深度学习

光刻技术第22期 | 贝叶斯压缩感知光源优化的优化技术及对比分析01/简介随着集成电路制程迈入3nm及以下先进节点，光刻系统中的光学衍射、掩模三维效应与光致抗蚀剂非线性响应形成强耦合，使光源优化（SO）成为保障成像精度、扩展工艺窗口的核心技术环节。传统线性压缩感知光源优化技术因难以量化参数不确定性，优化结果易出现鲁棒性不足问题；经典优化算法如固定步长梯度下降，常面临收敛迟缓或震荡难题；

人工智能之知识处理知识推理第三章图神经网络与知识推理：让图谱“活”起来第三章图神经网络与知识推理：让图谱“活”起来在前两章中，我们学会了如何定义知识和构建知识图谱。但传统的知识图谱是静态的——它像一本死记硬背的百科全书，如果书里没写，它就不知道。

从模型评估、梯度难题到科学初始化：一步步解析深度学习的训练问题要理解模型的泛化能力，我们首先要量化它的“泛化误差”，即模型在未知数据上的表现。然而，泛化误差并非一个单一的问题，它源于三种不同性质的错误：模型固有的近似能力不足、对训练数据的过度敏感、模型数据本身的不可约噪声。

SCNP语义分割边缘logits策略最近看到一个很有意思的工作：SCNP。https://jmlipman.github.io/SCNP-SameClassNeighborPenalization/

新缸中之脑

微调BERT进行命名实体识别简历解析是命名实体识别（NER）最实际的应用之一。不是从新闻文本中提取通用实体，如人员或组织，而是希望识别简历中的结构化信息，如姓名、电子邮件、电话号码、职位、公司、技能、地点、学位和大学。

人机与认知实验室

神经网络、数学、理性思维真能实现通用智能吗？一、神经网络真能实现通用智能吗？这是一个非常深刻且在科学界争论不休的问题。简单直接的回答是：仅靠目前的神经网络技术，很难实现真正的通用智能（AGI），它更像是通往AGI拼图中至关重要但并非唯一的一块。虽然神经网络（特别是深度学习）在图像识别、语言生成等领域取得了惊人的成就，但要达到像人类一样具备跨领域推理、常识理解和自主学习的“通用智能”，目前面临着巨大的理论瓶颈。我们可以从以下几个维度来拆解这个复杂的命题： 🚧 1. 现状：它是“专用智能”的王者，却是“通用智能”的跛脚者

OpenClaw4月更新的梦境记忆巩固系统一篇涵盖 AI 助手能力、记忆系统、手机远程访问、Windows 权限与系统目录的实战指南受人类睡眠记忆巩固理论的启发：

大神的风范

QT部署YOLO11实时检测实验视频qt_yolo11测试视频配合博客这篇文章主要讲述的是在QT中编辑检测界面以及输出实时目标检测的画框界面，是基于YOLOV11进行开发的，在完成这篇文章之前请首先参考这篇文章正点原子瑞芯微RK3568部署YOLOV11模型，因为这篇文章主要是在之前那篇文章的基础上进行试验的。绝大多数文件都是基于官方代码移植的。

动手学深度学习｜批量归一化（Batch Normalization）超详细讲解：为什么它能让深层网络更容易训练？这一节很重要，因为从这里开始，你会发现：卷积神经网络的进步，不只是来自“结构怎么设计”，还来自“训练怎么更稳定”。

LSQ的测试日记

深度学习_YOLO，卡尔曼滤波和YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好，所以在工业界也十分受欢迎.

PyTorch深度学习框架之多分类交叉熵实现图像分类适合苹果/华为/小米 3分类手机识别，你可以直接改类别数适配你的任务：Q：SmallPhoneCNN卷积层参数是怎么来的？

Keras 的主要特点和适用场景Keras 是一个用 Python 编写的高级神经网络 API，最初由 François Chollet 开发，目标是让深度学习变得更加用户友好、模块化和可扩展。自 TensorFlow 2.0 起，Keras 被正式集成作为其官方高层 API（tf.keras），成为 Google 官方推荐的深度学习开发方式。

郝学胜-神的一滴

自动微分实战：梯度下降的迭代实现与梯度清零核心解析在深度学习的参数优化中，梯度下降是最基础也最核心的算法，而自动微分则是高效计算梯度的关键手段。从手动推导梯度到代码层面的迭代更新，从梯度累加的坑到梯度清零的实操，每一个细节都决定着参数优化的成败。今天我们就从实战角度，拆解基于PyTorch的自动微分实现，手把手搞定梯度下降的完整流程，理解梯度清零的底层逻辑，让参数更新更精准！

HyperAI超神经

【TVM教程】理解 Relax 抽象层TVM 现已更新到 0.21.0 版本，TVM 中文文档已经和新版本对齐。Apache TVM 是一个深度的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。

基于深度学习的香梨产量预测系统设计与实现(UI界面+数据集+训练代码)摘要：本研究针对香梨产业园果实数量统计和产量预测中人工清点效率低、主观性强、难以满足规模化管理需求等问题，设计并实现了一套基于深度学习的香梨产量预测系统。系统以香梨图像为研究对象，融合目标检测、特征工程与回归分析方法，实现了图像检测、视频检测、实时检测及产量预测等功能。

深度学习之卷积神经网络CNN（卷积+池化）基础的图像操作CNN图像分类案例模型参数如下：案例增加优化思路根据提供的数据结构，建立CNN模型，识别图片中的猫/狗，计算预测准确率从网站下载猫/狗图片，进行预测

机器学习深度学习beginning51.自编码器（Auto-Encoder）：不需要标注数据，仅依赖数据本身的结构进行学习，属于自监督学习。自编码器试图学习一个恒等映射：输入 x→ 编码器 → 潜在表示 z→ 解码器 → 输出 x^，并让 x^尽可能接近 x。核心结构：编码器 + 解码器目标：最小化重构误差（输入与输出的差异）变体：Denoising Auto-Encoder（去噪自编码器）：需要在输入数据上加入噪声，输出为不加噪声的结果，即对输入X人为加入噪声得到 X'，模型学习从 X' 重构出干净的 X

AI的jieba分词原理与多模式应用解析AI的jieba分词原理与多模式应用解析

金融小师妹

基于AI能源供给网络模型：霍尔木兹海峡扰动下的全球油品风险传导与区域“油荒概率”评估摘要：本文通过构建AI能源供给网络模型，结合霍尔木兹海峡运输扰动、区域进口依赖度、库存动态与贸易重定向能力，对全球能源供应链在极端压力下的传导路径进行分析，重点评估亚洲地区“油荒风险”的结构性分布及其演化机制。

IndexTTS2 在 macOS 性能最佳设置（M1/M2/M3/M4 全适用）IndexTTS2 本身是为 GPU（NVIDIA CUDA）优化的，而 macOS（Apple Silicon）走的是 Metal GPU 路线。然而 PyTorch 已经对 Metal 优化得相当不错，只要参数设置对了，在 mac 上完全可以跑得很丝滑。