深度学习

PyTorch深度学习框架之基础实战二待完善。。。。。。

狮子座明仔

体验式强化学习：让模型学会“吃一堑长一智“一句话总结：论文提出 ERL（Experiential Reinforcement Learning），在强化学习中嵌入"尝试-反思-改进"的显式循环，将稀疏反馈转化为结构化的行为修正，在复杂任务上实现了高达 81% 的性能提升。

童园管理札记

【记录模板】大班科学小游戏观察记录（盐主题：《会变魔术的盐》）基本信息- 观察对象：大班幼儿（5-6岁）- 观察时间：XX年XX月XX日- 活动名称：科学小游戏《会变魔术的盐》

A.R.I.S.系统：YOLOx在破碎电子废料分拣中的新探索2026年2月发布的A.R.I.S.系统，尝试以YOLOx架构解决破碎电子废弃物的低成本分拣难题。本文梳理其技术背景、核心指标，并与现有方案进行客观对比。

【深度学习基础篇】手算卷积神经网络：13道经典题全解析（考研/面试必备）卷积神经网络是深度学习的核心，而手算卷积尺寸和参数量是理解其原理的第一步。本文整理了13道经典手算题，先给出题目供读者自测，再提供详细解答和关键公式总结，帮助大家彻底掌握卷积计算。

狮子座明仔

REDSearcher：如何用30B参数的小模型，在深度搜索上击败GPT-o3和Gemini？论文标题：REDSearcher: A Scalable and Cost-Efficient Framework for Long-Horizon Search Agents

万里鹏程转瞬至

论文阅读 | SLA:sparse–linear attion视频生成95%稀疏度FLOPs降低20倍论文地址：https://arxiv.org/abs/2509.24006 项目地址：https://github.com/thu-ml/SLA 发表时间：2025年11月19日

肾透侧视攻城狮

《模型保存加载避坑指南：解锁SavedModel、HDF5与自定义对象的正确姿势》目录本篇技术博文摘要 🌟引言 📘上节回顾1.TensorFlow 模型保存与加载2.保存整个模型2.1SavedModel 格式及示例

通用唤醒词识别模型 - Wav2Vec2同 1 测试结果

gorgeous(๑>؂<๑）

【ICLR26-Oral Paper-字节跳动】推理即表征：重新思考图像质量评估中的视觉强化学习文章：Reasoning as Representation: Rethinking Visual Reinforcement Learning in Image Quality Assessment

狮子座明仔

MemFly：当智能体的记忆学会了“断舍离“——信息瓶颈驱动的即时记忆优化📖 论文标题：MemFly: On-the-Fly Memory Optimization via Information Bottleneck

【论文比较】从 DeepSRC 到 BSSR：当“稀疏表示”遇上“深度学习”，算法是如何进化的？目录🌟 前言第一局：共同的敌人与“秘密武器”第二局：DeepSRC 的绝招——“更强的发动机”第三局：BSSR 的降维打击——“连底盘一起换”

YOLOv12环境配置，手把手教你使用YOLOv12训练自己的数据集和推理(附YOLOv12网络结构图)，全文最详细教程YOLO 系统尊嘟太卷了吧，YOLOv11 还没玩明白，YOLOv12 就重磅来袭，YOLOv12 是由纽约州立大学联合中科院在 2025年2月19 日发布，从 YOLOv12 论文题目我们大概就知道做了那些更新，下图是YOLOv12 在 COCO 数据集上的性能表现

【论文精读（三）】PointMLP：大道至简，无需卷积与注意力的纯MLP点云网络 (ICLR 2022)博主导读：在 PointNet++ 之后，点云深度学习似乎陷入了一个“内卷”怪圈：大家都在拼命设计更复杂的局部聚合器 (Local Aggregator)。

风流倜傥唐伯虎

N卡深度学习环境配置1. 打开CMD命令行，输入指令：nvidia-smi2. 查看输出结果中的驱动版本（示例：RTX 3050 laptop 对应驱动版本 526.56）。

第15章多模态学习多模态学习（Multimodal Learning）是当前深度学习最活跃的前沿方向之一。它研究的核心问题是：如何让模型像人类一样，同时处理并理解来自不同来源的信息（比如看到图片、听到声音、读到文字）。

讲透Transformer(三):Transformer 注意力机制详解与Qwen/DeepSeek近期改进Transformer 架构的核心是 Self-Attention 机制，它让模型能够捕捉序列中任意两个位置之间的依赖关系。原始 Transformer 采用 Encoder-Decoder 架构：

绒绒毛毛雨

多目标强化学习-英伟达：GDPO随着语言模型能力的不断提升，用户不仅期望模型能够给出准确的回答，还希望其行为能够在各种场景中契合不同的人类偏好。为实现这一目标，强化学习（RL）流程开始引入多种奖励，每种奖励代表一种不同的偏好，用于引导模型产生更符合预期的行为。然而，近期的相关工作在多奖励场景下，往往直接采用了Group Relative Policy Optimization（GRPO，组相对策略优化）方法，而没有对其适用性进行充分的检验。本文指出，直接将GRPO应用于不同奖励组合的归一化，会导致所有奖励信号在归一化后变得完全一致，从而

技术宅学长

什么是FFN层（Feed-Forward Network，前馈神经网络层）FFN层（Feed-Forward Network，前馈神经网络层）是Transformer等大模型里的核心模块，常放在注意力层之后，负责对每个位置的向量做独立的非线性特征加工，是模型“深度理解语义”的关键。

ViT-5: Vision Transformers for The Mid-2020s—— 面向2020年代中期的视觉Transformer这篇题为《ViT-5：面向2020年代中期的视觉Transformer》的论文，核心研究内容是对经典的视觉Transformer架构进行系统性的现代化升级。其目标并非颠覆性重构，而是通过“组件级”的精细优化，在保留其基础结构的同时，显著提升性能、稳定性和泛化能力。