技术栈
深度学习
李师兄说大模型
35 分钟前
人工智能
·
深度学习
·
机器学习
·
语言模型
·
自然语言处理
·
大模型
·
deepseek
KDD 2025 | 地理定位中的群体智能:一个多智能体大型视觉语言模型协同框架
今天跟大家分享一篇被KDD 25录用的多模态大模型智能体协同框架,该文章提出了一种多智能体大模型协作机制以及一种大模型智能体之间关系的动态学习策略,有效减少了大模型智能体之间冗余的交互次数,从而提高了系统的地理定位效率。具体而言,该论文参考审稿机制与流程来尽最大可能发挥不同大模型智能体对于不同地标的定位能力。同时,根据不同图像定位请求,自适应生成智能体社交网络结构,来规划哪些智能体之间的讨论可以产生对准确定位图像产生正面促进作用的结果。提出的框架在3个数据集上的实验表明,该框架表现显著优于其他目前最先进的
锅挤
1 小时前
人工智能
·
深度学习
·
神经网络
深度学习5(深层神经网络 + 参数和超参数)
深层神经网络是机器学习中一种重要的模型,它通过增加网络的“深度”(即隐藏层的数量)来提升模型对复杂数据的表示和学习能力。同浅层类似,也分为三个部分:
网安INF
1 小时前
人工智能
·
深度学习
·
神经网络
·
机器学习
深层神经网络:原理与传播机制详解
本文探讨的深层神经网络结构如下:前向传播是数据从输入层流向输出层的过程,计算步骤如下:第一隐藏层: Z [ 1 ] = W [ 1 ] X + b [ 1 ] Z^{[1]} = W^{[1]}X + b^{[1]} Z[1]=W[1]X+b[1] A [ 1 ] = g [ 1 ] ( Z [ 1 ] ) A^{[1]} = g^{[1]}(Z^{[1]}) A[1]=g[1](Z[1])
喜欢吃豆
1 小时前
后端
·
python
·
深度学习
·
flask
·
大模型
目前最火的agent方向-A2A快速实战构建(二): AutoGen模型集成指南:从OpenAI到本地部署的全场景LLM解决方案
在AI应用开发中,大语言模型(LLM)的选择往往决定了系统的能力边界。AutoGen通过标准化的模型客户端协议,实现了对OpenAI、Azure OpenAI、本地模型等多源LLM的统一接入,让开发者能够根据场景需求自由切换模型服务。本文将深入解析AutoGen的模型集成框架,从云端服务到本地部署,助你构建弹性可扩展的AI代理系统。
喜欢吃豆
3 小时前
服务器
·
人工智能
·
python
·
深度学习
·
大模型
·
github
·
fastmcp
快速手搓一个MCP服务指南(九): FastMCP 服务器组合技术:构建模块化AI应用的终极方案
在AI应用开发中,随着功能复杂度的提升,如何将庞大的系统拆分为可复用、易维护的模块成为关键挑战。FastMCP(Fast Multi-Channel Processing)框架推出的服务器组合(Server Composition)功能,通过import_server和mount两种核心机制,实现了AI服务的静态复制与动态链接,为构建模块化、可扩展的AI系统提供了全新思路。本文将深入解析这一技术的核心原理、应用场景及最佳实践。
shangyingying_1
12 小时前
人工智能
·
深度学习
·
计算机视觉
关于小波降噪、小波增强、小波去雾的原理区分
在传统的图像处理中使用小波分解是一种常见的方法。经常分不清小波降噪和小波增强的区别,简单记录下二者的区别同时再记录一下小波去雾的原理。
书玮嘎
13 小时前
人工智能
·
深度学习
【WIP】【VLA&VLM——InternVL系列】
前面一些实验证明了InternViT-6B本身的感知能力,以及InternVL-C的zero-shot和泛化性,不详细写了。主要看下ablation study 可以看到,相比于MLP,QLLaMA能够明显涨点,作者认为这证明了QLLaMA作为glue layer能够更好的将视觉特征对齐到LLM上。(是不是有点存疑?)
