深度学习

调查研究-151 Slack vs Jira：区别、使用指南与团队选择方法很多人第一次接触 Slack 和 Jira 时，会把它们都理解成"协作工具"。这个理解不算错，但不够准确。

z小猫不吃鱼

05 Transformer Encoder 详解：BERT 为什么使用 Encoder？在前面的文章中，我们已经讲过 Transformer 的整体结构、Self-Attention 的计算过程，以及 GPT 为什么选择 Transformer Decoder。我们知道，原始 Transformer 由 Encoder 和 Decoder 两部分组成：

钓了猫的鱼儿

基于深度学习+AI的卷心菜目标检测与预警系统（Python源码+数据集+UI可视化界面+YOLOv11训练结果）传统卷心菜目标检测与生长监测依赖人工巡查、现场抽样、肉眼判断与手工记录，受人力成本高、巡检覆盖范围有限、主观判断偏差大、复杂田间环境适配性差、密集种植区域监测难度大、夜间及恶劣天气无法正常作业、微小病虫害症状易遗漏、成熟度判断不精准等因素制约，难以实现对’cabbage’（卷心菜）单一类别目标、多场景的全天时、全天候、全区域精准检测与实时预警，而AI智能分析技术可依靠深度学习算法自动挖掘卷心菜的外形特征、生长规律、形态变化与环境关联信息，精准捕捉卷心菜不同生长阶段（幼苗期、莲座期、结球期）的尺寸差异、外形

汽车仪器仪表相关领域

南华 NHA-604/605 汽车排放气体测试仪：国六b全适配高精度便携检测设备南华 NHA-604/605 汽车排放气体测试仪：国六b全适配高精度便携检测设备作为国内机动车尾气检测领域标杆设备，南华NHA-604、NHA-605双系列气体分析仪，是专为国六b排放标准落地打造的新一代便携式排放检测设备。设备严格遵循GB 18285-2018、HJ 1237-2021国家级检测标准，主打高精度检测、便携移动式作业、智能化数据管理两大核心优势，精准覆盖机动车检测站合规年审、汽修厂维修复检、环保路检执法、车企研发测试、高校教学实验等全场景。两款机型分级定位、互补适配，兼顾入门性价比与实验室

Remote Sensing 29个SITS基准数据集综述:多模态遥感分类的新起点论文标题：Benchmark Datasets for Satellite Image Time Series Classification: A Review

华为云Flexus+DeepSeek征文｜基于华为云Flexus X实例 + Dify + DeepSeek 构建企业级智能知识库问答系统实战大模型时代呼啸而至，企业最迫切的需求是什么？不是简单地调用一个API玩聊天机器人，而是将企业沉睡多年的私域数据与LLM的推理能力深度结合，构建真正能用的智能知识库问答系统。

语音识别：隐马尔可夫模型、深度学习与序列转导语音识别的核心问题是：给定声学观测序列 O=(o1,o2,…,oT)O = (o_1, o_2, \dots, o_T)O=(o1,o2,…,oT)，找到最可能的词序列 W∗=(w1,w2,…,wM)W^* = (w_1, w_2, \dots, w_M)W∗=(w1,w2,…,wM)。

铁路障碍物目标检测数据集分享（适用于YOLO系列深度学习分类检测任务）在计算机视觉技术不断发展的今天，目标检测与实例分割技术已经广泛应用于交通安全、工业检测、智慧城市以及智能巡检等多个领域。其中，铁路作为国家重要的基础交通设施，其安全稳定运行对于社会经济发展具有极其重要的意义。随着高铁网络的不断扩展和铁路运输量的持续增长，铁路安全问题日益受到关注。

万粉变现经纪人

2026最新CSDN博客质量分v6.0深度解读：从评分机制到80+实战提分指南📌 写在前面：你是否遇到过这些困惑——熬夜写的技术干货质量分只有65，而随手记录的笔记却上了80？为什么明明字数很多、代码很全，分数却始终在70分徘徊？本文基于 CSDN 博客质量分 v6.0（2026年6月生效）官方规则，不仅深度拆解四大评分维度的底层逻辑，更首次揭秘分数计算机制，并附赠从60分冲刺90+的实战优化案例。建议收藏，写博客时对照使用。

【建模先锋】

独家原创！基于特征—时间双图注意力与BiGRU全局注意力并行融合的高创新预测模型单步预测-风速预测模型代码全家桶-CSDN博客半天入门！锂电池剩余寿命预测（Python）-CSDN博客

8. 模型如何读写数据（Tokenizer 与 Token）大模型并不能直接理解：模型真正处理的是：数字（IDs）因此：所有文本都必须先转换成 Token（分词）。

【SAMv1】 The “Segment Anything” Revolution in Computer Vision为什么一个 632M 参数的模型能在 23 个没见过的数据集上零样本超越有监督方法？为什么 Meta 要花重金标 11 亿个掩码？这篇文章试图用工程师的语言回答这些问题。

统计学习方法第五章：从浅入深解析决策树决策树（Decision Tree）是机器学习中最经典、最具解释性的模型之一，也是理解更高级集成模型（如随机森林、XGBoost）的绝对基石。

【无标题】很好，Python 3.8.5 完全够用（第一天不需要更高版本）。接下来继续第一天剩余的任务：在 base 环境里安装必需的库，并成功跑通第一个本地大模型。

人月神话-Lee

【图像处理】vImage/Accelerate——SIMD 让 CPU 也能飞GPU 是并行之王，但它不是唯一的选择。 CPU 的 SIMD 单元在正确的场景下，可以让代码快 8–16 倍——而且不需要离开 Swift。

weixin_46846685

通义千问核心能力与实战表现深度评测最近在项目里接手了一个新任务，需要为内部工具链集成一个大语言模型来辅助开发和内容生成。面对市面上层出不穷的模型版本，尤其是那些标榜着庞大参数量的新面孔，很多开发者和我一样，第一反应往往是既期待又困惑：参数多了到底意味着什么？是单纯的数字游戏，还是真的能带来质的飞跃？在实际落地前，我们最关心的无非是它能不能听懂人话、代码写得靠不靠谱、长文档读得明不明白，以及在高压环境下会不会“掉链子”。

《神经网络与深度学习》学习笔记（三）：Transformer 模型Transformer 由 6 大部分串联组成：整体结构：输入嵌入 → 编码器 → 解码器 → 线性层 → Softmax 输出概率

陈天伟教授

图解人工智能（37）人工智能应用-车牌识别传统方法利用图像处理算法做边缘检测和车牌定位，不需要模型训练，但容易受到光照等各种因素的影响，不够鲁棒。这种方法适合在地库等保证环境条件的地方使用。

深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识（下篇）欢迎大家关注Rocky的知乎：Rocky Ding AIGC算法工程师/开发工程师面试面经秘籍分享：WeThinkIn/Interview-for-Algorithm-Engineer欢迎大家Star～