深度学习

机器学习经典小项目4：泰坦尼克号生存预测今天我准备学习泰坦尼克号生存预测小项目。我问腾讯元宝要代码来学习，不过，它给我的代码，每一个都运行失败，给了我4篇代码，4篇全是运行失败，timeout，应该是泰坦尼克号数据集下载不了吧。算了，看看能不能我自己去网上找一份泰坦尼克号数据集，或者自己手搓一份泰坦尼克号的数据集吧。

LeMiCa——基于扩散的高效视频生成的词典序最小最大路径缓存论文标题：LeMiCa: Lexicographic Minimax Path Caching for Efficient Diffusion-Based Video Generation

今天吃饺子

50种近五年主流深度学习模型×10种时频方法，故障诊断、分类一键跑通！今天给大家分享一个深度学习分类全家桶项目，整合了50种近年来主流的深度学习模型和 10种1D转2D的时频变换方法，共计 500种组合，并为每个模型配合tsne可视化操作。先来看50种深度学习模型有哪些：

GEO优化：官网建设的重要性，如何铸就数字信任与增长引擎摘要生成式 AI 技术的爆发式普及，正推动传统搜索引擎优化（SEO）向生成式引擎优化（GEO）发生根本性范式转移。GEO 的核心目标已从 “获取关键词排名” 升级为 “成为 AI 模型的可信信源并被精准引用”，数字信任成为 AI 时代企业竞争的核心壁垒。GEO 专家于磊基于多年行业实践，首创 “两大核心 + 四轮驱动”GEO 优化理论体系，为企业构建 AI 时代的数字竞争力提供了系统性解决方案。

神经网络参数初始化详解在深度学习训练体系中，参数初始化（Weight Initialization）是极易被忽视、却决定模型能否收敛、收敛速度、精度上限、梯度稳定性的底层核心。相比于学习率、优化器、正则化等调优手段，初始化是模型训练的起点约束，起点出错，后续所有迭代优化全部无效。

生成论实验室

给机器人和自动驾驶装上判断力，会怎样？我们之前聊了一件事：给AI装上判断力。文章发出去后，有人问我：你说的判断力，用在聊天机器人身上我懂了——不该说的不说，不确定的不乱编。但要是用在机器人和自动驾驶身上呢？

Transformer深入详解-现代大模型核心架构📝 本章学习目标：通过本章学习，你将深入理解 Transformer 架构的每一个组件——从自注意力机制到位置编码，从多头注意力到前馈网络，掌握其数学原理与工程实现，并理解为何它成为 GPT、BERT、Claude 等所有现代大模型的基石。

AI医影跨模态组学

Nat Commun（IF=15.7）波士顿大学医学院：基于人工智能的多模态数据融合用于阿尔茨海默病生物标志物评估01文献信息本次分享的文献是由波士顿大学医学院Vijaya B. Kolachalama教授等团队于2025年8月在《Nature Communications》（中科院1区，IF=15.7）上发表的研究“AI-driven fusion of multimodal data for Alzheimer’s disease biomarker assessment”即基于人工智能的多模态数据融合用于阿尔茨海默病生物标志物评估，本研究提出了一个基于Transformer架构的多模态机器学习框架，利用临床、影

风虎云龙科研服务器

告别几何缩微，拥抱时间优化：韬（τ）定律开启后摩尔时代新周期摘要：延续半个多世纪的摩尔定律，以晶体管几何尺寸缩微为核心，驱动全球半导体产业高速发展，构筑了数十年的行业发展准则。但随着制程工艺逼近原子尺度，摩尔定律已然遭遇物理极限、成本失控、算力需求错配的三重无解瓶颈，传统“比拼制程节点”的发展赛道彻底走入内卷困局。2026年5月，华为正式发布韬（τ）定律，跳出传统空间缩微的固有思维，以电路时间常数τ（信号传输延迟）为核心，搭建器件、电路、芯片、系统四层全栈优化体系，通过逻辑折叠、三维堆叠、统一总线、存算融合等核心技术，实现从“缩空间”到“缩时间”的底层逻辑革新。本

从零手写 SQL 查询引擎：解析器、优化器与执行器实战SQL（Structured Query Language）作为数据查询的"世界语"，已经走过了四十多年的历史。无论是 MySQL、PostgreSQL 这样的传统关系型数据库，还是 SparkSQL、Presto 这样的分布式查询引擎，底层的 SQL 处理流程都遵循着相同的架构范式：SQL 文本 → 词法分析 → 语法分析 → 语义绑定 → 逻辑优化 → 物理执行。

