深度学习

知来者逆7 分钟前
图像处理·人工智能·深度学习·算法·目标检测·计算机视觉·rf-detr
计算机视觉——速度与精度的完美结合的实时目标检测算法RF-DETR详解目标检测已经取得了长足的发展,尤其是随着基于 Transformer 的模型的兴起。RF-DETR,由 Roboflow 开发,就是这样一种模型,它兼顾了速度和精度。使用 Roboflow 的工具可以让整个过程变得更加轻松。他们的平台涵盖了从上传和标注数据到以正确格式导出数据的全过程。这意味着你可以节省设置的时间,将更多的时间用于训练和改进模型。
每天都要写算法(努力版)1 小时前
人工智能·深度学习·神经网络
【神经网络与深度学习】训练集与验证集的功能解析与差异探究在深度学习模型的训练过程中,训练集和验证集是两个关键组成部分,它们在模型性能的提升和评估中扮演着不可替代的角色。通过分析这两者的区别和作用,可以帮助我们深入理解模型的学习过程和泛化能力,同时为防止过拟合及优化超参数提供重要参考。 以下内容将详细剖析训练集和验证集损失值的计算过程、数据来源以及它们在训练和评估中的具体用途。通过这些分析,我们可以更全面地认识验证集的重要性及其在模型开发中的实际应用。
BB_CC_DD2 小时前
深度学习·算法·聚类
四. 以Annoy算法建树的方式聚类清洗图像数据集,一次建树,无限次聚类搜索,提升聚类搜索效率。(附完整代码)文章内容结构:一. 先介绍什么是Annoy算法。 二. 用Annoy算法建树的完整代码。 三. 用Annoy建树后的树特征匹配聚类归类图像。
Blossom.1183 小时前
人工智能·深度学习·机器学习·智能家居·vr·虚拟现实·多模态融合
人工智能在智能家居中的应用与发展随着人工智能(AI)技术的飞速发展,智能家居逐渐成为现代生活的重要组成部分。从智能语音助手到智能家电,AI正在改变我们与家居环境的互动方式,让生活更加便捷、舒适和高效。本文将探讨人工智能在智能家居中的应用现状、技术优势以及未来的发展趋势。 一、智能家居的定义与背景 智能家居是指通过将物联网(IoT)、人工智能、大数据等技术应用于家庭环境中,实现家电设备、安防系统、照明系统等设备的互联互通和智能化控制。其目标是为用户提供更加便捷、舒适、安全和节能的居住环境。近年来,随着人们对生活品质的追求以及技术的不断进步
HyperAI超神经3 小时前
图像处理·人工智能·深度学习·生物信息·分子模拟·材料计算·vasp
12个HPC教程汇总!从入门到实战,覆盖分子模拟/材料计算/生物信息分析等多个领域在科学研究、工程仿真、人工智能和大数据分析等领域,高性能计算 (High Performance Computing, HPC) 正扮演着越来越重要的角色。它通过并行处理、大规模计算资源的整合,极大提升了计算效率,使原本耗时数日的任务能够在数小时内完成。
进来有惊喜4 小时前
python·深度学习
深度学习:迁移学习迁移学习(Transfer Learning)是一种机器学习方法,就是把为任务 A 开发 的模型作为初始点,重新使用在为任务 B 开发模型的过程中。迁移学习是通过 从已学习的相关任务中转移知识来改进学习的新任务,虽然大多数机器学习算 法都是为了解决单个任务而设计的,但是促进迁移学习的算法的开发是机器学 习社区持续关注的话题。 迁移学习对人类来说很常见,例如,我们可能会发现 学习识别苹果可能有助于识别梨,或者学习弹奏电子琴可能有助于学习钢琴。 找到目标问题的相似性,迁移学习任务就是从相似性出发,将旧领域 (
豆芽8194 小时前
人工智能·深度学习·学习·yolo·目标检测·计算机视觉
图解YOLO(You Only Look Once)目标检测(v1-v5)YOLO属于深度学习经典检测方法中的单阶段(one - stage)类型,与两阶段(two - stage,如Faster - rcnn、Mask - Rcnn系列)方法相对。
北上ing5 小时前
人工智能·pytorch·深度学习·计算机视觉·stable diffusion
从FP32到BF16,再到混合精度的全景解析笔者做过目标检测模型、超分模型以及扩散生成模型。其中最常使用的是单精度FP32、半精度FP16、BF16。 双精度"FP64"就不说了,不太会用到。
蔗理苦5 小时前
开发语言·pytorch·python·深度学习·计算图
2025-04-24 Python&深度学习4—— 计算图与动态图机制本文环境:计算图是用来描述运算的有向无环图,由节点(Node)和边(Edge)组成。表达式 y = ( x + w ) ∗ ( w + 1 ) y = (x + w) * (w + 1) y=(x+w)∗(w+1) 可拆解为:
