登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了基于AI遥感技术的自然灾害智能解译方法，重点针对洪涝、滑坡、火灾三大灾害的自动识别与评估需求。针对灾害区域纹理杂乱、边界模糊、样本稀缺等挑战，提出多特征融合的轻量化Transformer分割模型，结合光谱指数增强和纹理特征提取技术，实现灾害区域的精准分割。文章详细阐述了从数据预处理到模型训练、灾害识别、矢量输出的全流程解决方案，并提供了可运行的Python代码示例，包括通用分割模型架构和
本文介绍无人机地表多类别语义分割数据集，配套分割模型训练、推理、可视化全流程代码，开箱即用，快速落地国土/农业/环保低空智能解译系统。
摘要 本期专栏聚焦农业遥感AI技术，针对耕地与作物识别的行业痛点，提出双分支网络解决方案。方案通过地块分割与作物分类双任务协同，融合时序、纹理、光谱特征，有效解决裸地与耕地混淆、地块粘连、作物错分等核心难题。关键技术包括边界感知U-Net优化、干扰剔除模块和批量后处理，支持耕地精准提取、非农干扰自动剔除、多作物分类及批量制图。代码提供完整模型架构与干扰净化实现，可适配全国不同地貌的耕地监测需求，满
支持向量机(SVM)是 90 年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。在这次课程设计中，我用到了 MATLAB 的 GUI 编程，学习了 SVM 支持向量机这个机器学习算法，深入学习了划分超平面，目标函数学习的对偶算法，核函数软间隔与正则化这些概念
本文通过Fashion-MNIST数据集实验，研究图像分类模型在颜色分布变化下的泛化能力。实验使用二值化黑白图像训练，测试时采用随机彩色背景+前景的OOD测试集，对比随机森林、CNN及颜色随机化增强CNN的性能。结果显示传统方法在颜色偏移下准确率显著下降，而颜色增强策略能有效提升模型对未见颜色的适应性。实验设计严格控制变量，重点关注颜色单一因素的泛化影响，为OOD问题提供了简洁有效的分析框架。核心
本文介绍了百度飞桨PaddleSeg推出的轻量化语义分割模型PP-LiteSeg及其应用实践。该模型通过SPPM简易金字塔池化、UAFM注意力特征融合和FLD轻量级解码三大创新模块，在保持精度的同时显著提升了推理速度，适合移动端和实时场景。文章详细讲解了从环境搭建、数据集制作到模型训练、评估、部署的全流程，包括代码示例和调优技巧。PP-LiteSeg相比传统分割模型具有参数量低、速度快、部署友好等
在 AMD Radeon Cloud 的 ROCm 单卡环境上，用 LoRA 对 Gemma 4 做情绪分类微调。单卡 17 分钟跑完 1 轮，准确率从 0.625 提升到 0.915，Macro F1 从 0.4824 提升到 0.8645。本文记录完整调优过程与结果分析。
本文分享了作者通过改进CNN网络结构，将晶圆缺陷分类准确率从78%提升至94%的实战经验。文章分析了传统图像处理方法在晶圆缺陷检测中的局限性，特别是对不规则缺陷（如划痕、微粒污染）识别率低的问题。作者提出了三阶段优化方案：1）数据增强扩充样本量；2）引入CBAM注意力机制优化网络结构；3）采用FocalLoss重点处理困难样本。实验证明该方法显著提升了分类准确率，同时保持了15ms的实时推理速度。
原 Demo 基于 Gemma4 做 6 分类情绪识别，本次仅改动数据集相关代码，将任务替换为电商评论 5 星级情感分类，复用整套 LoRA 训练、评估代码，验证微调框架通用性。AMD ROCm 云环境，预装好 PyTorch、trl、peft、modelscope 等大模型微调依赖，使用 Gemma 4 E4B-it 基座模型做 LoRA 微调。3）数据划分逻辑保持不变，训练、验证、测试集截断复
今天分享一篇 **字节跳动·大模型应用算法(实习)** 的面经。整场聊了两个小时,从 Agent 的长短期记忆怎么设计,到 RAG 的每个环节为什么这么做,再到 asyncio、HyDE、SGLang vs vLLM,面试官一路追问到底,问得很细。这位同学把题目基本都还原出来了,我做了补充和校对,分享给正在准备大模型岗的你。
部署服务的时候其他都跟旧的一样，只不过多加一个--task=classify。旧镜像需要更新vllm。
本文聊聊 LLama-Factory，它是一个开源框架，这里头可以找到一系列预制的组件和模板，让你不用从零开始，就能训练出自己的语言模型（微调）。不管是聊天机器人，还是文章生成器，甚至是问答系统，都能搞定。而且，LLama-Factory 还支持多种框架和数据集，这意味着你可以根据项目需求灵活选择，把精力集中在真正重要的事情上——创造价值。使用LLama-Factory，常见的就是训练LoRA模型
本文介绍了使用LLaMA Factory进行微调的步骤，包括环境搭建、数据准备、参数配置、训练和效果评估等，最终成功微调模型并使用Ollama部署，提升了模型表现，达到了预期的效果。有一点感受是跟之前接触的安全实验不太一样：大多数的安全实验都是我打了这个Payload，就一定会出现确定的结果，不管是弹计算器还是反弹Shell，一切都是确定的。而大模型的训练往往充满了玄学成分，可能需要多实验几次才知
train.py。
