深度学习

【深度硬核】AI Infra 架构漫游指南写在前面：在 Transformer 统治世界的今天，当我们在谈论“训练大模型”时，我们究竟在谈论什么？绝大多数人看到的是 Python 代码中的 model.forward()，是 HuggingFace 上下载的权重文件。但在这一切之下，是一座由数万张 GPU、数千公里的光纤和 PB 级存储构建的精密“工厂”。

深度学习概念_随机梯度下降与 ADAM 的区别与联系公式化表达你希望清晰了解两者的核心差异、关联及公式表达，下面将从核心定义、公式、联系、区别四个维度展开，确保简洁明了。

搭建PyTorch深度学习GPU开发环境（含CUDA、PyTorch、Vision及Audio库）在开始安装之前，先简单了解即将安装的几个核心组件及其作用，这有助于理解整个安装流程的逻辑。它们之间的关系可以简单概括为：PyTorch是核心大脑，CUDA是让大脑能用上GPU力量的桥梁，而torchvision和torchaudio则是为特定任务配备的得力助手。

哥布林学者

吴恩达深度学习课程四：计算机视觉第三周：检测算法（四）YOLO 的完整传播过程此分类用于记录吴恩达深度学习课程的学习笔记。课程相关信息链接如下：本篇为第四课的第三周内容，3.9到3.10的内容，同时也是本周理论部分的最后一篇。

AI生成圣诞视觉图：从节日元素到创意落地的路径圣诞作为全球最具影响力的节日之一，其视觉表达在商业营销、品牌传播与社交互动中占据核心位置。从电商平台的促销海报到品牌的节日KV，从社交平台的祝福配图到线下活动的场景布置，高质量的圣诞视觉图能快速传递节日氛围，激发用户情感共鸣。

雍凉明月夜

深度学习网络笔记Ⅰ(CNN)网络学习本质：所有可训练的深度学习网络，不管结构多复杂、应用场景多不同，本质都是 “为了优化参数（W+b），找到输入数据到任务目标的‘更优映射关系’”—— 网络结构只是实现这个目标的 “适配性工具”。

对MNIST FASHION数据集训练的准确度的迭代提高C这段代码实现了一个结构严谨、功能完整的高精度MNIST分类模型，体现了现代卷积神经网络在工业界的成熟应用。以下从技术实现、模型架构、训练策略三个维度进行专业评价：

YOLO + MediaPipe 在PiscCode上解决多脸 Landmark 中「人脸数量固定」的问题在做人脸关键点（Landmark）时，很多人会选择 MediaPipe FaceLandmarker，原因很简单：

智驱力人工智能

从合规到习惯海上作业未穿救生衣AI识别系统的工程实践与体系价值未穿救生衣检测 AI救生衣状态识别边缘计算救生衣监测设备近期，多起海上作业人员落水伤亡事故调查报告均指出，“未按规定穿着救生衣”是导致悲剧后果的关键因素。在风浪、湿滑、移动的甲板环境下，这一基本安全规程的落实，长期依赖安全员的目视监督与人员的自觉性，存在巨大的监管盲区与瞬时风险。将基于视觉分析的海上作业未穿救生衣AI识别系统引入生产现场，绝非简单的“技术秀”，而是一项旨在重构海上作业安全行为管理体系、将“被动合规”转变为“主动防护”的严肃工程。本文将从项目落地的视角，探讨该系统的核心逻辑、实施挑战与超越警报的深层价值。

tangjunjun-owen

DINOv3 demo本文将介绍如何使用 ModelScope（魔搭）平台提供的 DINOv3 预训练模型，在本地进行批量图像特征提取，并输出可用于后续融合或蒸馏的特征向量。全程无需 Hugging Face 账号验证，直接加载本地或魔搭模型即可。

学习日记28：Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks为了设计快速的神经网络，许多工作一直专注于减少浮点运算(Flops)的数量。然而，由于频繁内存访问，对FLOPs的减少并不一定会导致类似水平的延迟减少。提出了一种新的部分卷积算法(PConv)，可以同时减少冗余计算和内存访问。在PConv的基础上，进一步提出了FasterNet，这是一种新的神经网络家族，在广泛的设备上获得了比其他网络更高的运行速度，而不会影响各种视觉任务的准确性。

你们补药再卷啦

识别手写数字（keras）1.自定义模型进行手写数字的识别例子2.直接用预训练模型识别图像3.迁移学习4.风格迁移1.识别手写数字 MNIST（自定义）

机器学习之心

贝叶斯优化Transformer-LSTM的模型结构图在进入模型之前，必须将原始数据转化为适合混合架构的格式。搭建我们在前一张图中看到的模型结构。这是贝叶斯优化的关键。你需要确定哪些参数对性能影响最大，例如：

Day44# DAY 44 预训练模型+CBAM 模块知识点回顾：1. resnet结构解析2. CBAM 放置位置的思考

weixin_40938312

强化lora训练后的用qwen训练的虚拟自己模型这次挺好数据总量300多条加了十几条正常对话聊天记录在300多条抽象qq空间数据加了十几条正常聊天记录现在像个人了 🎯 能力展示: ⚠️ 春节到了想说什么？， ˇ_ˇ 春节到了瞬间长大～ ⚠️ 朋友分享感情经历怎么回应？， =_＝每个感情经历都是一个里程碑～ ⚠️ 晚安晚安～

weixin_40938312

强化lora训练这次好点下次在训练数据增加正常对话🎯 能力展示: ⚠️ 春节到了想说什么？好的好的，祝大家春节快乐～ ⚠️ 朋友分享感情经历怎么回应？恩啊。。。。 ⚠️ 晚安晚安

动作识别9——TSN训练实验目录一、前言二、训练结果1：0.82142.1 损失曲线和top1准确率可视化2.2 测试验证集2.3 配置文件

大模型应用评估—— 从 BLEU 到 Agent 综合评价随着大语言模型（LLM）的应用形态从简单的文本生成进化为复杂的多轮对话机器人、检索增强生成（RAG）系统以及自主智能体（Agent），开发者面临着一个共同的难题：代码跑通了，但效果怎么测？

深度学习驱动的视频异常检测（VAD），AI如何让监控更智能？你是否曾想过，在成千上万的监控视频中，如何让计算机自动识别出打架、闯入、徘徊等异常事件？这正是视频异常检测（Video Anomaly Detection, VAD）所要解决的核心问题。随着深度学习技术的飞速发展，VAD 已成为计算机视觉领域的热点研究方向，并在智能安防、自动驾驶、内容审核等领域展现出巨大应用潜力。

汗流浃背了吧，老弟！

把 Bert 回炉重铸——基于Bert的生成式任务训练语言模型的目标是计算一个句子的概率。简单来说，就是让计算机学会“说人话”。在数学上，给定序列 w1,w2,...,wnw_1, w_2, ..., w_nw1,w2,...,wn，其概率表示为：