深度学习

torch训练出的模型的组成以及模型训练后的使用和分析办法下面这篇会偏「工程实践向」，假定你已经会基本的 Python、会跑简单的 nn.Module + DataLoader 的训练脚本，但对「模型本身到底是个啥」「训练完之后能怎么用、怎么分析」还不太有体系认识。

深度学习的范式演进、架构前沿与通用人工智能之路深度学习作为人工智能的核心分支，本质上是一种数据驱动的计算范式，它模仿生物神经系统的结构，通过多层互连的计算单元（神经元）直接从原始输入数据中学习复杂的特征表示。在2025年的技术语境下，深度学习已经从单纯的模式识别工具演变为驱动全球技术创新的核心引擎。其核心优势在于能够自主发现高维数据中的非线性关系和分层结构，从而规避了传统机器学习中繁重且易错的人工特征工程过程。

weixin_46846685

YOLOv13结合代码原理详细解析及模型安装与使用在2015年，YOLO模型问世，YOLO全称为You Only Look Once。顾名思义，YOLO将目标检测任务只分为一个阶段的工作，与2014年提出的两阶段检测的R-CNN模型形成鲜明的区别。

深度学习全景解析：从技术原理到十大领域落地实践在人工智能的技术演进史上，深度学习的崛起堪称革命性突破。自 2012 年 AlexNet 在 ImageNet 竞赛中以 15.3% 的错误率远超传统算法起，这一模拟人脑神经元连接结构的技术便开启了爆发式发展。如今，深度学习已从实验室走向产业一线，在计算机视觉、自然语言处理等领域实现精度突破，更在金融、医疗等关键行业创造实际价值。

Kimi K2技术报告Kimi K2是一个具有1000B参数规模的MOE架构的LLM，每次激活32B参数。该模型的主要贡献：

rnn循环神经网络RNN（Recurrent Neural Network）是一种处理序列数据的神经网络结构，其核心特点是具有循环连接，允许信息在网络中持久化。这种特性使其适合处理时间序列、自然语言等具有时序关系的数据。

雍凉明月夜

深度学习网络笔记Ⅲ(注意力机制)常见的网络结构包括FC/CNN/RNN，本章主要学习经RNN(循环神经网络)，Transformer架构，和其重点是完全基于注意力机制，完全摒弃了循环和卷积。究竟是什么样的原因和时代背景让工程师们选择完全摒弃循环和卷积，是为了解决什么样的问题？接下来就来进一步学习。

SAM2跟踪的理解19——位置编码目录一、前言二、_encode_new_memory2.1 MemoryEncoder.forward

张二娃同学

深度学习入门篇——Github的使用和项目的导入在深度学习领域，GitHub 是汇聚全球开源项目、实现高效协作的核心平台，无论是 YOLOv5 这类主流模型，还是各类创新算法代码，都能在此找到完整资源，掌握其使用与项目导入技巧，是入门者快速复用优质代码、推进实践的关键一步。然而，新手常面临 Git 安装配置繁琐、GitHub 访问受限、项目导入方式混淆、依赖环境适配困难等问题。本文将从基础工具入手，先详细讲解 Git 的下载安装与配置流程，再介绍 GitHub 平台核心优势与访问加速方法，最后以 YOLOv5 项目为例，分步演示压缩包直接导入与 Git

一个处女座的程序猿O(∩_∩)O

transformer模型：彻底改变AI格局的革命性架构在深度学习的发展历程中，序列建模一直是自然语言处理（NLP）领域的核心挑战。传统的循环神经网络（RNN）及其变体LSTM、GRU虽然在一定程度上解决了序列处理问题，但存在着难以并行化、长距离依赖捕捉能力有限等固有缺陷。2017年，Google在论文《Attention Is All You Need》中提出的Transformer模型，彻底改变了这一局面。

基于Orbbec-Gemini深度相机与SFM-2D to 3D重建算法、手部识别视觉算法、Unity运动控制的3D水果切割游戏演示视频https://www.bilibili.com/video/BV1LTvDBWEA3/?vd_source=042f7eb039218f092216ee53fc47d873https://www.bilibili.com/video/BV1LTvDBWEA3/?vd_source=042f7eb039218f092216ee53fc47d873

数据增强策略：不仅仅是旋转和翻转若将深度学习模型比作一位勤奋的学习者，训练数据便是它赖以成长的“教材”。传统的数据增强手段，如旋转、翻转、裁剪，如同让学习者反复阅读同一本教材的不同排版版本，虽能加深记忆，却难以接触到全新的知识场景。当模型面临医疗影像、自动驾驶等复杂任务时，这种“换汤不换药”的增强方式便显得力不从心。如今，数据增强技术已从简单的几何变换，演进为涵盖特征融合、生成式合成、自适应搜索的多维体系，成为突破数据瓶颈、提升模型泛化能力的核心引擎。

重生之我要成为代码大佬

深度学习1-安装pytorch（无独立显卡版本）自学深度学习，大多是跟着各种博客和教程一步步走下来的，我也会把我遇到的问题和可能遇到的一些思考加进来，也是新手，期待请教和交流。

微调方法学习总结(万字长文！)全参数微调：full fine turning 涉及调整所有层和参数，以适配特定任务。此过程通常采用较小的学习率和特定任务的数据，可以充分利用预训练模型的通用特征，但可能需要更多计算资源。

【论文阅读】VGGT: Visual Geometry Grounded Transformer组织：牛津大学 Visual Geometry Group (VGG) 与 Meta AI作者： Jianyuan Wang、Nikita Karaev、Andrea Vedaldi（计算机视觉大牛）等

【深度学习】循环神经网络实现文本预测生成二者都是循环神经网络（RNN）的改进版本，核心解决传统RNN无法捕捉长序列依赖、易出现梯度消失/爆炸的问题，是处理文本、语音等序列数据的核心模型：

未来之窗软件服务

幽冥大陆(八十四)Python 水果识别PTH 转 ONNX 脚本新 —东方仙盟练气期的 PTH 模型实际训练的是131 类水果，但转换脚本中手动设置了NUM_CLASSES = 208，导致分类头的权重维度不匹配（131≠208），这是典型的「模型结构和权重维度不一致」问题。

中國龍在廣州

谈谈2025年人工智能现状及发展趋势分析一年结束，是时候回顾今年的人工智能发展现状，并展望来年的发展趋势了。这份概述基于包括麻省理工学院、普华永道、OpenAI、OpenRouter 等在内的众多全球机构的数据。

Inception网络（吴恩达深度学习笔记）目录Inception网络（1）简介（2）Inception网络的核心与特点（3）例子（4）完整示例Inception网络的核心：多尺度特征融合

雍凉明月夜

深度学习之目标检测(1)核心概念：IOU交并比IOU（Intersection over Union）交并比是目标检测、实例分割等任务中，衡量预测框（Prediction Box）与真实框（Ground Truth Box）重叠程度的核心指标。