深度学习标签_亚马逊云科技技术品牌专区

深度学习

湘美书院湘美谈教育：AI时代，湖湘文化教育人文沉思录

人工智能重塑教育，带来效率与便捷的同时，也悄然消解了求知的“笨拙过程”。它抹平困惑、填满留白，使思考外包、努力虚拟，导致“假性博学”与思辨力退化。真正的教育在于困顿中的体悟、独处里的成长、留白间的深耕。技术可助行，但不可代心。唯有善用工具而不失本心，方能在高效时代守住慢的智慧、留白的清醒，让千年文脉在科技浪潮中温润绵长。

湘美书院--湘美谈教育
13小时前

 97

 1

#人工智能 #深度学习 #机器学习 +2
【人工智能每日精选】会发光的 AI 芯片：我看到的多任务学习新路线

AI 提速省电不能只靠模型压缩，硬件也要参与学习。钙钛矿量子点突触阵列能同时输出电流 PSC 和发光 PSEL，让分类、回归、图像重建等任务共享训练路径。它最多减少 47.09% 训练轮次，并显著降低能耗，展示了多任务 AI 硬件的新方向。

2402_84593233
13小时前

 304

 7

#人工智能 #深度学习
深度学习数据增强有哪些常用方法？

水平翻转、随机旋转、平移、缩放、随机裁剪（分类里常用RandomResizedCrop）。亮度、对比度、饱和度、色相抖动，再加高斯噪声、高斯模糊、随机灰度。核心是模拟不同光照、不同相机、不同天气下的成像差异。先想清楚你的数据缺哪类样本——是缺光照变化、缺遮挡、还是缺角度，再针对性地加对应增强。做翻转、缩放、Mosaic时，边界框坐标必须同步变换，好在成熟框架都帮你处理好了，自己写dataset时千

 我真的很帅阿
13小时前

 42

#python #深度学习
【认识大模型】【一堂课厘清AI五大核心概念：从人工智能到大语言模型】流食般投喂

人工智能（Artificial Intelligence, AI）的本质是对人类智能的模拟。它不是单一的计算机学科，而是涉及统计学、脑神经科学、社会科学等多领域的交叉学科。简单来说，就是让机器变得“聪明”，能够完成原本只有人类才能做到的任务。大语言模型（Large Language Model, LLM）是人工智能领域的核心突破。它是一种通过海量文本训练而成、拥有巨量参数、能够理解和生成人类语言的

 dj_798
14小时前

 589

 9

#人工智能 #语言模型 #机器学习 +2
SpeechEmotionNet 基于声音的情绪识别系统的设计与实现

摘　　要随着人工智能技术的快速发展，语音情绪识别作为情感计算的重要分支，在心理健康监测、智能客服、人机交互等领域展现出广阔的应用前景。针对传统情绪识别系统部署复杂、功能单一、轻量化不足的问题，本文设计并实现了一套基于声音的 SpeechEmotionNet 情绪识别系统。系统采用前后端分离架构，前端基于Vue 3框架构建直观的交互界面，支持用户实时录音、音频上传、历史记录查询与数据可视化展示；后端

 千里码aicood
15小时前

 487

 2

#深度学习
python pytorch cnn vgg病虫害识别系统设计

摘要本研究设计并实现了一种基于深度学习的农作物病虫害智能识别系统，旨在解决传统人工识别效率低、成本高的问题。系统采用PyTorch框架构建改进的VGG16卷积神经网络模型，通过迁移学习技术在小规模农业数据集上完成模型训练，结合PyQt5开发图形用户界面实现图片上传、阈值调节和结果可视化功能。测试结果表明，系统对水稻稻瘟病、小麦蚜虫等10类常见病虫害的识别准确率达到85%，单张图片平均识别耗时4.2

千里码aicood
15小时前

 20

#深度学习
深度学习学习教程，从入门到精通，直面配分函数 — 完整知识点与代码实现(18）

本文系统阐述了能量模型中配分函数 $Z$ 的核心挑战及其应对策略。通过推导对数似然梯度，揭示其由“正相”（提升数据概率）与“负相”（降低模型生成样本概率）构成，而负相依赖于从难以采样的真实分布 $p_{\text{model}}$ 中采样。文中以一维能量模型为例，实现数值积分求 $Z$、有限差分验证梯度，并采用拒绝采样近似负相，直观展示了在无法显式计算 $Z$ 时，如何通过采样逼近梯度，为训练高维