m0_678693335 小时前
笔记·rnn·深度学习
深度学习笔记22-RNN心脏病预测(Tensorflow)四、编译模型五、训练模型compile_metrics:83.6451%
Y1nhl11 小时前
开发语言·人工智能·pytorch·深度学习·机器学习·推荐算法·搜索算法
搜广推校招面经八十一在多任务学习(Multi-Task Learning, MTL)中,多个任务共享部分模型结构,以提升整体效果。然而,不同任务间存在 任务冲突(Task Conflict) 问题,即不同任务对参数的优化方向不一致,导致性能下降。
鸿蒙布道师15 小时前
前端·人工智能·chrome·深度学习·opencv·自然语言处理·chatgpt
OpenAI为何觊觎Chrome?AI时代浏览器争夺战背后的深层逻辑目录引言:一场蓄谋已久的"蛇吞象"计划一、Chrome:数字世界的"黄金入口"1.1 用户规模对比:ChatGPT与Chrome的悬殊差距
何双新16 小时前
人工智能·rnn·深度学习
第1讲:Transformers 的崛起:从RNN到Self-Attention循环神经网络(RNN)是最早处理序列数据的深度学习结构。RNN的核心思想是在处理序列的每个时间步时保持一个"记忆"状态。
AIGC大时代17 小时前
人工智能·深度学习·chatgpt·学术写作·chatgpt-o3·deep reaserch
高质量学术引言如何妙用ChatGPT?如何写提示词目录1、引言究竟是什么?2、引言如何构建??在学术写作领域,巧妙利用人工智能来构建文章的引言和理论框架是一个尚待探索的领域。小编在这篇文章中探讨一种独特的方法,即利用 ChatGPT 作为工具来构建引言和理论框架。正如史蒂文·斯皮尔伯格(Steven Spielberg)所言,“灵魂的存在无法被想象或言说,更无法被任何算法所创造。”这一观点我们深表认同。事实上,虽然 ChatGPT 具备高度智能,但它不能为文章注入灵魂。本文介绍的写作方法着眼于作者对文章核心灵魂的掌控,而 ChatGPT 则在填充和完善细
数据智能老司机19 小时前
深度学习·llm·aigc
构建具备自主性的人工智能系统——探索协调者、工作者和委托者方法在上一章中,我们探讨了工具使用和规划的概念,这为智能代理提升问题解决能力奠定了基础。我们研究了各种规划算法,包括状态空间搜索技术和层次化任务网络(HTN),并考察了这些算法如何与外部工具和资源无缝集成,以使代理能够最佳地执行任务。
数据智能老司机19 小时前
深度学习·llm·aigc
构建具备自主性的人工智能系统——使代理能够使用工具和进行规划在上一章中,我们探讨了智能代理中反思和内省的复杂概念。这些能力使代理能够推理自己的认知过程,从经验中学习,并动态地调整其行为。
2301_7696244019 小时前
人工智能·pytorch·深度学习
基于Pytorch的深度学习-第二章CIFAR-10数据集包含10个类别:plane、car、bird、cat、deer、dog、frog、horse、ship、truck,每个类别有6000张图片。其中训练集图片有50000张,测试集有10000张图片。训练集和测试集的生成方法是,分别从每个类别中随机挑选1000张图片加入测试集,其余图片进入训练集。CIFAR-10中的图像尺寸为33232,也就是RGB的3层颜色通道,图像的宽和高都为32。
-一杯为品-20 小时前
人工智能·rnn·深度学习
【深度学习】#9 现代循环神经网络主要参考学习资料:《动手学深度学习》阿斯顿·张 等 著【动手学深度学习 PyTorch版】哔哩哔哩@跟李牧学AI
硅谷秋水20 小时前
人工智能·深度学习·机器学习·计算机视觉·语言模型·自动驾驶
ORION:通过视觉-语言指令动作生成的一个整体端到端自动驾驶框架25年3月来自华中科技和小米电动汽车的论文“ORION: A Holistic End-to-End Autonomous Driving Framework by Vision-Language Instructed Action Generation”。
亿牛云爬虫专家20 小时前
深度学习·爬虫代理·dom·性能·代理ip·内容区块·东方财富吧
深度学习在DOM解析中的应用:自动识别页面关键内容区块本文介绍了如何在爬取东方财富吧(https://www.eastmoney.com)财经新闻时,利用深度学习模型对 DOM 树中的内容区块进行自动识别和过滤,并将新闻标题、时间、正文等关键信息分类存储。文章聚焦爬虫整体性能瓶颈,通过指标对比、优化策略、压测数据及改进结果,展示了从单页耗时约 5 秒优化到约 2 秒的过程,极大提升了工程效率。