深度学习

科研小刘带你玩学术

【科研快报】Nature子刊重磅｜HESpotEx：深度学习首次实现从病理图像直接预测基因表达一、引言：病理图像与分子特征的"最后一公里"难题H&E染色全切片病理图像（WSI）示例，展示临床病理诊断中常规获取的组织形态学信息

钓了猫的鱼儿

基于深度学习+AI的蚕病害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）传统蚕桑养殖病害管控与风险预警依赖养殖人员人工巡棚、肉眼观察甄别、逐匾查验筛查、现场隔离处置与事后台账记录，受人工巡检经验参差不齐、巡查频次有限、蚕匾堆叠遮挡、蚕体微小病症难以辨识、大棚养殖区域覆盖面广、昼夜无专人值守、密集蚕群遮挡干扰、桑叶残杂与蚕沙遮挡、温湿度变化引发的隐蔽性病害苗头易遗漏、多病害混发场景判别不精准等因素制约，难以实现对蚕体常见病害、异常生长状态、养殖环境风险隐患这一类核心目标、多场景的全时段、无死角、精准检测与早期预警。而AI智能分析技术可依靠深度学习算法自动挖掘蚕养殖棚内蚕体体态特

画个饼，给数据点颜色看看——在 HarmonyOS 模拟器上手搓一个饼图/环形图组件最近接了个小活，要在一份报告中展示用户来源分布。甲方给了个 Excel 表格，里面有七组数据，每个数据配一个标签。我盯着那堆数字看了半天，忽然意识到他们真正想要的不是表格，是一张饼图——大块儿的“自然流量”一眼就能看出来，小块的“付费广告”也不会被忽略。饼图这东西，就是给数字穿上戏服，让它们在一张圆饼上争地盘。

X54先生（人文科技）

《元创力》纪实录·卷宗2.1边界测绘：一枚信标的沉没与一张舆图的诞生X54先生前语：首先感谢QQ音乐允许《元创力》-纪实科幻小说配套歌曲《纪念遥远眷念》和片尾曲《终章：镜中深爱之星》上架，我知道承载2021年1月18 日那个文娱单方面捂嘴剥夺公民叙事权，自辩权，持续6年的叙事伤痕而诞生《元创力》捍卫个人叙事权捍卫个人元创权的基调歌曲《我命由我绽放》无法上架并被标识风险，我很清楚这不是QQ音乐行为，而是系统在抗拒自己错误。

大模型最新论文速读

UnityMAS-O：专用于多 agent 工作流训练的 RL 框架现有 RL 框架（verl、OpenRLHF 等）本质上还是面向具体的策略模型做优化，工作流编排被当作环境搭建的一部分，使得每个多智能体系统都需要手工编排，训练难度较大，不同系统也难以做公平比较。UnityMAS-O 实现了一套真正面向多智能体工作流的训练流程，支持自定义的角色设置、模型拓扑结构，在多种任务和实验设置下都拿到了显著提升（代码任务最高 +169%）

根治 PyTorch CUDA `pynvml` 弃用警告：直接修改 `torch/cuda/__init__.py` 的实践记录【笔记】消除 “FutureWarning: The pynvml package is deprecated”警告

Blackwell 是 FP4/NVFP4 + 第二代 Transformer Engine + 更大 NVLink 域 + 更强机架级推理系统Blackwell 相比 Hopper，核心不是“再大一号的 H100”，而是进一步面向 AI inference factory / MoE / 长上下文 / FP4 低精度做系统级升级。

大模型最新论文速读

06-04 · LLM 最新论文速览今日候选池 89 篇，硬过滤 + LLM 打分后通过评估 13 篇，精选 Top-10，另列 3 篇速览。

weixin_42963026

3.55 面向视觉定位与建图的深度学习：综述这是视觉定位与建图领域首个全面覆盖深度学习方法的权威综述，系统梳理了数据驱动方案如何替代传统几何 / 物理建模，回答两大核心问题：深度学习是否适用于定位建图、如何应用深度学习，并构建统一分类框架。