[LLM基础] Transformer 库的使用画师：竹取工坊大佬们好！我是Mem0rin！现在正在准备自学转码。如果我的文章对你有帮助的话，欢迎关注我的主页Mem0rin，一起进步！

weixin_46846685

大语言模型智能助手核心应用场景与落地指南在处理日常工作时，我们常常被淹没在海量信息中：几十页的技术文档需要快速提炼核心观点，散落在不同格式文件里的数据难以统一分析，或是面对复杂的业务逻辑迟迟无法下手编写代码。这种“信息过载”与“执行困难”的矛盾，几乎困扰着每一位知识工作者。很多时候，我们花费在整理、阅读和初步构思上的时间，远远超过了实际解决问题的时间。如果能有一个得力的助手，不仅能读懂超长文档，还能跨格式整合信息，甚至辅助推理和创作，工作效率将得到质的飞跃。

小新同学^O^

简单学习 --＞ llm是怎么训练出来的?概念模型看不懂人类的“字符串”，它只能处理数字。在 6.1 预训练开始前，必须先通过分词器（Tokenizer）将文本切分成 Token 并映射为 ID。Token 是 LLM 处理信息的最小单位。

Product Hunt 每日热榜 | 2026-05-23标语：让一群并行的智能代理在几分钟内测试你的应用程序。介绍：TestSprite 能够独立生成并运行你应用程序的端到端测试。对于后端，我们现在可以生成复杂的集成测试，支持动态变量、自动清理和数据流调试。对于前端，我们会派遣一群并行的 AI 代理，像真实用户一样先去探索你的应用，点击每一个功能，然后将结果反馈到测试中。我们是第一个做到这一点的！3.0 版本还增加了 UI 漂移的自动修复功能、回归测试的自动认证以及针对 Claude Code 和 Codex 用户的命令行接口。

PyTorch强化学习实战——使用高级组件复现DQN本节，我们将使用在《强化学习高级组件》一节介绍的高级组件复现经典深度Q网络 (Deep Q-Network, DQN) 方法。这将大幅精简代码，使核心逻辑更加突出。需要强调的是，本专栏的目标是培养对强化学习 (Reinforcement Learning, RL) 方法的本质理解，这种能力远比掌握特定库更有价值，因为工具库会迭代更新，而对领域的深刻认知能快速理解相关原理和代码并根据实际应用选择合适的算法。基础 DQN 实现包含三个核心文件：

AI医影跨模态组学

Lancet Digital Health（IF=24.1）德国德累斯顿工业大学医学院：深度学习评估结直肠癌的基因型-表型相关性01文献信息本次分享的文献是由德国德累斯顿工业大学 Else Kröner-Fresenius 数字健康中心Jakob Nikolas Kather教授团队联合德国海德堡国家肿瘤疾病中心、奥地利维也纳医科大学、美国梅奥诊所、世界卫生组织国际癌症研究机构等10余家机构与2025年8月在柳叶刀子刊《Lancet Digital Health》（中科院1区，IF=24.1）上发表的研究“Assessing genotype−phenotype correlations in colorectal cancer

YOLO数据集集合

滑坡智能识别｜遥感卫星无人机多源影像数据集｜深度学习语义分割开源基准地质灾害应急监测正从人工目视解译迈向AI自动化解译，滑坡识别作为地质灾害防控核心环节，面临样本稀缺、场景单一、尺度不均、标注粗糙四大痛点，严重制约模型泛化与工程落地。本项目发布多区域、多分辨率、高精度标注滑坡遥感数据集，配套完整深度学习训练推理代码，为科研与工程提供开箱即用的基准方案，助力滑坡智能识别技术快速迭代。

从零开始理解 CNN（下）：拆开卷积层、池化层、通道数和训练流程一个基础 CNN 一般包含以下模块：卷积层是 CNN 的核心。它的作用是：输入可以是原始图片，也可以是上一层输出的特征图。

深度学习中的隐式层翻译自 https://implicit-layers-tutorial.org/introduction/

AI医影跨模态组学

Biomarker Res（IF=11.5）安徽医科大学第一医院：基于机器学习的放射组学模型：子宫内膜癌患者的预后预测及机制探索01文献信息本次分享的文献是由安徽医科大学第一附属医院联合美国宾夕法尼亚大学佩雷尔曼医学院、浙江大学第二医院、安徽阜南医院等多中心合作团队于2025年9月29日在《Biomarker Research》（IF=11.5，Q1）上发表的研究“Machine learning-based radiomics model: prognostic prediction and mechanism exploration in patients with endometrial cancer”即基于机器学习的影像组