将训练好的算法模型从“实验室环境”迁移到“生产环境”的过程，是让 AI 产生商业价值的“最后一公里”。

深度学习周报（1.05~1.11）目录摘要Abstarct1 U-Net 论文解读1.1 研究背景1.2 方法论1.3 创新点1.4 实验结果分析

AI人工智能+

专利证书识别技术；通过计算机视觉与深度学习，实现了专利文档从纸质到结构化数据的智能转换在知识经济时代，专利作为核心知识产权资产，其数字化管理与高效利用成为企业、科研机构及政府部门的迫切需求。传统人工处理专利证书的方式效率低下、易出错，且难以应对海量数据。专利证书识别技术应运而生，通过融合计算机视觉、自然语言处理与深度学习，实现了专利证书从纸质文档到结构化数据的智能化转换，正在重塑知识产权管理的新范式。

SLM-多头注意力机制之前的SelfAttention类实现的是单头自注意力：而多头注意力的核心就是：用多组独立的 Q/K/V（多个 “头”），从不同角度捕捉词与词的语义关联，最后把结果拼接，得到更全面的上下文信息。

大模型最新论文速读

「英伟达改进 GRPO」解决多奖励场景优势坍缩问题当前大模型的强化学习训练（RLHF、RLAIF等）往往需要同时优化多个目标：回答要准确（correctness）、格式要规范（format compliance）、长度要合适（length constraint）、足够有帮助（helpfulness）等，就像给学生评定综合成绩，需要同时考虑语文、数学、体育等多门课程

【2026原创】中草药识别系统实现~Python+深度学习+模型训练+人工智能本项目是一个基于深度学习的中草药智能识别系统，旨在利用人工智能技术辅助用户快速准确地识别常见中草药品种。系统采用前后端分离架构，后端基于Python Flask框架构建RESTful API，前端使用Vue3框架实现响应式用户界面，核心识别功能基于TensorFlow深度学习框架和ResNet50卷积神经网络模型。