深度学习

Coding茶水间

基于深度学习的水面垃圾检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的水面垃圾检测系统大家好，欢迎走进 Coding 茶水间。今天我们聊的是一个很贴近现实的应用——基于 YOLO 算法的水面垃圾检测系统。它的核心能力很直观：能判断水面是否存在垃圾，还能进一步分辨垃圾的具体类别，让监测工作变得更高效、更精细。

DAY44 简单 CNN首先说清楚：咱们今天学的 CNN（卷积神经网络），核心是让电脑像人一样 “看图片、找特征、认东西”，比如认手写数字、认猫狗。我会用「生活例子 + 极简代码 + 分步解释」的方式讲，保证零基础能懂，理解能力差也别怕，咱们一步一步来。

雍凉明月夜

深度学习网络笔记Ⅱ(常见网络分类1)在进行下述网络的类别特征的学习前我们首先复习一下常见的功能函数以及不同的类别函数使用的位置和领域是怎么样的。

【深度硬核】AI Infra 架构漫游指南写在前面：在 Transformer 统治世界的今天，当我们在谈论“训练大模型”时，我们究竟在谈论什么？绝大多数人看到的是 Python 代码中的 model.forward()，是 HuggingFace 上下载的权重文件。但在这一切之下，是一座由数万张 GPU、数千公里的光纤和 PB 级存储构建的精密“工厂”。

深度学习概念_随机梯度下降与 ADAM 的区别与联系公式化表达你希望清晰了解两者的核心差异、关联及公式表达，下面将从核心定义、公式、联系、区别四个维度展开，确保简洁明了。

搭建PyTorch深度学习GPU开发环境（含CUDA、PyTorch、Vision及Audio库）在开始安装之前，先简单了解即将安装的几个核心组件及其作用，这有助于理解整个安装流程的逻辑。它们之间的关系可以简单概括为：PyTorch是核心大脑，CUDA是让大脑能用上GPU力量的桥梁，而torchvision和torchaudio则是为特定任务配备的得力助手。

哥布林学者

吴恩达深度学习课程四：计算机视觉第三周：检测算法（四）YOLO 的完整传播过程此分类用于记录吴恩达深度学习课程的学习笔记。课程相关信息链接如下：本篇为第四课的第三周内容，3.9到3.10的内容，同时也是本周理论部分的最后一篇。

AI生成圣诞视觉图：从节日元素到创意落地的路径圣诞作为全球最具影响力的节日之一，其视觉表达在商业营销、品牌传播与社交互动中占据核心位置。从电商平台的促销海报到品牌的节日KV，从社交平台的祝福配图到线下活动的场景布置，高质量的圣诞视觉图能快速传递节日氛围，激发用户情感共鸣。

雍凉明月夜

深度学习网络笔记Ⅰ(CNN)网络学习本质：所有可训练的深度学习网络，不管结构多复杂、应用场景多不同，本质都是 “为了优化参数（W+b），找到输入数据到任务目标的‘更优映射关系’”—— 网络结构只是实现这个目标的 “适配性工具”。

对MNIST FASHION数据集训练的准确度的迭代提高C这段代码实现了一个结构严谨、功能完整的高精度MNIST分类模型，体现了现代卷积神经网络在工业界的成熟应用。以下从技术实现、模型架构、训练策略三个维度进行专业评价：

YOLO + MediaPipe 在PiscCode上解决多脸 Landmark 中「人脸数量固定」的问题在做人脸关键点（Landmark）时，很多人会选择 MediaPipe FaceLandmarker，原因很简单：

智驱力人工智能

从合规到习惯海上作业未穿救生衣AI识别系统的工程实践与体系价值未穿救生衣检测 AI救生衣状态识别边缘计算救生衣监测设备近期，多起海上作业人员落水伤亡事故调查报告均指出，“未按规定穿着救生衣”是导致悲剧后果的关键因素。在风浪、湿滑、移动的甲板环境下，这一基本安全规程的落实，长期依赖安全员的目视监督与人员的自觉性，存在巨大的监管盲区与瞬时风险。将基于视觉分析的海上作业未穿救生衣AI识别系统引入生产现场，绝非简单的“技术秀”，而是一项旨在重构海上作业安全行为管理体系、将“被动合规”转变为“主动防护”的严肃工程。本文将从项目落地的视角，探讨该系统的核心逻辑、实施挑战与超越警报的深层价值。

tangjunjun-owen

DINOv3 demo本文将介绍如何使用 ModelScope（魔搭）平台提供的 DINOv3 预训练模型，在本地进行批量图像特征提取，并输出可用于后续融合或蒸馏的特征向量。全程无需 Hugging Face 账号验证，直接加载本地或魔搭模型即可。

学习日记28：Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks为了设计快速的神经网络，许多工作一直专注于减少浮点运算(Flops)的数量。然而，由于频繁内存访问，对FLOPs的减少并不一定会导致类似水平的延迟减少。提出了一种新的部分卷积算法(PConv)，可以同时减少冗余计算和内存访问。在PConv的基础上，进一步提出了FasterNet，这是一种新的神经网络家族，在广泛的设备上获得了比其他网络更高的运行速度，而不会影响各种视觉任务的准确性。

你们补药再卷啦

识别手写数字（keras）1.自定义模型进行手写数字的识别例子2.直接用预训练模型识别图像3.迁移学习4.风格迁移1.识别手写数字 MNIST（自定义）

机器学习之心

贝叶斯优化Transformer-LSTM的模型结构图在进入模型之前，必须将原始数据转化为适合混合架构的格式。搭建我们在前一张图中看到的模型结构。这是贝叶斯优化的关键。你需要确定哪些参数对性能影响最大，例如：

Day44# DAY 44 预训练模型+CBAM 模块知识点回顾：1. resnet结构解析2. CBAM 放置位置的思考

weixin_40938312

强化lora训练后的用qwen训练的虚拟自己模型这次挺好数据总量300多条加了十几条正常对话聊天记录在300多条抽象qq空间数据加了十几条正常聊天记录现在像个人了 🎯 能力展示: ⚠️ 春节到了想说什么？， ˇ_ˇ 春节到了瞬间长大～ ⚠️ 朋友分享感情经历怎么回应？， =_＝每个感情经历都是一个里程碑～ ⚠️ 晚安晚安～

weixin_40938312

强化lora训练这次好点下次在训练数据增加正常对话🎯 能力展示: ⚠️ 春节到了想说什么？好的好的，祝大家春节快乐～ ⚠️ 朋友分享感情经历怎么回应？恩啊。。。。 ⚠️ 晚安晚安

动作识别9——TSN训练实验目录一、前言二、训练结果1：0.82142.1 损失曲线和top1准确率可视化2.2 测试验证集2.3 配置文件