深度学习

一碗白开水一

【论文阅读】Denoising Diffusion Probabilistic Models (DDPM)详细解析及公式推导使用扩散概率模型（一类受非平衡热力学启发的潜变量模型）展示了高质量的图像合成结果。作者最佳的结果是通过在加权变分界上进行训练获得的，该界是根据扩散概率模型与带朗之万动力学的去噪分数匹配之间的新型联系设计的，并且作者的模型自然地支持一种渐进式有损解压方案，这可以被解释为自回归解码的推广。在无条件 CIFAR10 数据集上，作者获得了 9.46 的 Inception 分数和 3.17 的最先进 FID 分数。在 256x256 的 LSUN 数据集上，作者获得了与 ProgressiveGAN 相似的样本质

AI模型训练有哪些关键步骤与必备工具？从概念到可运行的智能模型ChatGPT、图像生成器以及其他人工智能（AI）工具，正日益融入校园、职场乃至个人设备的日常。但你是否好奇过，它们到底是怎么运作的？

深度学习中 z-score 标准化理解在深度学习中，z-score（标准分数）是核心的数据预处理工具，用于将数据标准化为「均值 = 0、标准差 = 1」的分布，本质是衡量单个数据点相对于数据集整体的偏离程度。它不仅能提升模型训练效率（如加速收敛、避免梯度消失），还能消除特征量纲差异带来的影响（比如 “身高（cm）” 和 “体重（kg）” 无法直接比较的问题）。

挥手点亮圣诞：AI 3D 魔法树教程临近圣诞节，大家都在思考如何让今年更有仪式感：搞一棵圣诞树，还是干脆上一张滤镜海报？但如果你想让节日过得更「有科技味儿」，今年有个更酷的选择——一棵能听懂你手势、会展示你的照片、还能随你指挥聚散旋转的「3D Christmas Tree」。这个由 moleculemmeng020425 打造的项目，用 React 与 Three.js（R3F）构建出一棵由粒子、灯光和影像组成的立体圣诞树；加上 AI 手势识别，只需张开手，就能让整棵树炸裂成漫天粒子，握拳又能瞬间重组，左右挥手更能让视角跟着你变化，交互感

基于深度学习的人脸识别考勤系统设计与实现在当今数字化时代，人工智能技术正深刻改变着各行各业，教育领域也不例外。传统的考勤管理方式，如手动点名或刷卡签到，不仅效率低下，还容易出错，难以适应大规模、快节奏的教学环境。为此，我们推出了基于深度学习的人脸识别考勤系统，这是一个专为教育场景设计的智能化解决方案，结合了先进的人工智能算法与实用的管理功能，旨在提升考勤效率、优化教育资源分配。本资源包含完整的源码和论文，是计算机科学、软件工程等专业本科毕业设计的理想选择，帮助您快速掌握人工智能应用开发的核心技能。

深大团队UNeMo框架：让机器人学会“预判”，效率提升40%仅用30%的参数规模，就能在陌生环境中实现72.5%的导航成功率，这个新框架正在重新定义视觉-语言导航的智能边界。

【计算机科学与应用】预训练语言模型在日文文本难易度自动分类中的应用在日语教学过程中，选择难易度合适的日文文本作为教学材料有利于提高日语学习者的学习兴趣及效率。日语具有词汇量大、语法复杂等特征，对文本难易度分类提出了挑战。本文尝试采用多种基于神经网络的日语预训练语言模型，通过收集历年日本语能力测试真题以及模拟题作为数据集以训练日文文本难易度自动分类模型。实验结果表明，预训练语言模型在日文文本难易度自动分类任务上能够表现出较好的性能。基于预训练语言模型的日文文本难易度自动分类方法将为计算机辅助日语学习系统以及电子化教材开发等提供有力的技术保障。

木棉知行者

【第2篇】RuntimeError： nms_impl： implementation for device cuda：0 not found.使用MMDetection训练框架时，可能会遇到一个常见的错误：RuntimeError: nms_impl: implementation for device cuda:0 not found.这个错误通常发生在尝试CUDA设备上运行非极大抑制NMS操作时，系统无法找到对应的CUDA实现。具体表现为：

