深度学习

【算法岗面试题】深度学习中如何防止过拟合？这是个深度学习中比较常见的问题。网上有好多解答，我就梳理一下：首先从模型上解决的一个很好的例子是rsnet可以缓解过拟合的风险，更深的网络通常更容易过拟合，但ResNet通过跳跃连接（skip connections），使梯度能够有效传播，避免梯度消失问题，同时让模型能学习更深层次的特征。通过可以参考。

优雅的理解神经网络中的“分段线性单元”，解剖前向和反向传播非线性本质上指的是一个系统或函数中输入与输出之间的关系不呈现简单的比例关系，也就是说，输出不只是输入的线性组合 ( 比如 y = k 1 × x 1 + k 2 × x 2 + b ) (比如y=k1×x1+k2×x2+b) (比如y=k1×x1+k2×x2+b)。下面详细解释这个概念：

牙牙要健康

【目标检测】【深度学习】【Pytorch版本】YOLOV3模型算法详解YOLOV3是由华盛顿大学的Joseph Redmon等人在《YOLOv3: An Incremental Improvement》【论文地址】中提出的YOLO系列单阶段目标检测模型的升级改进版，核心思想是在YOLOV2基础上，通过引入多项关键技术和模块提升检测性能，即特征金字塔网络(FPN)结构的多尺度特征融合、更深的Darknet-53网络、借鉴了ResNet的残差连接设计、改进的损失函数等使得YOLOV3在保持高速的同时，大幅提升了检测精度。

强化学习_Paper_1988_Learning to predict by the methods of temporal differencespaper Link: sci-hub: Learning to predict by the methods of temporal differences

从零开始设计Transformer模型（1/2）——剥离RNN，保留Attention声明：本文基于哔站博主【Shusenwang】的视频课程【RNN模型及NLP应用】，结合自身的理解所作，旨在帮助大家了解学习NLP自然语言处理基础知识。配合着视频课程学习效果更佳。

无需预对齐即可消除批次效应，东京大学团队开发深度学习框架STAIG，揭示肿瘤微环境中的详细基因信息生物组织是由多种类型细胞构成的复杂网络，这些细胞通过特定的空间配置执行重要功能。近年来，10x Visium、Slide-seq、Stereo-seq 和 STARmap 等空间转录组学 (ST) 技术的进步，使得生物学家们能够在空间结构内绘制基因数据，从而各类疾病提供更深入的见解。

写给新人的深度学习扫盲贴：向量与矩阵向量是线性代数中的基本对象，定义为具有大小（模长）和方向的一维数组，可视为1阶张量。其数学表示形式为： v = [ v 1 , v 2 , … , v n ] \mathbf{v} = [v_1, v_2, \dots, v_n] v=[v1,v2,…,vn] 物理意义：向量常用于描述空间中的点、力、速度等具有方向性的量。在计算机中，向量通常以一维数组存储（如NumPy中的np.array([1,2,3])）。

机器学习-聚类分析算法聚类分析是一种无监督学习的统计分析方法。它的主要目的是将一个数据集中的样本（或观测值）按照某种相似性或距离度量划分成若干个类别（簇）。在聚类过程中，同一个簇内的样本具有较高的相似性，而不同簇之间的样本相似性较低。例如，在市场细分中，企业可以利用聚类分析将消费者划分为不同的群体，每个群体内的消费者在消费习惯、偏好等方面相似，而不同群体之间存在明显差异。

荷包蛋蛋怪

【北京化工大学】神经网络与深度学习实验6 MATAR图像分类本次实验使用老师发的雷达奇妙数据1、划分数据集为test/train2、归一化注：本次老师的要求是不限方法，使用pytorch尽可能提升精度

贤小二c#版Yolov5 yolov8 yolov10 yolov11自动标注工具 + 免python环境 GPU一键训练包贤小二c#版yolo标注训练工具集欢迎使用贤小二AI标注训练系统v2.0本课程所有演示程序全部免费1、这节课程主要演示贤小二AI标注训练系统的使用，以及标注数据时注意事项和技巧；

在PyTorch中使用GPU加速：从基础操作到模型部署本文将通过具体代码示例，详细介绍如何在PyTorch中利用GPU进行张量计算和模型训练，包含设备查询、数据迁移以及模型部署等完整流程。

AI可解释性 II | Saliency Maps-based 归因方法（Attribution）论文导读（持续更新）本文作为AI可解释性系列的第二部分，旨在以汉语整理并阅读归因方法（Attribution）相关的论文，并持续更新。

基于 Ollama DeepSeek、Dify RAG 和 Fay 框架的高考咨询 AI 交互系统项目方案本项目旨在构建一个智能化的高考咨询助手，结合 AI 大模型、知识增强（RAG）和 3D 数字人交互，为用户提供智能高考问答、志愿填报建议、政策解读等功能。系统的核心架构如下：

深度学习 Deep Learning 第15章表示学习本章探讨了表示学习的核心概念及其在深度学习中的重要性，重点分析了无监督预训练（尤其是贪婪逐层预训练）如何通过共享表征提升模型性能，并讨论了其在多任务学习、跨模态处理和小样本场景中的应用价值与理论依据。

长短期记忆神经网络（LSTM）基础学习与实例：预测序列的未来目录1. 前言2. LSTM的基本原理2.1 LSTM基本结构2.2 LSTM的计算过程3. LSTM实例：预测序列的未来

PyTorch量化进阶教程：第六章模型部署与生产化PyTorch量化进阶教程：第六章模型部署与生产化本教程通过深入讲解 Transformer 架构、自注意力机制及时间序列预测，结合 Tushare 数据源和 TA-Lib 技术指标，实现从数据处理到模型训练、回测与策略部署的完整量化交易系统。教程每个环节都通过专业示例和代码实现进行阐释，确保读者能够扎实掌握并灵活运用所学知识。文中内容仅限技术学习与代码实践参考，市场存在不确定性，技术分析需谨慎验证，不构成任何投资建议。适合量化新手建立系统认知，为策略开发打下基础。

【工业场景】用YOLOv12实现饮料类别识别饮料类别识别任务的意义在于帮助人们更快速地识别和区分不同类型的饮料，从而提高消费者的购物体验和满意度。对于商家而言，饮料类别识别可以帮助他们更好地管理库存、优化货架布局和预测销售趋势，从而提高运营效率和利润。此外，饮料类别识别还可以应用于自动贩卖机、智能购物系统等领域，为人们提供更便捷的购物服务。总的来说，饮料类别识别任务的意义在于提升消费者和商家的体验，促进商业领域的发展。

PyTorch 深度学习实战（32）：多模态学习与CLIP模型模态对齐：建立不同模态（如图像/文本）间的语义关联跨模态检索：实现图文双向搜索联合表征：学习统一的特征空间

Amodal3R ，南洋理工推出的 3D 生成模型Amodal3R 是一款先进的条件式 3D 生成模型，能够从部分可见的 2D 物体图像中推断并重建完整的 3D 结构与外观。该模型建立在基础的 3D 生成模型 TRELLIS 之上，通过引入掩码加权多头交叉注意力机制与遮挡感知注意力层，利用遮挡先验知识优化重建过程。Amodal3R 仅依赖合成数据进行训练，在实际应用中展现出卓越的性能，显著优于传统的“2D 预测补全 + 3D 重建”两步法，为遮挡场景下的 3D 重建设定了新的标杆。