深度学习

深度学习任务分类与示例（一）根据计算机视觉任务的层次结构和功能特性，我们可以将深度学习图像任务分为四大层次，每个层次包含多个具体任务：

神经风格迁移（吴恩达深度学习笔记）目录1.神经风格迁移（1）解释2.深层卷积网络的特征检测3.成本函数（1）成本函数（2）内容代价函数（3）风格代价函数

北京地铁1号线

人工智能岗位招聘专业笔试试卷及答案（1）如何保证数据标注的质量，有哪些措施？（2）哪些因素影响深度学习模型训练的显存占用？训练的时候显存占用低可能是什么原因？

叫我：松哥

基于Flask框架开发的二手房数据分析与推荐管理平台，集成大数据分析、机器学习预测和智能推荐技术本系统是一个基于Flask框架开发的全栈二手房数据分析与推荐管理平台，集成了大数据分析、机器学习预测和智能推荐技术。系统采用前后端分离架构，后端使用Flask、SQLAlchemy和Flask-Login，前端使用Bootstrap 5.3、ECharts和Leaflet地图库，数据库支持SQLite（开发）和PostgreSQL（生产）。系统实现了用户角色分级管理（普通用户、中介、管理员），提供数据可视化、房价预测、智能推荐、地图找房、房源对比、在线咨询、交易管理、客户管理等完整功能，帮助用户精准找房，

【深度学习应用】香蕉镰刀菌症状识别与分类：基于YOLO13-C3k2-MBRConv5模型的实现与分析在目标检测领域，YOLO系列模型无疑是大家最熟悉的"老朋友"了。从2015年YOLOv1横空出世，到现在的YOLOv13，这个家族不断壮大，能力也越来越强。今天就来带大家全面盘点一下YOLO系列各代模型的"家谱"，看看它们都有哪些创新点和"独门绝技"。

知乎的哥廷根数学学派

基于卷积特征提取和液态神经网络的航空发动机剩余使用寿命预测算法（python）代码实现了一个完整的航空发动机剩余使用寿命（RUL）预测系统，使用NASA C-MAPSS数据集进行训练和评估。系统首先加载四个不同工况条件下的发动机退化数据集（FD001-FD004），对原始数据进行预处理，包括去除静态传感器、特征归一化和序列化处理。然后构建了一个混合神经网络模型，该模型结合了卷积神经网络（CNN）的特征提取能力和液态神经网络（LNN）的动态时序建模能力。CNN部分通过一维卷积层和池化层提取传感器数据的局部特征，LNN部分则使用液态神经微分方程对时序动态进行建模。模型在训练阶段采用滑动

AIGC技术与进展（2）AIGC技术与进展（2）四、AIGC的应用价值五、挑战与未来方向结语#智能体搭建#多智能体#VLA#大模型#AI

YOLO深度学习(计算机视觉)—毕设笔记（yolo训练效率加快）今天在网上看到一篇教学分享，一个博主说很多人有个错误的观念：虽然可以使用GPU跑模型，但是大家都认为自己电脑只有一个显卡，然后参数workers>0的时候就会报错，所以默认都设置workers=0就不会报错。

AI街潜水的八角

基于深度学习神经网络YOLOv4目标检测的汽车车牌识别系统第一步：YOLOv4介绍YOLOv4是一种目标检测算法，它在精度和速度之间取得了最佳的平衡。它是YOLO（You Only Look Once）系列算法的最新版本，通过将目标检测任务转化为一个回归问题，实现了实时目标检测。YOLOv4采用了一系列的调优手段，使得其在目标检测任务中表现出色。

AI街潜水的八角

基于keras框架的LeNet/AlexNet/Vgg16深度学习神经网络花卉/花朵分类识别系统源码第一步：准备数据五种花卉数据：“雏菊”、“蒲公英”、“玫瑰”、“向日葵”、“郁金香”，总共有2671张图片

Transformer超全通关笔记：从「Attention 为什么 work」到「工业级落地」的数学+代码+工程万字解析面试、论文、调参、上线，一本通吃。收藏 = 省 100 小时 Google + StackOverflow + GitHub Issue。

