深度学习

【水果识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法水果识别系统，基于TensorFlow搭建Resnet50卷积神经网络算法，通过对5种常见的水果图片数据集（‘圣女果’, ‘梨’, ‘芒果’, ‘苹果’, ‘香蕉’）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。

解锁医疗AI新引擎：从数据库与编程语言透视合成数据生成（代码部分）使用psycopg2库实现PostgreSQL数据库连接，并初始化核心数据表：以上代码实现了从数据库架构设计、医学影像合成模型训练、合成任务调度到质量评估的完整流程，涵盖了医疗AI领域合成数据生成的核心技术环节。代码可根据实际需求进一步优化，例如添加分布式训练支持、优化DICOM元数据配置、集成更多评估指标等。

倔强的石头106

循环神经网络（RNN）：从序列数据难题到实战落地的完整指南要理解RNN的价值，首先要认清传统神经网络在处理序列数据时的“致命短板”。传统模型（如全连接网络、CNN）处理数据时，默认**“每个样本独立无关”**。比如用CNN识别一张猫的图片，无需考虑上一张图片的内容；用全连接网络预测房屋价格，只需分析当前房屋的面积、地段等特征。但面对序列数据，这种“无记忆”特性完全失效：

【推荐系统】深度学习训练框架（八）：PyTorch分布式采样器DistributedSampler原理详解DistributedSampler 是 PyTorch 分布式数据加载的核心组件，确保每个进程（rank）获得数据的不重叠子集。让我深入解释其原理：

泰迪智能科技

图书推荐分享 | 堪称教材天花板，深度学习教材-TensorFlow 2 深度学习实战（第2版）（微课版）深度学习相关图教材TensorFlow 2 深度学习实战（第2版）（微课版）书号：978-7-115-67359-6

Mamba架构讲解Mamba 是一种高效的深度学习序列建模架构，于2023年提出，基于选择性状态空间模型（Selective State Space Model），通过引入输入依赖的动态机制，使模型能够有选择地处理和保留信息。相比传统的 Transformer，Mamba 具有线性时间复杂度 O(L），能高效处理超长序列（如数万个 token），在语言建模、基因组学和音频处理等任务中表现出色，同时显著降低计算和内存开销，被视为下一代序列建模的重要方向之一。

pytorch深度学习笔记目录摘要abstract激活函数代码实践本周学习尚硅谷深度学习教程，学习内容是激活函数的代码部分包括阶跃函数，sigmod函数，tanh函数，ReLu函数，softmax函数。

java1234_小锋

基于Python深度学习的车辆车牌识别系统（PyTorch2卷积神经网络CNN+OpenCV4实现）视频教程 - 裁剪和矫正车牌大家好，我是java1234_小锋老师，最近写了一套基于Python深度学习的车辆车牌识别系统（PyTorch2卷积神经网络CNN+OpenCV4实现）视频教程，持续更新中，计划月底更新完，感谢支持。

pytorch深度学习笔记1目录摘要激活函数1.阶跃函数2.sigmod函数3.Tanh函数4.ReLu函数代码实践1.阶跃函数2.sigmod函数

2025年Ubuntu24.04系统安装以及深度学习环境配置准备16G及以上的U盘下载Rufus：https://rufus.ie/zh/Ubuntu24.04系统镜像文件下载地址：

java1234_小锋

基于Python深度学习的车辆车牌识别系统（PyTorch2卷积神经网络CNN+OpenCV4实现）视频教程 - 车牌矩阵定位大家好，我是java1234_小锋老师，最近写了一套基于Python深度学习的车辆车牌识别系统（PyTorch2卷积神经网络CNN+OpenCV4实现）视频教程，持续更新中，计划月底更新完，感谢支持。

深度学习实战（基于pytroch）系列（三十六）循环神经网络的pytorch简洁实现上一节我们已经从零开始实现了循环神经网络，本节将使用PyTorch来更简洁地实现基于循环神经网络的语言模型。首先，我们读取周杰伦专辑歌词数据集。这一步和上节的代码基本一致。

人工智能之数字生命-学习的过程目标：为每个场景建立一个“正常情况下的典型状态和典型动态”，作为后面判断“变化”和“因果”的基准。场景节点层面

Research Intern面试（一）——手敲LLM快速复习最近准备research intern面试，发现好多厂好像不考察LeetCode了，转而考察手写torch模型结构以及numpy手撕ML，赶上周末比较闲，抽空手敲一遍Minimind，快速复习一下LLM相关的基础知识，其中穿插着各种模块以及LLM训练中经常遇到的一些现象一起温习。

Coding茶水间

基于深度学习的火焰检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的火焰检测系统演示与介绍火灾作为威胁公共安全与生产安全的重大隐患，其早期检测与及时预警是降低灾害损失的关键环节。当前，传统火焰检测方法主要依赖人工监控或单一传感器（如温度、烟雾传感器），前者受限于人力精力易出现漏判误判，后者仅能感知局部物理信号，难以直接识别火焰形态特征，且在复杂场景（如强光反射、小目标远距离成像、多遮挡干扰）下检测效能显著下降。随着计算机视觉技术的发展，基于深度学习的目标检测算法为火焰检测提供了新路径，其中 YOLO 系列算法因兼顾实时性与检测精度，成为该领域的主流技术方案。

KG_LLM图谱增强大模型

从人类专家到机器：大模型支持的人机协同本体与知识图谱自动构建本文探索利用开源大语言模型实现知识图谱的半自动构建，提出了一个包含能力问题生成、本体开发、知识图谱构建和评估的完整管道。研究以深度学习方法论为例，通过学术出版物构建知识图谱，显著降低了人工参与成本，为知识工程领域提供了创新解决方案。

【动物识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法动物识别系统，基于TensorFlow搭建Resnet50卷积神经网络算法，通过对4种常见的动物图片数据集（猫、鸡、马、狗）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。

时间序列的“语言”：从语言模型视角理解时序基础模型论文标题：THE LANGUAGE OF TIME : A LANGUAGE MODEL PER-SPECTIVE ON TIME SERIES FOUNDATION MODELS

深度学习实战（基于pytroch）系列（四十四）优化与深度学习本节将讨论优化与深度学习的关系，以及优化在深度学习中的挑战。在一个深度学习问题中，我们通常会预先定义一个损失函数。有了损失函数以后，我们就可以使用优化算法试图将其最小化。在优化中，这样的损失函数通常被称作优化问题的目标函数（objective function）。依据惯例，优化算法通常只考虑最小化目标函数。其实，任何最大化问题都可以很容易地转化为最小化问题，只需令目标函数的相反数为新的目标函数即可。

深度学习训练中 Loss 为 Nan 的 10 种原因及解决方案引言：Loss 为 Nan ？别慌，这是深度学习的 “常见病”在深度学习训练过程中，最让人崩溃的场景之一莫过于：前几轮迭代 Loss 还在正常下降，突然某个时刻直接变成 Nan（Not a Number），训练直接 “罢工”。这种情况看似突发，实则背后藏着数据、模型、超参数等多方面的问题。本文整理了 10 种最常见的 Loss 为 Nan 原因，搭配具体场景和解决方案，帮你快速定位问题、高效解决。