深度学习

AI算法（深度学习）训练模型过拟合梯度下降梯度爆炸 https://blog.csdn.net/weixin_46570668/article/details/142419167?spm=1001.2014.3001.5501

OSError: [WinError 182] 操作系统无法运行 %1。用pycharm测试时，出现这个错误：OSError: [WinError 182] 操作系统无法运行 %1。 Error loading "D:\Anaconda3\envs\v3\lib\site-packages\torch\lib\caffe2_detectron_ops_gpu.dll" or one of its dependencies.

【建模先锋】

精品数据分享 | 锂电池数据集（二）Nature子刊论文公开锂离子电池数据继上一期分享的真实环境下实车运行的锂电池数据：精品数据分享 | 锂电池数据集（一）新能源汽车大规模锂离子电池数据集

【完整源码+数据集】中药材数据集，yolov8中药分类检测数据集 9709 张，中药材分类识别数据集，中药材识别系统实战教程点击链接：更多数据集与系统目录清单【数据集】yolov8中药分类检测数据集 9709 张，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。

PyTorch 深度强化学习实战：从零手写 PPO 算法训练你的月球着陆器智能体上节课我们讲完了PPO的原理，这节课我们来从零开始实现PPO，使用月球着陆器来进行教学：如果对理论还有不懂的，请点击以下链接学习PPO理论，我讲的非常详细：

brave and determined

可编程逻辑器件学习(day26)：低主频FPGA为何能碾压高主频CPU？目录CPU：精密的“通用大师”FPGA：并行的“定制专家”FPGA的加速实战理性看待FPGA加速架构思维与未来

VisionMaster条码识别窗口大小解析今天在学习visionMaster的时候，发现VisionMaster中明明图像的的大小是3840*1850 像素

CNN全连接层前序学习进程中，已经梳理了卷积计算和池化计算的基本知识。实际上这两部都是使用卷积核对原始矩阵进行计算或，获得的新的、缩小的矩阵，如何把计算结果一步一步送到最后的输出端，也就是把它们传送、或者说连接起来，这就是全连接层的功能。

化繁为简，点石成金：实战CANN TBE构建Transformer高性能融合注意力算子在之前的文章中，我们聚焦于顶层的“AI框架”如何通过CANN顺利运行在底层的“Ascend IP”上。而今天，我们的征途将深入这张图的腹地——直抵CANN的核心。我们将不再仅仅是应用CANN的“图引擎(GE)”来执行整个模型，而是要亲自扮演“算子开发者”的角色，利用“TBE（Tensor Boost Engine）”为昇腾硬件量身定制一个全新的、不存在于标准库中的高性能“融合算子”，并用“AscendCL”对其进行精准调用。这，是一场真正深入到异构计算架构灵魂的探索之旅。

风止何安啊

揭秘 JS 继承的 “戏精家族” ：原型、原型链与 new各位前端er 朋友们，要搞懂 JS 的面向对象和继承逻辑，绕不开原型（prototype）、隐式原型（proto）、原型链这三个核心概念，而 new 关键字正是串联起它们、实现实例创建的关键 “桥梁”。看到这里就已经觉得很绕了吧，没错。But！这些概念看似抽象，实则是 JS 引擎优化属性复用、实现继承的底层设计——就像家族里各有分工的成员，各司其职又紧密配合，才撑起了 JS 继承的 “大戏”。

深度学习方案当今数字化飞速发展的时代，深度学习方案正以其强大的能力和广泛的应用潜力，深刻地改变着我们的生活与工作方式。深度学习方案：开启智能新时代在同学等，借助深度学习方案，能够理解人类语言的语义，实现语音交互，为人们的生活带来诸多便利。机器翻译也因深度学习取得了重大突破，能够更准确地翻译不同语言的文本，促进了全球的交流与合作。

LeCun在Meta的最后绝唱？50行代码证明AI的另一种可能就在AI界为Yann LeCun离职Meta的消息震惊时，一份意外的“告别礼物”悄然出现在arXiv上——这位图灵奖得主与Randall Balestriero合作的新论文《LeJEPA：一种简约且可扩展的联合嵌入预测架构》，提出了仅需50行代码的自监督学习新框架。