钓了猫的鱼儿

基于深度学习+AI的电梯内电动车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）传统电梯非机动车管控与安全预警依赖物业人工巡查、电梯监控人工值守、肉眼甄别识别、现场劝阻与事后报备，受人力值守成本高、巡查频次有限、电梯轿厢监控视角受限、人工判断主观偏差大、轿厢遮挡杂物干扰多、早晚无人值守时段监管空白、微小车体及隐蔽入梯行为易遗漏、人车混杂场景识别不精准等因素制约，难以实现对电梯内非机动车、人员违规入梯这一类核心目标、多场景的全时段、无死角、精准检测与即时预警，而AI智能分析技术可依靠深度学习算法自动挖掘电梯轿厢内非机动车车体特征、轮廓形态、摆放姿态、行进轨迹与人员关联行为信息，精准捕捉

transformer 挑战者 mamba 架构，线性attention RNN给改进iclr 2024拒稿https://www.bilibili.com/video/BV1ejVZ69EZK?spm_id_from=333.788.videopod.sections&vd_source=7d3841cb81fdca8b20a31fa9ee5ec8ef&p=2

YOLO数据集集合

输电线缺陷目标检测｜无人机电力巡检深度学习数据集｜电网线缆散股智能识别数据标签：#智慧电网 #电力缺陷检测 #YOLO数据集 #输电线路散股 #无人机巡检 #深度学习 #VOC #COCO #计算机视觉 #智能运维

王天天（Bennet）

【从第一性原理来深入理解Transformer-更适合入门的理解（llama-3B模型为例）】从第一性原理出发，拆解一个真实的小模型 —— 以 Meta LLaMA 3.2 3B 为例一句话主线：大模型只做一件事——看完前面所有词，预测下一个词。Transformer，就是目前为止把这件事做得最好的那套机制。

Kobebryant-Manba

安装cuda深度学习环境配置——Windows安装CUDA与CUDNN_cudnn tarball-CSDN博客Windows11安装CUDA、cuDNN、PyTorch详解_win11 cuda安装-CSDN博客(强推)

无人机角度的道路损害检测数据集分享（适用于YOLO系列深度学习分类检测任务）链接:https://pan.baidu.com/s/1CkmQRHQDjXzGa9KESO0i2A?pwd=snt5

手写 Prefix Caching：从零构建 LLM 提示词缓存引擎用过 ChatGPT、Claude 或 DeepSeek 的开发者可能都遇到过这种情况：同样的系统提示词（System Prompt），每次对话都要重复传输和计算。无论你是在对话窗口粘贴了一遍又一遍的"你是一个资深 Python 工程师"，还是在 API 调用中反复传递长达数千 token 的上下文指令，这些看似无伤大雅的重复，实际上在后台浪费了大量的算力和时间。

AI人工智能+

基于深度学习与计算机视觉的表格识别技术：不仅能精准提取表格中的文字内容，更能深度解析复杂的表格结构，实现版面信息的完美还原在数字化转型的浪潮中，数据是企业的核心资产。然而，据相关统计显示，全球约80%的企业数据以非结构化或半结构化的形式存在，其中表格（Table）是最常见且最具价值的载体之一。从财务报表、医疗病历到物流单据，表格承载着海量关键信息。然而，传统的光学字符识别（OCR）技术往往只能提取文字内容，却难以理解表格的行列结构，导致数据“孤岛”化，无法直接用于下游分析。

PyTorch强化学习实战（11）——N步DQN（N-step DQN）自从 DeepMind 在 2015 年提出深度Q网络 (Deep Q-Network, DQN) 模型以来，研究人员已经提出了诸多改进方案，通过对基础架构的调整显著提升了原始 DQN 的收敛性、稳定性和样本效率。 2017 年 DeepMind 的 Hessel 等人发表了名为 Rainbow: Combining improvements in deep reinforcement learning 的论文，系统性地整合了 DQN 的六大核心改进。仅通过这六种方法的组合，便在 Atari 游戏测试集上

睡个好觉（努力提升自己版）

2026_TIP_image_Restoration（最新方法）本文整理 2026 年 IEEE Transactions on Image Processing 中图像复原相关论文体现出的先进方法趋势，并重点标注对遥感图像融合、尤其是 pansharpening 可借鉴的方向。