深度学习

昵称是6硬币

YOLOv11: AN OVERVIEW OF THE KEY ARCHITECTURAL ENHANCEMENTS目标检测论文精读（逐段解析）论文地址：https://www.arxiv.org/abs/2410.17725 Rahima Khanam and Muhammad Hussain Ultralytics公司发布 CVPR 2024

【深度学习加速探秘】Winograd 卷积算法：让计算效率 “飞” 起来在深度学习领域，卷积神经网络（CNN）被广泛应用于图像识别、目标检测、语义分割等任务。然而，卷积操作作为 CNN 的核心计算单元，其计算量巨大，消耗大量的时间和计算资源。随着模型规模不断增大，传统卷积算法的计算效率成为限制深度学习发展的一大瓶颈。

Google 端侧 AI 框架 LiteRT 初探学习和了解 Google 官方提供的 LiteRT 在 Android 的部署，以经典的手写数字识别模型为例，逐步了解 LiteRT 的使用方法。

小白菜333666

DAY 37 早停策略和模型权重的保存@浙大疏锦行

DAY 40 训练和测试的规范写法@浙大疏锦行https://blog.csdn.net/weixin_45655710知识点回顾：作业：仔细学习下测试和训练代码的逻辑，这是基础，这个代码框架后续会一直沿用，后续的重点慢慢就是转向模型定义阶段了。

以玄幻小说方式打开深度学习词嵌入算法！！使用Skip-gram来完成 Word2Vec 词嵌入（Embedding）在浩瀚的修真界中，存在一种上古秘术名为《词嵌真经》。修士们发现，世间万物皆有其“道韵”，而语言中的每个字词都暗含天地法则。传统修炼方式需逐个参悟字词，耗时千年方能小成。

深度学习与神经网络 | 邱锡鹏 | 第五章学习笔记卷积神经网络我们希望有一个新的网络可以提取局部不变性前两个输入都不卷，从第三个开始卷，因为滤波器的长度是3每次选定三个数卷，比如前三个，1,1,2

大模型最新论文速读

Agent成本降低46%：缓存规划器的思路模板论文标题Cost-Efficient Serving of LLM Agents via Test-Time Plan Caching

深度学习与神经网络 | 邱锡鹏 | 第七章学习笔记网络优化与正则化所以找个平坦最小值就好了，不一定需要全局最小值总体趋势还是减少的。时不时变大是为了找到更好的局部最优效果比随机梯度要好

【机器学习&深度学习】机器学习核心的计算公式：wx+b目录前言一、什么是 wx + b？二、通俗理解：加权打分 + 起步线三、数学角度：向量点积 + 偏移四、在机器学习中的应用

抽风的雨610

【python深度学习】Day 56 时序数据的检验记忆口诀：p越小，落在置信区间外，越拒绝原假设。时序部分需要铺垫的知识非常多，相信这次应该说清楚了假设检验相关的基础知识。

深度学习：PyTorch人工神经网络优化方法分享（1）简单来说，优化方法主要是从两个角度来入手，一个是梯度，一个是学习率。梯度下降法简单来说就是一种寻找使损失函数最小化的方法**。

深度学习与神经网络 | 邱锡鹏 | 第六章学习笔记循环神经网络s是单个词的意思，b是一个词的开始，e是一个词的结束没有结果产生的部分就是编码部分，有结果产生的部分就是解码部分

快速手搓一个MCP服务指南（一）：FastMCP 快速入门指南详解FastMCP 是一个用于搭建工具型服务器的框架，可通过简单的代码快速创建支持工具调用的服务。本指南旨在帮助用户从零开始搭建首个 FastMCP 服务器，涵盖服务器创建、工具添加、测试及运行的全流程。

机器学习第六课: 卷积神经网络大家好,我是Petter Guo一位热爱探索的全栈工程师。在这里，我将用最接地气的方式，带你玩转前端、后端到 DevOps 的硬核技术，解锁AI，助你打通技术任督二脉，成为真正的全能玩家!！

LED-Merging: 无需训练的模型合并框架，兼顾LLM安全和性能！！摘要：对预训练大型语言模型（LLMs）进行微调以适应特定任务，会带来巨大的计算和数据成本。虽然模型合并提供了一种无需训练的解决方案，用于整合多个特定任务的模型，但现有方法存在安全性与效用性之间的冲突，即增强通用能力会降低安全防护。我们发现了两个根本原因：由于简单的基于参数大小的选择，导致神经元误识别，以及在合并过程中不同任务的神经元相互干扰。为了解决这些挑战，我们提出了LEDMerging，这是一个三阶段框架，通过基于梯度的归因来定位特定任务的神经元，通过多模型重要性融合动态选择关键神经元，并通过参数隔离

广州山泉婚姻

写字楼里的薄荷糖林小满第一次注意到陈屿，是在茶水间。她抱着一摞设计稿转弯，差点撞上迎面而来的人。文件散落一地，其中几张还沾了他手里马克杯溢出的咖啡。“抱歉抱歉！”林小满手忙脚乱地蹲下去捡，抬头时撞进一双含笑的眼睛里。

全链接神经网络，CNN，RNN各自擅长解决什么问题全连接神经网络（Fully Connected Neural Network, FCNN/DNN）、卷积神经网络（Convolutional Neural Network, CNN）和循环神经网络（Recurrent Neural Network, RNN）是深度学习中三种最基础且重要的架构，它们各自的核心设计理念使其擅长处理不同类型的数据和问题：

4-深度学习网络层Embedding矩阵是可训练的参数，一般会在模型构建时随机初始化也可以使用预训练的词向量来做初始化，此时也可以选择不训练Embedding层中的参数

马里马里奥-

深度学习和计算机视觉的关系的理解深度学习作为人工智能的重要分支，近年来在计算机视觉领域取得了革命性突破。计算机视觉的核心任务包括图像分类、目标检测、语义分割等，而深度学习通过神经网络模型自动学习图像特征，极大提升了这些任务的准确率和效率。