深度学习

程序员：钧念

深度学习与强化学习的区别这是一个非常深刻的区别，触及了人工智能的两个不同维度：感知（Perception）与决策（Decision Making）。

哥布林学者

吴恩达深度学习课程五：自然语言处理第二周：词嵌入（二）词嵌入模型原理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：本篇为第五课的第二周内容，2.4到2.5的内容以及一些相关知识的补充。

AI街潜水的八角

深度学习烟叶病害分割系统3：含训练测试代码、数据集和GUI交互界面第一步：准备数据烟叶病害分割-深度学习图像分割数据集烟叶病害分割数据，可直接应用到一些常用深度学习分割算法中，比如FCN、Unet、SegNet、DeepLabV1、DeepLabV2、DeepLabV3、DeepLabV3+、PSPNet、RefineNet、HRnet、Mask R-CNN、Segformer、DUCK-Net模型等数据集总共有1500对图片，数据质量非常高，甚至可应用到工业落地的项目中

AI街潜水的八角

深度学习烟叶病害分割系统1：数据集说明(含下载链接)烟叶病害分割-深度学习图像分割数据集烟叶病害分割数据，可直接应用到一些常用深度学习分割算法中，比如FCN、Unet、SegNet、DeepLabV1、DeepLabV2、DeepLabV3、DeepLabV3+、PSPNet、RefineNet、HRnet、Mask R-CNN、Segformer、DUCK-Net模型等数据集总共有1500对图片，数据质量非常高，甚至可应用到工业落地的项目中

weixin_44693403

统计学中“in sample test”与“out of sample”有何区别？源自风暴统计网：一键统计分析与绘图的网站今天在一篇因果推断SCI论文中，看到一个词out of sample，翻译为各模型在所有处理和结局变量下的样本外 AUC 和 MSE。这是何意？“in sample test”与“out of sample”有何区别？

莫非王土也非王臣

循环神经网络应用场景，很多问题具有时序性，自然语言处理、视频图像处理、股票交易信息等由于RNN在时间轴上展开，层数比较多

第五章神经网络（含反向传播计算）梯度下降

【深度学习小课堂】| torch | 升维打击还是原位拼接？深度解码 PyTorch 中 stack 与 cat 的几何奥义在 PyTorch 的张量操作中，torch.cat (concatenate) 和 torch.stack 是两个最高频出现的“兄弟”函数。初学者往往觉得它们都能合并张量，但在构建复杂的神经网络（如 SKNet、特征融合模块）时，选错函数往往会导致维度冲突或逻辑错误。

基于遗传算法优化BP神经网络实现非线性函数拟合通过遗传算法全局搜索能力优化BP神经网络的初始权值和阈值，解决传统BP网络易陷入局部最优、收敛速度慢的问题。遗传算法在解空间中迭代寻优，最终获得使网络预测误差最小的最优参数组合。

深度学习中的正则化技术全景：从Dropout到权重衰减的优化逻辑在深度学习的世界里，模型就像一位努力备考的学生——若只死记硬背训练数据（过拟合），考场上遇到新题型便会手足无措；若过度简化知识（欠拟合），又无法应对基础考点。正则化技术正是这场“备考”的指导方针，通过科学约束帮助模型在“记忆”与“理解”间找到平衡。其中，Dropout与权重衰减是最具代表性的两大技术，它们从不同维度驯服复杂模型，其优化逻辑贯穿了深度学习从理论到实践的核心脉络。本文将带你穿透技术表象，洞悉正则化的本质，同时探讨当前研究挑战、前沿进展与未来方向。

大模型训练_week3_day15_Llama概念_《穷途末路》碎碎念：我翻山越岭，纵然这世间再也无人像你梳理llama架构，和transformer很像，新学到 embedding后的词向量RMSnorm，和qk矩阵融合的Rope旋转编码，SwiGLU激活函数，GQA分组查询注意力机制

当DeepSeek V4遇见近屿智能：一场AI进化的叙事正在展开大家好，这里是近屿智能！每逢春节，必有巨变。AI领域的浪潮，再次因DeepSeek而涌动。前几天，The Information 独家报道，DeepSeek 正在准备发布下一代旗舰模型 V4，预计在 2 月中旬春节前后上线。

Quintus五等升

深度学习②|实现人数回归预测在深度学习的任务中，回归预测是一类常见的场景，主要用于预测连续型的数值结果。本文是我在学习新冠阳性人数回归预测后的总结，用于今后的复盘、回顾。如有问题，还望指教。

AI街潜水的八角

基于paddle框架的MobileNetV2深度学习神经网络番茄/西红柿叶子病虫害识别系统源码第一步：准备数据10种番茄/西红柿叶子病虫害：，总共有18345张图片，每个文件夹单独放一种第二步：搭建模型

计算机C9硕士_算法工程师

基于深度学习风力叶片缺陷检测系统无人机自动巡检风电场 - 风电运维智能诊断平台 - 缺陷生命周期追踪系统基于深度学习风力叶片缺陷检测系统数据集：【84.2%风力叶片检测数据集】4467张，7类训练200轮yolov8n，map0.5:84.2%，非常适合改进提升精度 names: 0: burning # 燃烧 1: crack # 裂缝 2: deformity # 变形 3: dirt # 污垢 4: oil # 油渍 5: peeling # 剥落 6: rusty # 生锈共4467张，数据集按8:1:1比例划分为 train：3573张，val：447张、test：447张，标注格式为Y

大模型最新论文速读

ProFit: 屏蔽低概率 token，解决 SFT 过拟合问题大语言模型（LLM）在完成预训练后，通常需要通过监督微调（SFT）来适配特定的下游任务。然而，传统SFT存在一个被长期忽视的根本性问题：语言的 "一对多"特性与训练目标的 "一对一"强制对齐之间的矛盾。

VMamba环境本地适配配置由于需要从源码改造VMamba，但官方给出的编译好的causual1d和mamba_ssm都是版本都于本地其他库不对应，因此从源码层级编译安装，这里记录一下，其他需要编译适配CUDA的都是一样，仅供参考。

minimind SFT失败原因排查和解决办法这是一个非常关键的决策点。考虑到你的目标是“尽快跑通流程进入 LoRA/PPO/DPO”以及目前的模型配置（145M 小模型 + MoE），我给出的建议非常明确：

跳跳糖炒酸奶

基于深度学习的单目深度估计综述阅读（1）单目深度估计方法分类相关数据集各个数据地址：相关评价指标：均方根误差(RMSE):能够反映预测结果与真实值之间的绝对误差，受异常值影响较大，无法衡量相对误差。

逄逄不是胖胖

《动手学深度学习》-48全连接卷积神经网络FCN实现全连接神经网络通过卷积神经网络CNN实现特征提取，然后通过1x1的卷积将通道数转换为类别个数，最后通过转置卷积层将图像的高宽变换为原输入图的尺寸大小