深度学习

图神经网络分享系列-HAN(Heterogeneous Graph Attention Network)(二)目录一、概览1、整体架构2、数据集说明（本篇以acm为例）二、主函数1、超参数2、激活函数3、模型4、加载数据集

我要学好英语

概率法则——贝叶斯定理系统不确定性源自有限的数据集大小，随着数据集增多，系统可以更好的预测新样本的类别。随机不确定性源自噪声，即使数据集无限大，也无法达到完美的准确率。从源头减小这种不确定性的方法是收集不同类型的数据。图（a）y(x1,x2)=sin(2πx1)sin(2πx2)y(x_1,x_2)=sin(2πx_1)sin(2πx_2)y(x1,x2)=sin(2πx1)sin(2πx2)的曲线图，并加入了高斯噪声；（b）100个数据点，位观测到x2x_2x2的图示，数据点看上去杂乱无章，显然噪声很大；（c）同样是100个

剑穗挂着新流苏312

202_深度学习的动力源泉：矩阵微积分与自动求导 (Autograd)在深度学习中，我们不仅仅是对单个变量求导，而是对整个向量或矩阵求导。理解梯度（Gradient）如何在高维空间中流动，是掌握反向传播算法的关键。

香芋超新星

深度学习优化器演进笔记：从SGD到AdamAdam = Momentum（一阶矩） + RMSProp（二阶矩） + 偏差修正。完整算法流程一句话总结：SGD负责“走”，Momentum负责“冲”，RMSProp负责“稳”，而Adam则是“又快又稳”的智能导航。

高维问题如何“降维计算”：矩阵映射、卷积与拆分汇总你在课程里提到一个很重要的工程化思想：这篇把它整理成一条可复述的主线，重点放在：先说明一个常见误解：高维问题通常有两个特点：

人工智能研究所

字节开源 DeerFlow 2.0——登顶 GitHub Trending 1，让 AI 可做任何事情打开 deerflow 的官网，瞬间被首页的这段文字震撼到了，do anything with deerflow。让 agent 做任何事情，这让我同时想到了 openclaw 刚上线时场景。

万里鹏程转瞬至

为什么早期线性注意力没有成为主流大模型方案？线性注意力机制（Linear Attention）是针对标准注意力机制（Softmax Attention）平方复杂度瓶颈提出的优化方案，核心目标是将注意力计算复杂度从标准注意力的O(N²d)（N为序列长度，d为特征维度）降至O(Nd²)，通过数学结构优化，在保证一定表达能力的前提下，大幅提升长序列场景下的计算效率和显存利用率，适用于需要实时处理、长序列建模的场景（如4K视频处理、DNA序列分析等）。

Research in Brain-inspired Computing [9]-球机器人研究【2】球机器人研究系列将记录我在类脑计算中的一些有趣发现和让人惊讶的故事。今天晚上我只是和平常一样继续训练这3个小机器人，把程序改了改，本来打算让它走得更快一点，或者可以跑起来。没想到它居然学会了跳跃（从来没有教过它跳跃，也没有训练过它跳跃，它这纯属是灵感来了哈），虽然是狗趴式滚动。但确实是一个有趣发现，有时候我真得怀疑它的类脑神经系统是不是真得培养出了某种意识，按照哲学的角度，意识就是认识世界和改造世界，具有主观能动性，意识产生于物质世界。

这张生成的图像能检测吗

（论文速读）TDANN：用于轴承故障诊断的三域对抗神经网络论文题目：A triple domain adversarial neural network for bearing fault diagnosis（用于轴承故障诊断的三域对抗神经网络）

人脸眼部特征检测数据集（千张图片已划分、已标注）适用于YOLO系列深度学习分类检测任务链接:https://pan.baidu.com/s/1MTUtaRKLhEY8RqLIx3d65A?pwd=8gw5