 分享之家
15小时前

 29

#深度学习 #学习 #人工智能
95-基于深度学习的茶叶病害检测系统（yolo26、yolo12、yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集）2027毕业版

本项目基于PyQt5构建了简洁易用的图形用户界面，支持用户选择本地图片或视频进行目标检测。系统界面美观，交互流畅，具备良好的用户体验。项目附带完整的 Python 源码和详细的使用说明，适合学生进行学习或有一定 Python 基础的开发者，参考与二次开发。您可以在文末获取完整的代码资源文件。✨ 项目亮点🔧包括pyqt5界面、后台检测逻辑、模型加载等模块🧠源代码，支持个人添加改进、模型修改等🚀

Python_csdn_csdn
15小时前

 102

#深度学习 #python
94-基于深度学习的墙面裂缝检测识别系统（yolo26、yolo12、yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集）2027毕业版

本项目基于PyQt5构建了简洁易用的图形用户界面，支持用户选择本地图片或视频进行目标检测。系统界面美观，交互流畅，具备良好的用户体验。项目附带完整的 Python 源码和详细的使用说明，适合学生进行学习或有一定 Python 基础的开发者，参考与二次开发。您可以在文末获取完整的代码资源文件。✨ 项目亮点🔧包括pyqt5界面、后台检测逻辑、模型加载等模块🧠源代码，支持个人添加改进、模型修改等🚀

Python_csdn_csdn
15小时前

 197

#深度学习 #python
93-基于深度学习的施工工人安全穿戴识别系统（yolo26、yolo12、yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集）2027毕业版

本项目基于PyQt5构建了简洁易用的图形用户界面，支持用户选择本地图片或视频进行目标检测。系统界面美观，交互流畅，具备良好的用户体验。项目附带完整的 Python 源码和详细的使用说明，适合学生进行学习或有一定 Python 基础的开发者，参考与二次开发。您可以在文末获取完整的代码资源文件。✨ 项目亮点🔧包括pyqt5界面、后台检测逻辑、模型加载等模块🧠源代码，支持个人添加改进、模型修改等🚀

Python_csdn_csdn
15小时前

 112

 1

#深度学习 #python
92-基于深度学习的棉花病虫害检测识别系统（yolo26、yolo12、yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集）2027毕业版

本项目基于PyQt5构建了简洁易用的图形用户界面，支持用户选择本地图片或视频进行目标检测。系统界面美观，交互流畅，具备良好的用户体验。项目附带完整的 Python 源码和详细的使用说明，适合学生进行学习或有一定 Python 基础的开发者，参考与二次开发。您可以在文末获取完整的代码资源文件。✨ 项目亮点🔧包括pyqt5界面、后台检测逻辑、模型加载等模块🧠源代码，支持个人添加改进、模型修改等🚀

Python_csdn_csdn
15小时前

 461

#深度学习 #python
91-基于深度学习的井盖破损检测识别系统（yolo26、yolo12、yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集）2027毕业版

本项目基于PyQt5构建了简洁易用的图形用户界面，支持用户选择本地图片或视频进行目标检测。系统界面美观，交互流畅，具备良好的用户体验。项目附带完整的 Python 源码和详细的使用说明，适合学生进行学习或有一定 Python 基础的开发者，参考与二次开发。您可以在文末获取完整的代码资源文件。✨ 项目亮点🔧包括pyqt5界面、后台检测逻辑、模型加载等模块🧠源代码，支持个人添加改进、模型修改等🚀

Python_csdn_csdn
15小时前

 55

 1

#深度学习 #python
05-【2027毕设】YOLO11动物检测识别系统 - Python完整源码+PyQt5界面+训练模型+数据集

本系统围绕实用场景设计，涵盖以下核心功能模块：完整的功能演示和环境配置讲解，请参考下方视频资源。视频内容覆盖了安装部署、模型训练、结果评估及常见问题解答。05-基于YOLO12的动物检测识别系统项目实战！-全网最全资料（附赠任务书、开题报告模板课程）人工智能/深度学习/计算机视觉/神经网络05-基于深度学习的动物检测识别系统-yolo11-彩色版界面（附赠任务书、开题报告模板课程）05-基于深度学

 Python图像识别
15小时前

 30

#深度学习 #python
04-【2027毕设】YOLO11鸟类检测识别系统 - Python完整源码+PyQt5界面+训练模型+数据集

本系统围绕实用场景设计，涵盖以下核心功能模块：完整的功能演示和环境配置讲解，请参考下方视频资源。视频内容覆盖了安装部署、模型训练、结果评估及常见问题解答。04-基于YOLO12的鸟类检测识别系统项目实战！-全网最全资料（附赠任务书、开题报告模板课程）人工智能/深度学习/计算机视觉/神经网络04-基于深度学习的鸟类检测识别系统-yolo11-彩色版界面（附赠任务书、开题报告模板课程）04-基于深度学

