深度学习

[深度学习网络从入门到入土] 拓展 - 激活函数知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

【ILSVRC2012】ImageNet-1k数据集下载与处理脚本

【万字长文】PyTorch FSDP 设计解读与性能分析本文首先介绍了FSDP的原理和流程，包括参数分片策略、通算掩盖方式以及训练各阶段的执行逻辑。然后结合实验数据，对不同FSDP配置下的性能进行了分析和拆解，明确各个参数对训练速度和显存的影响。最后，简单介绍了FSDP2的原理和优势，并针对LORA训练这一优势场景，与FSDP进行了对比分析。本文不涉及源码的讲解，适合入门分布式训练。

PyTorch基本用法介绍：从零开始构建深度学习工作流2017年诞生的PyTorch，如今已是深度学习研究与工业部署的事实标准。它的成功并非偶然——动态计算图、Pythonic的编程范式、完整的生态工具链，让研究人员能够“像写NumPy一样写神经网络”。

向量引擎小橙

从“对话助手”到“数字架构师”：Claude 4.6 Opus 如何凭一己之力，终结全球程序员的“CRUD 焦虑”？在 AI 领域，如果说 OpenAI 是高调的“流量明星”，那么由前 OpenAI 核心成员创立的 Anthropic 就像是一位“深不可测的扫地僧”。

【论文精读】Flamingo: a Visual Language Model for Few-Shot Learning目录一、前言二、创新点总结&模型优越性1.关键的架构创新2.Flamingo-80B的性能优越三、Introduction

Coding茶水间

基于深度学习的车牌识别系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的车牌识别系统大家好，这里是 Coding茶水间。今天给大家带来的是《基于YOLO的车牌识别系统》。

深度学习的数学原理（三）—— 反向传播前情回顾：深度学习的数学原理（一）：多元线性回归深度学习的数学原理（二）：梯度下降优化在前两篇文章中，我们掌握了线性回归和梯度下降的核心逻辑，但线性模型有个致命短板 —— 只能处理 “直线能分开” 的简单问题。比如用重量和颜色区分苹果和橙子时，两类水果的分布可能是非线性的，线性回归根本 “分不明白”。

第1章，机器学习与深度学习深度学习和机器学习的区别（仅个人理解）：（1）深度学习是机器学习的一个子集（2）深度学习利用多层神经网络从大量数据中进行学习

过期的秋刀鱼！

深度学习-神经网络层这个博客将学习如何构建一层神经网络，一单掌握了这一点，就可以将这些构建块组合起来，形成一个大型的神经额网络，让我们俩看看神经网络时=是如何工作的

从0开始复现nano-vllm「model_runner.py」上半篇之初始化分布式推理环境定义了一个名为 ModelRunner 的核心类，用于在 nanovllm 框架下高效地加载和运行 Qwen3 大语言模型，其主要作用是构建一个支持多 GPU 张量并行（Tensor Parallelism）的高性能推理引擎。

All The Way North-

【LSTM系列·第三篇】单样本 vs Batch：LSTM全流程计算对比，彻底搞懂为何 h_t 与 c_t 维度必须相同由于字数限制，本篇是【LSTM系列】第三篇第一篇链接：【LSTM系列·第一篇】彻底搞懂：细胞状态、隐藏状态、候选状态、遗忘门——新手最晕的4个概念，一篇厘清第二篇链接：【LSTM系列·第二篇】彻底搞懂输入门、输出门与LSTM全流程：维度分析+PyTorch工程实现

Quintus五等升

深度学习自用笔记本文主要记录一些学习过程中的笔记One-hot编码是一种非常方便且容易理解的表示方法，原理如下：对于N个不同的字，生成一个长度为N的向量，每个向量中只有一位是1，其余位全是0，以此来表示N个不同的字

解剖学引导的全身PET-CT乳腺癌分割与跨模态自对齐/文献速递-基于深度学习的图像配准与疾病诊断2026.2.13该研究提出一种结合解剖学引导提示和跨模态自对齐预训练的全身PET-CT乳腺癌分割框架，通过生成器官伪标签和特征对齐，显著提升了原发性和转移性病灶的分割精度，优于现有多种SOTA方法，尤其在小而分散的转移性病变分割上表现出色。

indows+AMD显卡ROCm跑深度学习直接介绍了我折腾在【Windows系统 + AMD显卡】的多重 debuff 下尝试炼丹，最终成功编译出 ROCm 版本的 PyTorch，这意味着获得了进入炼丹界的钥匙。

【深度学习实战】：基于YOLOv8-RePVit的鱼眼图像分割任务详解（附完整代码实现）_1该数据集名为FISHEYE SEGMENTATION，是一个专注于鱼类图像分割的数据集，采用YOLOv8格式进行标注。数据集包含1个类别’FISHEYE’，即鱼眼图像。从数据集的图片内容来看，主要展示了不同场景下的鱼类图像，包括冰块上摆放的鱼类、放置在金属盘中的银色长形鱼类以及鱼体特写等。这些图像背景简洁，主要突出鱼类主体，特别是鱼眼区域的特征。数据集按照训练集、验证集和测试集进行划分，分别存储在train、valid和test三个文件夹中。该数据集采用了CC BY 4.0许可证，可用于学术研究和商业应用

深度学习的数学原理（四）—— 反向传播实战本文会继续对反向传播进行讨论，首先会用一个纯数值的例子来展示反向传播的计算过程，然后会上文的如何给苹果\橙子分类例子，构建一个简单的MLP网络来进行分类，加深理解反向传播的全过程。

过期的秋刀鱼！

深度学习-更复杂的神经网络这里的重点是中间的公式，有了这个公式就可以计算任意一层的激活值了，其中右上角的角标L代表了神经网络的层数，右下角的角标J表示第几个神经元。

ubuntu18.04安装CVAT1.安装docker curl -sSL https://get.daocloud.io/docker | sh 解释详见：https://www.runoob.com/docker/ubuntu-docker-install.html

用于CBCT到CT合成的纹理保留扩散模型/文献速递-基于人工智能的医学影像技术2026.2.12本文提出了一种新颖的纹理保留扩散模型，用于锥形束CT到CT图像合成。该模型通过自适应高频优化、双模态特征融合模块和边缘感知边界约束，显著提高了合成图像的细节、泛化性和鲁棒性，有望提升临床诊断和治疗规划的准确性。