要努力啊啊啊
13 小时前
人工智能
·
深度学习
·
yolo
·
计算机视觉
·
目标跟踪
YOLOv2 正负样本分配机制详解
在目标检测任务中,正负样本的定义决定了哪些预测框用于训练,以及如何计算损失函数。YOLOv2 在 YOLOv1 的基础上,引入了 Anchor Boxes(锚框) 机制,正负样本的判断方式也发生了重要变化。
Blossom.118
14 小时前
人工智能
·
python
·
深度学习
·
神经网络
·
机器学习
·
机器人
·
sklearn
机器学习在智能建筑中的应用:能源管理与环境优化
随着全球对可持续发展的关注不断增加,智能建筑作为节能减排的重要领域,正逐渐成为研究和应用的热点。智能建筑通过整合物联网(IoT)、大数据和机器学习等先进技术,能够实现能源管理的自动化和环境优化的智能化。机器学习技术在智能建筑中的应用尤为突出,尤其是在能源消耗预测、设备故障检测和室内环境优化方面。本文将探讨机器学习在智能建筑中的应用,并分析其带来的机遇和挑战。 一、智能建筑中的能源管理 (一)传统能源管理方法的局限性 传统的建筑能源管理主要依赖于人工监控和简单的自动化系统,这些方法在处理复杂的能源消耗模式和
m0_67869333
16 小时前
笔记
·
rnn
·
深度学习
深度学习笔记29-RNN实现阿尔茨海默病诊断(Pytorch)
阿尔茨海默病的诊断难点在于早期识别和病程追踪,RNN恰好擅长处理这类时序数据。RNN 能够学习这些不同模态特征在时间维度上的相互作用及其共同演变对疾病状态的影响。
胡耀超
16 小时前
人工智能
·
python
·
深度学习
·
数据挖掘
·
大模型
·
用户画像
·
语义分析
标签体系设计与管理:从理论基础到智能化实践的综合指南
这类文章可以直接给大模型做上下文,主页有更多。标签系统的理论根基建立在多学科交叉的基础之上。从本体论(Ontology)角度看,标签是知识表征的基本单元,它不仅是符号载体,更是认知结构的映射。
fzyz123
18 小时前
人工智能
·
windows
·
深度学习
·
wsl
Windows系统下WSL从C盘迁移方案
原因:一开始装WSL的时候放在了C盘,这下好了,跑了几个深度学习模型训练后,C盘快满了,这可怎么办?可愁坏了。
FF-Studio
20 小时前
人工智能
·
pytorch
·
深度学习
·
线性代数
·
机器学习
·
数学建模
·
transformer
【硬核数学 · LLM篇】3.1 Transformer之心:自注意力机制的线性代数解构《从零构建机器学习、深度学习到LLM的数学认知》
我们已经完成了对机器学习和深度学习核心数学理论的全面探索。我们从第一阶段的经典机器学习理论,走到了第二阶段的深度学习“黑盒”内部,用线性代数、微积分、概率论、优化理论等一系列数学工具,将神经网络的每一个部件都拆解得淋漓尽致。
云渚钓月梦未杳
20 小时前
人工智能
·
深度学习
深度学习03 人工神经网络ANN
人工神经网络( Artificial Neural Network, 简写为ANN)也简称为神经网络(NN),是一种模仿生物神经网络结构和功能的计算模型,人脑可以看做是一个生物神经网络,由众多的神经元连接而成.各个神经元传递复杂的电信号,树突接收到输入信号,然后对信号进行处理,通过轴突输出信号.
贾全
20 小时前
人工智能
·
深度学习
·
算法
·
机器学习
·
机器人
第十章:HIL-SERL 真实机器人训练实战
在机器人学习领域,如何让机器人在真实环境中快速、安全地学习复杂任务一直是一个重要挑战。传统的强化学习方法往往需要大量的试错过程,这在真实机器人上既耗时又存在安全风险。而纯粹的模仿学习虽然安全,但往往难以处理训练数据中未见过的情况。
我是小哪吒2.0
21 小时前
人工智能
·
深度学习
·
学习
·
机器学习
·
ai
·
语言模型
·
大模型
书籍推荐-《对抗机器学习:攻击面、防御机制与人工智能中的学习理论》
深度学习面临的一个关键挑战是其模型在面对智能网络攻击者时表现出的安全脆弱性。即便是训练数据中看似无害的小幅扰动,也可能被用来以非预期的方式操控深度神经网络的行为。
慕婉0307
21 小时前
人工智能
·
深度学习
·
机器学习
深度学习前置知识全面解析:从机器学习到深度学习的进阶之路
在当今这个数据爆炸的时代,人工智能(AI)已经成为推动社会进步的核心技术之一。作为AI领域最重要的分支,深度学习(Deep Learning)在计算机视觉、自然语言处理、语音识别等领域取得了突破性进展,彻底改变了我们与机器交互的方式。
埃菲尔铁塔_CV算法
1 天前
人工智能
·
深度学习
·
数码相机
·
算法
·
目标检测
·
计算机视觉
基于 TOF 图像高频信息恢复 RGB 图像的原理、应用与实现
TOF(Time of Flight,飞行时间)技术是一种通过测量光脉冲从发射到接收的时间差来计算距离的技术。其基本原理为:TOF 相机发射出经过调制的光信号(如连续波调制、脉冲调制等 ),这些光信号遇到场景中的物体后发生反射,被相机的传感器接收。由于光的传播速度是已知的(在真空中约为\(c = 3×10^8m/s\) ,在空气中也近似此值 ),根据发射光与反射光之间的时间延迟t,结合公式\(d = \frac{1}{2}ct\)(这里除以 2 是因为光走了发射到物体再反射回相机的往返路程 ),就能计算出
中杯可乐多加冰
1 天前
人工智能
·
深度学习
·
神经网络
·
aigc
·
powerpoint
·
ai赋能
【AI落地应用实战】AIGC赋能职场PPT汇报:从效率工具到辅助优化
在数字经济浪潮的驱动下,人工智能生成内容(AIGC)已不再是遥不可及的未来概念,而是深刻重塑现代职场生态的强大力量。它不仅优化了传统工作流程,更在数据驱动的决策制定、创新思维拓展以及个性化沟通等方面展现出前所未有的潜力。