深度学习

SoulX-FlashTalk 技术报告解读：从“严格因果”到“双向流式蒸馏”，实时数字人为什么能做到 0.87s 延迟、32FPS 和长时稳定？论文/报告：SoulX-FlashTalk Technical Report 项目：Soul-AILab / SoulX-FlashTalk 关键词：实时数字人、音频驱动视频生成、流式推理、chunk 级自回归、双向蒸馏、长视频稳定性、DiT

AI视觉检测资源：ONNX → TensorRT 转换 checklist这份 Checklist 让你一次成功！“ONNX 导出成功，TensorRT 解析报错？” “trtexec 卡在 ‘Building CUDA Engine’ 一小时不动？” “INT8 精度崩了，但不知道哪一步出错？”

HyperAI超神经

【无标题】在生命科学与合成生物学领域，如何设计既具有高亲和力又具有高特异性的小分子结合蛋白，一直是实现生物传感与分子开关的关键挑战。过去，这一方向主要依赖对天然蛋白的筛选与改造，或基于既有蛋白骨架的物理建模设计，通用性与可扩展性始终受限。

Note：强化学习(二)2026 | ming蒙特卡洛（MC）方法必须等到整个Episode结束才能更新。而Q学习的核心非常直接——我们能不能走一步看一步？与其等到终点才知道回报 GtG_tGt 是多少，不如在每一步都利用当下的奖励 RtR_tRt 和下一步的估计来更新。这就是时序差分（Temporal Difference, TD）学习的精髓。

人机智能体合作：承诺理论考虑摘要：基于智能体的系统比我们想象的更为普遍。从承诺理论的视角来看，人机混合智能体系统中的合作，可以从自主智能体的抽象属性出发，为半自动化环境下的组织与功能设计提供统一视角。

天一生水water

THUML 团队开源的时间序列深度学习工具箱https://github.com/thuml/Time-Series-Library这是清华THUML团队开源的时间序列深度学习工具箱，不用手写复杂模型，直接跑长短时预测、缺失值填补、异常检测、时序分类5大核心任务，内置TimesNet、iTransformer、Mamba等SOTA模型，小白跟着复制命令就能用。

weixin_66889864

注意力机制与Transformer本文是在DataWhale的开展下的BaseLLM课程的学习笔记，课程项目链接是：https://github.com/datawhalechina/base-llm

从深度学习到大模型的跃迁：Transformer的核心突破摘要：本文围绕深度学习向大模型跃迁的核心历程，重点剖析Transformer架构的关键突破，对比传统深度学习模型、Transformer与现代大模型的核心差异，梳理三者间的演进逻辑，明确Transformer在跃迁过程中的基石作用，为理解大模型的发展起源与技术本质提供清晰参考。

AdaptiveConv动态权重卷积改进YOLOv26自适应特征提取能力传统卷积神经网络使用固定的卷积核权重进行特征提取,这种静态的特征提取方式在面对多样化的输入内容时缺乏灵活性。为了增强模型的自适应能力,本文介绍一种基于动态权重调整的AdaptiveConv(自适应卷积)改进方法。该方法通过全局上下文信息动态生成通道权重,实现内容自适应的特征提取,显著提升YOLOv26在复杂场景下的检测性能。

【Reading Notes】（8.7）Favorite Articles from 2025 July紧急加薪+全员放假！OpenAI被连挖8人后，真慌了（2025-07-01）udY_RN3mJLxBujxvqvreLw

深度学习编程框架全体系详解（含选型指南+核心对比）线性回归、CNN、Transformer、GNN、LLM、Agent，本质都是算法逻辑与数学结构；而深度学习编程框架，就是把这些算法从公式变成可运行、可训练、可落地代码的核心工程工具。它封装了底层张量计算、自动微分、GPU/TPU/NPU加速、分布式训练等复杂逻辑，让你不用从零手写反向传播、CUDA核函数，只需聚焦模型结构、数据处理和业务目标，是深度学习从理论到落地的必经之路。

【李沐 | 动手学深度学习】11-1 现代卷积神经网络-AlexNet上一章节学习了卷积神经网络的基本原理，本章开始现代卷积神经网络架构的学习，许多现代卷积神经网络的研究都是建立在这一章的基础上的。深度神经网络——将神经网络堆叠在一起，但由于不同的网络架构和超参数选择，这些神经网络的性能会发生很大变化。

苯酸氨酰糖化物

基于深度学习（U-Net架构下改良GAN与ViT算法）的高效肺部多模态疾病预测模型基于深度学习（U-Net架构下改良GAN与ViT算法）的高效👇Web端在线体验地址：✅访问这里进行病情预测在线体验✅

深度学习 —— 浅析&Pytorch入门人工神经网络1950年图灵测试，象棋深度学习与机器学习的区别不需要特征工程，网络神经元。擅长处理高维数据

循环神经网络（RNN）深度解析：从数学原理到智能输入法实战还在被 Transformer 的复杂度劝退？来认识一下序列建模的鼻祖 RNN——它的思想正以全新姿态回归大模型舞台中央。

利用多模态神经影像数据进行阿尔茨海默病分类和检测的可解释性尖峰神经网络框架1、利用尖峰神经网络的框架NeuCube进行阿茨海默症的检测和分类。并将结果和多种传统的机器学习代码进行比较。

HyperAI超神经

在线教程丨港大团队开源个人学习助手DeepTutor，多智能体协作实现覆盖理解/推理/生成的交互式学习当学习者在厚重教材与海量论文中反复检索却难以定位关键知识点，当复杂概念缺乏直观解释、练习资源零散分散，甚至在开展研究时需要在多个工具之间来回切换，这些长期存在的学习痛点，正成为新一代 AI 教育工具的切入点。

青瓷程序设计

基于深度学习的【犬类识别】系统~Python+人工智能+卷积算法+图像识别+计算机毕设项目犬类识别系统面向宠物识别、犬种查询与日常管理等应用场景进行设计与实现，构建了一套集用户管理、图像识别、历史记录与公告发布于一体的智能化平台。系统前端采用 Vue3 与 Element Plus 搭建交互界面，能够为用户提供简洁直观的图片上传、结果展示和历史查询体验；后端基于 Flask 框架实现业务接口与数据管理，并结合 JWT 完成用户身份认证和权限控制；算法部分采用 TensorFlow 深度学习框架，加载训练完成的 ResNet50 模型，对上传的犬类图片进行自动识别。当前系统可识别博美犬、吉娃娃、

OAK中国_官方

在OAK 4 系列上以480帧运行神经网络随着DepthAI 3.4.0版本的发布，我们为OAK 4系列设备引入了一项激动人心的新功能：高帧率（HFR）模式。该功能突破了实时感知的极限，可实现每秒高达480帧的处理速度——同时保持神经网络以同样惊人的速度运行。

python环境配置官网地址：https://scikit-learn.org/stable/