深度学习

深度学习之CNN卷积层详解摘要卷积神经网络（Convolutional Neural Network，CNN）是深度学习中最具影响力的网络架构之一，广泛应用于图像识别、目标检测、语义分割等领域。卷积层作为CNN的核心组件，承担着特征提取的关键任务。本文从卷积运算的数学原理出发，详细讲解卷积核、滑动窗口、步长、填充等核心概念，探讨通道与滤波器的运作机制，阐述局部连接与权重共享的物理意义，并结合PyTorch框架提供完整的代码示例。通过本文，读者能够深入理解卷积层的工作原理，掌握其在实际项目中的使用方法。

AI医影跨模态组学

EBioMedicine美国佐治亚理工学院与埃默里大学：基于深度学习的放射组学与病理学多模态融合预测HPV相关口咽鳞状细胞癌预后01文献信息本次分享的文献是由佐治亚理工学院和埃默里大学华莱士·H·库尔特生物医学工程系Anant Madabhushi教授团队联合美国克利夫兰医学中心、埃默里大学医院、爱荷华大学霍尔顿综合癌症中心、南京信息工程大学人工智能医学学院（中国）等12家机构2025年3月在柳叶刀子刊《eBioMedicine》（中科院1区，IF=10.8）上发表的研究“Deep learning informed multimodal fusion of radiology and pathology to predict o

人工智能培训

大模型与传统小模型、传统NLP模型的核心差异解析随着人工智能技术的爆发式发展，大模型已成为推动AI普及的核心力量，与传统小模型、传统NLP模型形成了鲜明的能力分野。很多人误以为三者的区别仅在于“参数多少”，实则不然——从技术架构、训练方式到能力边界、应用场景，大模型实现了对传统模型的全方位突破，三者如同AI领域的“全能学者”“专科医生”与“基础工具”，各自承担着不同的角色。本文将从五大核心维度，系统解析三者的差异，帮助我们更清晰地理解AI技术的发展脉络。

大模型部署工具对比如果要做公司级医疗 VLM 服务，用 Ollama 当核心推理后端是不专业的；如果只是本地跑 Qwen2.5-VL 看图、做 demo，用 vLLM/SGLang 又可能是过度工程。

项目九：异步高性能爬虫与数据采集中枢 —— 基于 Crawl＜sub＞4＜/sub＞AI 与 Playwright 的现代化数据采集平台项目总览阅读导航：这篇文章很长，但我们把它拆成了五个层层递进的模块。建议你先快速浏览 9.1 的架构全景图，建立"地图感"，再跟着 9.2→9.5 的路径，一步步钻进每个子系统的内部。如果你只有 10 分钟，直接跳到 9.1.1 和 9.4.4，看完这两节，你就掌握了这套系统的灵魂。

torchtitan-npu：在昇腾集群上训练大模型训练一个大模型需要同时管理三件事：把模型切成多块分到不同 NPU 上、在每块 NPU 上高效执行前向和反向、在 NPU 之间同步梯度。PyTorch 生态里做这件事通常有两个方案——PyTorch 原生的 DistributedDataParallel（DDP）或 Megatron-LM 的模型并行策略。

大模型最新论文速读

PreFT：只在 prefill 时使用 LoRA，推理速度翻倍效果不降LLM 挂载多个 LoRA 时面临严重的显存开销问题，导致吞吐量低下。如果仅在 prefill 阶段使用 adapter，可实现质量几乎不降的前提下推理速度翻倍

128K长序列数据生成

Transformer 核心模块详解：多头注意力、前馈网络与词嵌入Transformer 是现代大语言模型的基石，而多头注意力（MultiHeadAttention）、前馈网络（FFN）和词嵌入（Embedding）是其最核心的三个组件。本文从原理到代码，逐层拆解这三个模块，并提供 Python（PyTorch）和 C++（LibTorch）实现，附带完整的复杂度分析。

面向智慧牧场的牛行为识别数据集分享（适用于YOLO系列深度学习分类检测任务）在现代智慧农业（Smart Agriculture）中，牲畜行为识别是提高养殖效率与动物健康监测的重要环节。牛作为主要的经济牲畜之一，其行为变化往往直接反映健康状态与生产潜力。通过智能化的行为监测，牧场管理者可以及时发现牛群的健康问题，优化饲养策略，提高养殖效益。

Project_Observer

使用Zoho Projects AI自动项目管理项目管理工具中基于人工智能的功能正在改变团队规划、组织和执行项目的方式，使流程更快、更智能、更高效。人工智能有助于自动化重复性任务，例如任务创建、日程安排、提醒、状态更新和报告生成，从而使团队能够更专注于战略性和创造性工作。基于人工智能的项目管理工具正变得越来越积极主动，它们可以帮助团队预测挑战、提高生产力、增强准确性，并根据其特定的业务需求更有效地管理项目。

晚霞的不甘

CANN-ATB加速库：Transformer推理性能密码第一次在昇腾上跑大模型推理的朋友，往往会被这个结果砸懵：同样的模型，PyTorch 在 A100 上跑 2000 tokens/s，到昇腾上只有 800 tokens/s。这不科学啊，昇腾 910 的纸面算力比 A100 还高出一截。问题出在哪里？答案是：没用 ATB 加速库。

人月神话-Lee

【图像处理】卷积原理与卷积核——图像处理的核心引擎模糊、锐化、边缘检测、浮雕…… 这些看起来完全不同的效果，底层都是同一个操作：卷积。理解了卷积，你就掌握了图像处理最核心的工具。

迁移学习的"最小调参模块"用最少的代码、最少的训练时间，撬动预训练模型的强大能力。迁移学习的核心思想：把一个在大数据集上已经学好的模型，拿来解决你自己的小任务。

AI医影跨模态组学

NPJ Precis Oncol 青岛大学附属医院放射科王鹤翔：基于CT的可解释深度学习模型预测膀胱癌患者总生存期的多中心研究01文献信息本次分享的文献是由青岛大学附属医院放射科王鹤翔、泌尿外科牛海涛联合广东省人民医院、中山大学附属第六医院和山东省立医院等团队近日（2025年8月16日）在《npj Precision Oncology》（中科院1区，IF=8.0）上发表的研究“An interpretable CT-based deep learning model for predicting overall survival in patients with bladder cancer: a multicenter stu

Black蜡笔小新

企业AI算力工作站/深度学习推理工作站DLTM零代码私有化重塑智慧农业AI模型训练体系在智慧农业加速普及的今天，AI大模型正成为驱动农业生产管理升级的核心引擎。但农业场景数据分散、技术门槛高、数据安全难保障等痛点，始终制约着AI技术从“示范试点”走向“规模化普及”。

【UniT论文阅读】：用统一物理语言打通人类与人形机器人的知识壁垒想象一下：你花了1000小时教你的人形机器人拿杯子，结果换个杯子它就不会了；而人类小孩看一眼别人拿杯子，自己就能学会。这就是当前人形机器人最大的痛点：数据太少了。

CANN神经网络算子库`ops-nn`：昇腾NPU上Matmul与激活函数的底层逻辑之前有朋友问我，PyTorch 里的 F.relu(x) 调到昇腾 NPU 上，底层到底发生了什么？我翻了一下 ops-nn 的源码和近期提交记录，发现这个问题的答案比想象中更有意思，也更复杂。