深度学习

深度学习——卷积神经网络CNN我们眼中的图像，在计算机世界里其实是一组有序排列的数字矩阵。对于黑白灰度图，每个像素的数值范围是 0-255，0 代表最暗的黑色，255 代表最亮的白色，整个图像就是一个二维矩阵。

人工智能培训

如何大幅降低大模型的训练和推理成本？大模型的训练与推理成本主要源于海量参数带来的算力消耗、存储开销和资源利用率低下等问题。要实现成本的大幅降低，需从模型本身、计算架构、训练流程、部署管理等多维度协同优化，在保证模型性能不显著下降的前提下，最大化资源利用效率。以下是经过产业实践验证的核心策略：

之之为知知

NLP进化史：一场「打补丁」的技术接力赛每一项新技术的诞生，都是因为旧技术"满足不了当下人类的欲望"。大家好，今天我们来聊聊**自然语言处理（NLP）**这个领域是怎么一步步走到今天ChatGPT时代的。

基于多尺度深度卷积增强的YOLO11公共区域发传单违规行为检测系统（2026年力作）摘要：针对公共区域发传单违规行为检测中小目标易漏检和复杂场景下检测精度不足的问题，提出了一种基于改进 YOLOv11 的智能检测方法。该方法通过引入 P2 高分辨率特征层增强小目标感知能力，并结合多尺度深度卷积注意力模块（MSDA）与高效通道注意力机制（ECA），提升特征表达与关键特征响应能力。实验结果表明，改进模型在自建数据集上取得 99.5% 的 mAP@50 和 95.6% 的 mAP@50:0.95，较基线模型提升 1.1 个百分点，在保证实时性的同时显著提高了检测精度。

拆解 Transformer 的灵魂：全景解析 Attention 家族 (Self, Cross, Masked & GQA)作者： Duang777 标签： Deep Learning Transformer LLM Internals PyTorch

对两种不同AI范式——Transformer 和 LSTM 进行解剖和对比这不仅仅是两个模型的比较，更是两种AI范式的对话。1. LSTM：门控的精密流动 LSTM像一个带有精密控制阀的水库系统，其核心在于 “门” 对信息流的调控：

【2026原创】水稻植物病害识别系统~Python+深度学习+人工智能+resnet50算法+TensorFlow+图像识别水稻植物病害识别系统是一个基于深度学习的Web应用平台，旨在为农业生产提供智能化的病害诊断服务。系统采用前后端分离架构，后端使用Flask框架构建RESTful API，集成TensorFlow深度学习框架和ResNet50卷积神经网络模型，能够精准识别水稻的四种常见病害：细菌性枯萎病、稻瘟病、褐斑病和东格鲁病毒病。系统具备用户管理、身份认证、图像识别、历史记录查询和公告管理等核心功能，采用JWT令牌机制实现安全认证，数据库进行数据持久化存储。通过友好的Web界面，农户或农业技术人员只需上传水稻叶片图像，

超分辨率重建（论文精读） | CVPR 2025 LSRNA：利用隐空间超分与噪声对齐，打破扩散模型生成 4K 图像的效率瓶颈论文标题：Latent Space Super-Resolution for Higher-Resolution Image Generation with Diffusion Models

基于CNN实现Mnist手写数字识别MNIST（Modified National Institute of Standards and Technology database）是一个大型的手写数字数据库，广泛用于训练和测试图像处理系统。它包含了从0到9的共10个类别的灰度手写数字图像。

抠头专注python环境配置

2026终极诊断指南：解决Windows PyTorch GPU安装失败，从迷茫到确定目录免责声明：这不是一篇传统教程 (熟手请全部跳过)第一部分：5分钟自我诊断系统（90%的问题可在此定位）

英伟达CES 2026炸场：没有新显卡，却掏出了让全球AI公司彻夜难眠的“算力核弹”英伟达在CES 2026上抛出一系列重磅炸弹，直接宣告了AI算力工厂时代的到来。没有游戏显卡的更新，却有一场彻底改变AI产业格局的技术革命。

2026最新视频压缩技术全景概述：AV2临近定稿、VVC加速落地、神经网络编码正在改写带宽成本目录第1章为什么“最新视频压缩”不再只是换个编码器那么简单第2章传统通用编码路线的“最新答案”：H.266/VVC为什么被认为是HEVC之后的最大跃迁

如何用10%的标注数据，达到可媲美全监督模型的性能？AAAI 2026论文揭秘BCSI三大创新设计随着人工智能在医学影像分析领域的深入应用，精确的图像分割已成为计算机辅助诊断、手术规划和疗效评估的关键技术。然而，高质量医学图像的标注不仅成本高昂，还需要顶级专家的专业知识，这一“数据困境”长期制约着深度学习模型在医疗领域的落地应用。

【深度学习】基于YOLO11的数字仪表识别与分类实现_HAFB_1该数字仪表数据集是一个用于计算机视觉目标检测任务的专业数据集，包含了353张经过预处理的数字仪表图像。数据集采用YOLOv8格式进行标注，主要针对数字仪表上的数字识别任务，共包含7个类别：‘0’、‘2’、‘3’、‘4’、‘7’、‘9’和’number’。每张图像在预处理阶段都经过了自动方向调整（包括EXIF方向信息剥离）并统一缩放至640x640像素尺寸，采用拉伸方式保持图像内容完整性。值得注意的是，该数据集未应用任何图像增强技术，保留了原始图像的特征。数据集按照训练集、验证集和测试集进行了划分，适用于开

使用 LoRA 对 Llama 基础模型进行指令微调 (SFT)实验目标：本实验演示使用 PEFT (Parameter-Efficient Fine-Tuning) 库的 LoRA (Low-Rank Adaptation) 技术，对 Llama 架构的基础模型 (unsloth/tinyllama) 进行指令微调 (SFT)。

【机器学习】深度学习推荐系统（二十六）：X 推荐算法多模型融合机制详解X（原 Twitter）的推荐系统使用了 15 个机器学习模型来预测用户对不同推文的参与度。这些模型分别预测不同的用户行为（如点赞、回复、转发等），然后通过加权融合的方式组合成一个最终分数用于排序。本文将深入解析这个多模型融合的完整机制。

【嵌入式 C 语言实战】手动实现字符串四大核心函数（strcpy/strcat/strlen/strcmp）大家好，我是学嵌入式的小杨同学。在嵌入式开发中，字符串处理是高频核心需求，而 C 语言标准库中的strcpy、strcat、strlen、strcmp是字符串处理的四大基石。今天我们不依赖标准库，手动实现这四个函数，深入理解其底层逻辑，同时修正代码中的小问题，掌握嵌入式场景下字符串处理的核心技巧。

Transformer讲解分词就是直接用分词器，分好的一个词就是一个token。实际生产中会将多个句子打包一起处理，这个时候会转化为同等维度的矩阵（token数需要一样），但分词之后的语句token数并不一样，此时分词数不够的会在末尾补全padding（对应于多维中的0）

噜～噜～噜～

损失曲线（loss surface）的个人理解作为损失曲线的笔记用于创新点的查找与查找与查找。原文来自：Online-LoRA: Task-free Online Continual Learning via Low Rank Adaptation 这个方法似乎不是该论文首次提出的，但是我是通过该论文总结的。

基于深度学习的泳池溺水行为检测算法设计随着公共泳池和水上娱乐场所的普及，溺水事故已成为威胁人身安全的重要隐患之一。传统的人工监控方式依赖救生员的主观判断，存在疲劳、漏判和反应延迟等问题。近年来，深度学习与计算机视觉技术的快速发展，为泳池溺水行为的自动检测与预警提供了新的解决思路。