Python后端开发之旅（五）——DLPyTorch 的核心优势是 “像写普通 Python 代码一样构建神经网络”。它的动态图机制（每一步操作实时执行）让调试变得极其简单——你不需要像 TensorFlow 1.x 那样先定义完整计算图再运行。我们从数据处理到模型部署逐步拆解。

我要学好英语

概率密度——分布、期望、方差和协方差加和法则：p(x)=∫p(x,y)dyp(x)=∫p(x,y)dyp(x)=∫p(x,y)dy乘积法则：p(x,y)=p(y∣x)p(x)p(x,y)=p(y|x)p(x)p(x,y)=p(y∣x)p(x)贝叶斯定理：p(y∣x)=p(x∣y)p(y)p(x)p(y|x)=\frac{p(x|y)p(y)}{p(x)}p(y∣x)=p(x)p(x∣y)p(y)其中，分母p(x)=∫p(x∣y)p(y)dyp(x)=∫p(x|y)p(y)dyp(x)=∫p(x∣y)p(y)dy

放下华子我只抽RuiKe5

深度学习 - 01 - NLP自然语言处理基础📖 导读：这是NLP学习的第一天，掌握文本处理的基础能力。💡 代码解析：Day01主要学习了：

程序员转行学习 AI 大模型：模型微调｜附清晰概念分类本文是程序员转行学习AI大模型的第16个核心知识点笔记，附清晰业务流程示例。当前阶段：还在学习知识点，由点及面，从 0 到 1 搭建 AI 大模型知识体系中。系列更新，关注我，后续会持续记录分享转行经历～

PyTorch实战（39）——使用Captum解释深度学习模型我们已经学习了如何使用 PyTorch 解释深度学习模型，现代机器学习提供了更高效的方法来解释模型预测行为，无需直接处理海量参数。在本节中，我们将使用 Captum 工具包——这是一个专为 PyTorch 设计的模型可解释性工具库，仅需少量代码即可解析模型决策逻辑。通过本节学习，将掌握解构深度学习模型内部运作的关键技能。以这种方式深入了解模型有助于理解模型的预测行为逻辑。运用本节的实践经验，能够使用 Captum 解读自定义的深度学习模型。

卖报的大地主

视觉生成底层技术发展脉络与研究图谱近年来，视觉生成模型研究重心已从GAN/VAE等对抗／编码框架，转向以扩散模型和流／输运为基础的生成方法。扩散/score-based方法将生成视为逐步去噪的过程，可通过随机微分方程（SDE）从简单噪声分布重构复杂图像分布【3†L55-L64】，已经在无条件与条件图像生成上取得破纪录的效果；与此同时，基于流匹配（Flow Matching）与Schrödinger桥（Diffusion Schrödinger Bridge）的新范式，将生成看作最优输运或确定性ODE流动问题【9†L53-L62】【5†L6

星河耀银海

3D效果：HTML5 WebGL结合AI实现智能3D场景渲染📝 本章学习目标：本章聚焦高级主题，帮助读者掌握工程化开发能力。通过本章学习，你将全面掌握"3D效果：HTML5 WebGL结合AI实现智能3D场景渲染"这一核心主题。

CUDA索引越界问题（Compile with `TORCH_USE_CUDA_DSA` to enable device-side assertions）一年以来，主要从事了时空模型的研究。去年6月份发布了一篇文章也是关于CUDA索引越界问题的博客，只不过报错的信息不一样。这次是Compile with `TORCH_USE_CUDA_DSA` to enable device-side assertions。上网搜索了一下，发现有很多人遇到这样的问题。但是原因不一，让我意识到这个错误的复杂性。

这张生成的图像能检测吗

（论文速读）TCN：序列建模不一定需要 RNN论文题目：An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling（用于序列建模的通用卷积和循环网络的经验评价）

科学创新前沿

物理信息神经网络：从数据驱动到物理嵌入的科学计算新范式!重塑科学计算：PINN的降维打击！https://mp.weixin.qq.com/s/9kzj2coz_Zmw1xjPP5tIhA点击此链接查看详情！