基于深度学习的网络流量异常检测系统本项目旨在构建一个基于深度学习的高效网络流量异常检测系统。系统采用 B/S 架构，前后端分离设计。后端基于 Django 框架，前端采用 Vue 3 + Element Plus。核心检测引擎利用 PyTorch 构建深度学习模型（MLP 和 1D-CNN），能够对网络流量数据进行实时或离线分析，精准识别良性流量及多种类型的网络攻击（如 DoS, PortScan, Web Attack 等）。

Day 36 MLP神经网络的训练pytorch和cuda的安装有很多教程，这里就不多赘述了。采用交叉熵损失 + Adam 优化器。训练前先把模型和数据移动到同一设备，随后在循环中维护损失、准确率列表。

Ubuntu22.04 5080配置深度学习环境废话不多说，我直接上配置首先是Ubuntu22.04的系统，5080的显卡，目前(2025年12月11日)只能用最新的cuda128的版本，太低都不能用。然后用mamba创建python3.11的环境涉及到的torch和torchvision以及torchaudio版本如下所示一定要注意，torchvision版本一定要比torch版本晚一天或者两天，在同一天都不行下面是相关的链接

【自然语言处理】应用01：情感分析及数据集【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈PyTorch深度学习 ⌋ ⌋ ⌋ 深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据分析、科学探索等领域都取得了很多成果。本专栏介绍基于PyTorch的深度学习算法实现

云霄星乖乖的果冻

02预备知识——李沐《动手学深度学习》个人笔记创建连续整数的行向量：x = torch.arange(12) # tensor([0, 1, 2, ..., 11]) 全0张量：zeros_tensor = torch.zeros((2, 3, 4)) 全1张量：ones_tensor = torch.ones((2, 3, 4)) 随机正态分布：randn_tensor = torch.randn(3, 4) # 均值为0，标准差为1 从列表创建：custom_tensor = torch.tensor([[2, 1, 4, 3], [1, 2,

机器学习超参数调优：十个实用的贝叶斯优化（Bayesian Optimization）进阶技巧贝叶斯优化（Bayesian Optimization, BO）虽然是超参数调优的利器，但在实际落地中往往会出现收敛慢、计算开销大等问题。很多时候直接“裸跑”标准库里的 BO，效果甚至不如多跑几次 Random Search。

非著名架构师

嵌入业务的“气象智能芯片”：能源与金融企业如何将AI气象组件化为运营核心？能源与金融企业面临的双重困境：数据孤岛与决策延迟气象数据停留在专业部门，无法实时触达交易员、调度员、投资经理

微算法科技（NASDAQ MLGO）采用混合深度学习赋能区块链：打造智慧城市安全新范式随着智慧城市建设的不断推进，物联网设备大量接入，各类数据呈爆发式增长，同时区块链技术也被广泛应用于保障数据的可信性与安全性。然而，智慧城市面临的安全威胁日益复杂，传统的安全防护手段逐渐难以满足需求。微算法科技（NASDAQ MLGO）引入混合深度学习算法，将人工智能与区块链深度融合，提升整体安全性。这种方法源于深度学习在模式识别领域的强大能力，与区块链的去中心化特性相结合，形成新型防护体系，适应智慧城市的高并发和高风险场景。

⭐ 深度学习入门体系（第 2 篇）：为什么神经网络一定需要激活函数？这是整个深度学习体系里最容易被忽略、但也最关键的概念之一。如果你真正理解了“为什么激活函数是必须的”，你对神经网络的理解水平会立即提升一个层级。

解码器详解（训练过程）前文介绍：前面我们以及介绍了自然语言序列输入到模型中进行的词嵌入和位置编码的数据变化过程，编码器的结构和数据流动过程，本文在前文的基础上继续接着介绍解码器中的数据流动过程和解码器结构，阅读本文前最好参考前文：词嵌入和位置编码（超详细+图解）https://blog.csdn.net/Drise_/article/details/155502880?fromshare=blogdetail&sharetype=blogdetail&sharerId=155502880&sharerefer=PC&share

VibeVoice-Realtime TTS重构实时语音体验；覆盖9大真实场景，WenetSpeech-Chuan让模型听懂川话公共资源速递5 个公共数据集：* VOccl3D 三维人体遮挡视频数据集* Spatial-SSRL-81k 空间感知自监督数据集

【推荐系统】深度学习训练框架（十六）：模型并行——推荐系统的TorchRec和大语言模型的FSDP(Fully Sharded Data Parallel)TorchRec是PyTorch的领域库，专为大规模推荐系统设计。其核心是解决超大规模嵌入表在多GPU/多节点上的高效训练问题。