深度学习

动手学深度学习｜批量归一化（Batch Normalization）超详细讲解：为什么它能让深层网络更容易训练？这一节很重要，因为从这里开始，你会发现：卷积神经网络的进步，不只是来自“结构怎么设计”，还来自“训练怎么更稳定”。

LSQ的测试日记

深度学习_YOLO，卡尔曼滤波和YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好，所以在工业界也十分受欢迎.

PyTorch深度学习框架之多分类交叉熵实现图像分类适合苹果/华为/小米 3分类手机识别，你可以直接改类别数适配你的任务：Q：SmallPhoneCNN卷积层参数是怎么来的？

Keras 的主要特点和适用场景Keras 是一个用 Python 编写的高级神经网络 API，最初由 François Chollet 开发，目标是让深度学习变得更加用户友好、模块化和可扩展。自 TensorFlow 2.0 起，Keras 被正式集成作为其官方高层 API（tf.keras），成为 Google 官方推荐的深度学习开发方式。

郝学胜-神的一滴

自动微分实战：梯度下降的迭代实现与梯度清零核心解析在深度学习的参数优化中，梯度下降是最基础也最核心的算法，而自动微分则是高效计算梯度的关键手段。从手动推导梯度到代码层面的迭代更新，从梯度累加的坑到梯度清零的实操，每一个细节都决定着参数优化的成败。今天我们就从实战角度，拆解基于PyTorch的自动微分实现，手把手搞定梯度下降的完整流程，理解梯度清零的底层逻辑，让参数更新更精准！

HyperAI超神经

【TVM教程】理解 Relax 抽象层TVM 现已更新到 0.21.0 版本，TVM 中文文档已经和新版本对齐。Apache TVM 是一个深度的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。

基于深度学习的香梨产量预测系统设计与实现(UI界面+数据集+训练代码)摘要：本研究针对香梨产业园果实数量统计和产量预测中人工清点效率低、主观性强、难以满足规模化管理需求等问题，设计并实现了一套基于深度学习的香梨产量预测系统。系统以香梨图像为研究对象，融合目标检测、特征工程与回归分析方法，实现了图像检测、视频检测、实时检测及产量预测等功能。

深度学习之卷积神经网络CNN（卷积+池化）基础的图像操作CNN图像分类案例模型参数如下：案例增加优化思路根据提供的数据结构，建立CNN模型，识别图片中的猫/狗，计算预测准确率从网站下载猫/狗图片，进行预测

机器学习深度学习beginning51.自编码器（Auto-Encoder）：不需要标注数据，仅依赖数据本身的结构进行学习，属于自监督学习。自编码器试图学习一个恒等映射：输入 x→ 编码器 → 潜在表示 z→ 解码器 → 输出 x^，并让 x^尽可能接近 x。核心结构：编码器 + 解码器目标：最小化重构误差（输入与输出的差异）变体：Denoising Auto-Encoder（去噪自编码器）：需要在输入数据上加入噪声，输出为不加噪声的结果，即对输入X人为加入噪声得到 X'，模型学习从 X' 重构出干净的 X

AI的jieba分词原理与多模式应用解析AI的jieba分词原理与多模式应用解析

金融小师妹

基于AI能源供给网络模型：霍尔木兹海峡扰动下的全球油品风险传导与区域“油荒概率”评估摘要：本文通过构建AI能源供给网络模型，结合霍尔木兹海峡运输扰动、区域进口依赖度、库存动态与贸易重定向能力，对全球能源供应链在极端压力下的传导路径进行分析，重点评估亚洲地区“油荒风险”的结构性分布及其演化机制。

IndexTTS2 在 macOS 性能最佳设置（M1/M2/M3/M4 全适用）IndexTTS2 本身是为 GPU（NVIDIA CUDA）优化的，而 macOS（Apple Silicon）走的是 Metal GPU 路线。然而 PyTorch 已经对 Metal 优化得相当不错，只要参数设置对了，在 mac 上完全可以跑得很丝滑。

PyTorch实战（40）——使用PyTorch构建推荐系统推荐系统 (Recommendation System) 无处不在，例如抖音会推荐用户观看什么内容；Spotify 推荐用户听什么音乐；淘宝推荐用户购买哪些产品。推荐系统本质上是一种提供个性化建议的算法，其核心目标是通过分析用户偏好、行为模式、与其他用户的相似度以及与系统的互动记录，预测用户可能感兴趣的产品。当今大多数推荐系统都由深度学习模型驱动，这些模型通过分析当前用户及其他用户的现有消费模式，来预测用户对某产品(电影、书籍、播客、社交网络中的某人等)的喜好程度。在本节中，我们将使用 PyTorch

Coding茶水间

基于深度学习的草莓健康度检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Django+web+训练代码+数据集)基于深度学习的草莓健康度检测系统演示与介绍目录视频演示1. 前言2. 项目演示2.1 用户登录界面2.2 主界面布局

深度学习day06其实深度学习是我们老师让我们学的东西，然后数据结构是我看师兄找工作学的。所以我一般数据结构更新的更勤，但是有多余的时间还是要把深度学习这些进度给补上。

见微知著——特征工程的科学与艺术“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。”在我们的旅程中，“数据是燃料”一章为我们奠定了坚实的基础。我们学会了如何评估数据质量、处理缺失值、进行基础的数值缩放与类别编码。那时，我们将原始数据视为一种粗犷的、未经加工的“原油”。

设备预测性维护模型构建详解与实例：中讯烛龙如何用“数据+算法”破解故障预测难题在工业设备预测性维护（PdM）体系中，模型是“决策大脑”——它通过对设备数据的深度解析，预判故障发生时间与类型，直接决定预警的准确性与维护的有效性。然而，72%的PdM模型存在“实验室准、现场差”“误报率高、泛化性弱”等问题，根源在于模型构建脱离了工业场景的真实需求。本文将从模型构建全流程详解与真实工业实例出发，结合中讯烛龙预测性维护系统的技术实践，为企业提供“从数据到决策”的模型构建范式。

【论文研读】Deep learning improves prediction of drug–drug anddrug–food interactionsDeep learning improves prediction of drug–drug anddrug–food interactionshttps://www.pnas.org/doi/epdf/10.1073/pnas.1803294115

【深度学习 | 第三篇】-卷积神经网络卷积神经网络是包含卷积层的神经网络。卷积层能够自动学习图像中的局部特征，如边缘、纹理、形状等，并逐层抽象为高级语义特征。

光电的一只菜鸡

《PyTorch深度学习建模与应用（参考用书）》（三）——深度神经网络深度学习是当下热门的机器学习研究方向，它是使用深层架构的机器学习的方法，已经广泛应用于人工智能所涉及的众多领域，例语音识别、计算机视觉、自然语言、在线广告等，作为深度学习框架的PyTorch可以在该领域中大展宏图。