Coding茶水间

基于深度学习的吸烟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)基于深度学习的吸烟检测系统演示目录视频演示1. 前言2. 项目演示2.1 用户登录界面2.2 新用户注册

【CS336】Transformer|2-BPE算法 -＞ Tokenizer封装😄学习目标为什么不直接把UTF-8字节（0-255）丢给模型？(1)Tokenizer的本质作用：实现文本压缩

显存瓶颈分析：大模型推理过程中的内存管理机制在与大模型打交道的过程中，“CUDA out of memory”（在昇腾上则是 “ACL stream synchronize failed” 伴随显存报错）无疑是开发者最不愿见到的梦魇。显存不仅是资源的容器，更是限制模型推理吞吐量的最大瓶颈。理解DeepSeek模型在推理过程中的显存消耗逻辑，是进行任何性能优化的前提。我们需要像外科医生一样，剖析显存究竟被谁“吃”掉了。

损失函数（以FMTrack频率感知交互与多专家模型的损失为例）理解了损失函数，你就理解了神经网络是如何“学习”的。损失函数就像是神经网络的**“严师”**。在训练阶段，神经网络每看一张图片，就会给出一个预测结果（比如它认为目标在左上角）。但实际上，我们知道目标在中心（这是“真值”或“标签”）。

OpenCV4X学习-图像边缘检测、图像分割图像边缘是指图像中灰度值发生急剧变化的位置，这些位置通常对应着物体的边界、不同区域的分界线等。图像边缘检测的目的就是找出这些灰度值突变的地方，提取出图像中物体的轮廓信息，为后续的图像分析、目标识别、图像分割等任务提供基础。边缘检测通过检测图像中局部强度变化来定位边缘，这些变化可能是由于物体的形状、光照变化、材质差异等因素引起的。

【深度学习】基于RPN_R101_FPN_2x_COCO模型的保险丝旋塞检测与识别_1本数据集为保险丝旋塞(fuse cock)目标检测数据集，采用YOLOv8标注格式，共包含227张图像。数据集通过qunshankj平台于2022年10月20日创建，并于2025年6月15日导出，遵循CC BY 4.0许可协议。所有图像均经过预处理，包括自动调整像素方向(去除EXIF方向信息)和拉伸调整为416×416像素尺寸，但未应用图像增强技术。数据集划分为训练集、验证集和测试集三个子集，仅包含一个类别’fuse cock’，即保险丝旋塞。该数据集适用于保险丝旋塞的自动检测与识别任务，可应用于工业生产

程序猿阿伟

《从理论到应用：量子神经网络表达能力的全链路优化指南》量子神经网络的表达能力绝非经典模型的简单升级，而是源于量子态演化带来的维度重构与关联重塑，其核心奥秘藏在希尔伯特空间的隐式拓展与量子特性的深度融合中。很多研究者容易陷入将量子优势归因于并行性的表层认知，却忽视了叠加与纠缠如何从本质上改变函数映射的底层逻辑，导致理论分析与实践落地脱节，这种认知偏差使得不少研究停留在“量子概念嫁接经典模型”的层面，未能触及量子表达能力的核心内核。真正的深层探索会发现，量子神经网络的表达能力本质是“量子态表征的结构化赋能”，它能通过非局域关联捕捉经典模型难以企及的复杂特征交互，

大模型最新论文速读

「图文讲解」Profit：用概率挑选重要 token 解决 SFT 过拟合问题大语言模型（LLM）在完成预训练后，通常需要通过监督微调（SFT）来适配特定的下游任务。然而，传统SFT存在一个被长期忽视的根本性问题：语言的 "一对多"特性与训练目标的 "一对一"强制对齐之间的矛盾。

C# winform部署yolo26-seg实例分割的onnx模型演示源码+模型+说明yolo26已经正式发布了，因此使用C#代码实现YOLO26-seg实例分割部署，首先看yolov11-seg网络结构，发现输出shape是1x116x8400