深度学习基础方法全景综述：从网络组件到多模态任务的统一视角（基于《A survey on deep learning fundamentals》）如果回头去看深度学习的发展历史，会发现一个有趣的现象：越是后来者，越容易直接从某个成熟框架、某个火爆模型入门，比如从 ResNet、Transformer、扩散模型开始写代码，却对这些模型背后共有的“深度学习基本结构”和“算法范式”缺乏整体图景。原文《A survey on deep learning fundamentals》试图做的，正是把这些看似支离破碎的研究工作重新放回到一个统一的坐标系中：先理清深度学习的基本组件和网络家族，再从低层视觉、高层视觉、视频、自然语言处理与三维数据处理五大类任务出发，

2025 教育物料设计新趋势：AI + 稿定设计如何重构教培设计的视觉表达在教育数字化转型加速的背景下，招生宣传、培训实施、校园活动开展等核心场景对视觉物料的需求持续激增。教育行业从业者普遍面临四大核心痛点：批量制作效率低下，单套物料设计耗时久且难以适配多渠道投放；非设计专业人员操作门槛高，产出物料缺乏专业质感；不同场景物料风格碎片化，难以形成统一品牌认知；视觉表达与目标受众需求脱节，传播转化效果不佳。

去噪扩散模型，根本不去噪？何恺明新论文回归「去噪」本质导读高质量的图像生成如今几乎都由扩散模型实现。从艺术创作到商业设计，从人脸生成到自然场景合成，基于扩散的生成模型已经成为多模态领域的重要基石。

理解神经网络的concat操作Concat（拼接）操作的核心思想是：“合并信息，但不做交互”。它把来自不同来源或不同层次的特征，像拼积木一样简单地首尾连接在一起，形成一个更宽、信息更丰富的特征向量。

YOLO v11的学习记录（六）把标注好的大图切割成小图有一个工程，从相机获取到训练图的尺寸是4096*3072像素，图上有很多密集的小目标，用anylabeling进行标注后，送进YOLO训练时出了问题，由于电脑显存不大，如果用原图尺寸训练，即使很小的batch_size，也会显存溢出，如果用YOLO默认的imgsz=640，则由于缩小倍数过大，小目标被过度压缩，造成学习效果不佳。解决问题的办法是将大图裁切成小图（640*640）后再训练，下面的脚本实现了这个目的，并且在裁切图片的同时将已经标注好的数据随图片裁切。

大模型 + 字形理解：Glyph-OCR 带来的 OCR 新范式在大名鼎鼎的DeepSeek OCR工作发表同期，智谱AI也发表了一篇OCR相关的工作，对于DeekSeek而言，这篇风头被掩盖，属于学术界汪峰了😏，闲言少叙，下面正题：这篇工作的侧重点和DeepSeek的工作还是有很大的不同的：让模型先“看懂字形”，再让语言模型推理文字本身。 GlyPh-OCR 更像是一次针对复杂字形的“硬解”。它把文字的“样子”编码下来，让模型真正理解笔画、结构、字体细节，再结合上下文恢复成最终文字。下面将从技术原理、系统架构、优势、不足及应用场景几个方面，完整解读 GlyPh

全是头发的羊羊羊

深度学习Week1--数学基础 + 机器学习基础建立深度学习所需的基础数学直觉知道什么是“模型、参数、损失函数、梯度下降”入门机器学习的最基本流程线性代数：向量、矩阵、矩阵乘法

PyTorch实战（11）——随机连接神经网络（RandWireNN）神经架构搜索 (Neural Architecture Search, NAS) 是深度学习一个热门领域，与面向特定任务的自动机器学习 (AutoML) 领域高度契合。AutoML 通过自动化数据集加载、架构设计和模型部署，显著降低了机器学习应用门槛。不同于传统人工设计网络结构，我们将实现一种通过架构生成器自动寻找最优拓扑的新型网络——随机连接神经网络 (RandWireNN)，RandWireNN 基于自动搜索最优架构的思想，通过随机图生成算法构建网络拓扑。在本节中，我们将探索 NAS，并使用 PyTo