 Python图像识别
15小时前

 34

#python #深度学习
03-【2027毕设】YOLO11钢铁缺陷检测系统 - Python完整源码+PyQt5界面+训练模型+数据集

本系统围绕实用场景设计，涵盖以下核心功能模块：完整的功能演示和环境配置讲解，请参考下方视频资源。视频内容覆盖了安装部署、模型训练、结果评估及常见问题解答。03-基于YOLO12的钢铁缺陷检测识别系统项目实战！-全网最全资料（附赠任务书、开题报告模板课程）人工智能/深度学习/计算机视觉/神经网络03-模型预测教程03-基于深度学习的钢铁缺陷检测识别系统-yolo11-彩色版界面（附赠任务书、开题报告

 Python图像识别
15小时前

 136

#深度学习 #python
106-基于深度学习的草莓成熟度检测识别系统（yolo26、yolo12、yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集）2027毕业版

本项目基于PyQt5构建了简洁易用的图形用户界面，支持用户选择本地图片或视频进行目标检测。系统界面美观，交互流畅，具备良好的用户体验。项目附带完整的 Python 源码和详细的使用说明，适合学生进行学习或有一定 Python 基础的开发者，参考与二次开发。您可以在文末获取完整的代码资源文件。✨ 项目亮点🔧包括pyqt5界面、后台检测逻辑、模型加载等模块🧠源代码，支持个人添加改进、模型修改等🚀

Python图像识别
15小时前

 52

 1

#深度学习 #python
大数据深度学习|计算机毕设项目|计算机毕设答辩|基于Python语言的测量程序设计

删除含有缺失值的整行，则是直接剔除那些存在缺失值的完整记录，在完成处理之后，系统须要显示出清理成果表，而且还要给出有关缺失值处理的一些统计数据，涵盖各个列缺失值的个数，所用填补值以及处理前后两者之间的差异等情况。的现代测量程序设计理论与操作体系，凭借它在科学计算，数据分析以及可视化方面的功能，创建起涵盖数据自动读取，预处理，平差计算一直到三维可视化显示的全过程模块，从而塑造起一个集数据收集，处理，

IT实战课堂小元酱
16小时前

 385

 1

#大数据 #深度学习
【深度学习】残差连接_解决深层网络梯度消失问题

神经网络不是简单地越深越好。层数变深后，信息和梯度要经过很长路径，训练可能变慢、变差，甚至出现“更深模型反而不如浅层模型”的退化现象

 倔强的石头_
16小时前

 1.1w

 39

#深度学习 #人工智能
深度学习入门：迁移学习与 ResNet

上一篇我们学习了模型保存与加载，以及学习率动态调整。在实际项目中，从零训练一个深度网络往往需要大量数据和算力，普通开发者很难做到。本篇我们将学习迁移学习——利用已经在大规模数据集上训练好的模型，快速应用到自己的任务上。同时介绍迁移学习中最常用的网络结构——ResNet（残差网络）。

2301_79882046
17小时前

 265

 2

#深度学习
GitHub AI4S 项目观察（2026-09-07—2026-09-13）

本期周报梳理2026年9月7日至13日GitHub上7个面向科学研究的人工智能开源项目，涵盖科研智能体、计算化学、材料发现、天气预测与科学计算。重点介绍科学数据库查询、分子对接、材料评测数据集、分子模拟、气象网格转换及微分方程求解等方面的更新，并说明各项目的核心功能、输入输出、适用场景与使用限制，为研究人员了解工具进展和选择科研方案提供参考。

Pu847044653
17小时前

 53

#人工智能 #机器学习 #深度学习
大语言模型技术 step by step 第3章机器学习与深度学习基础

强化学习（RL）研究智能体在与环境交互中通过奖励信号学习最优策略。其框架是马尔可夫决策过程（MDP）：智能体在状态sss采取动作aaa，环境返回奖励rrr和新状态s′s's′，智能体学习策略πa∣sπa∣s以最大化累积奖励。虽然预训练主要用自监督学习，但对齐阶段（RLHF，第13章）会用到强化学习：把语言模型视为策略，把人类偏好转化为奖励，用策略梯度方法优化模型。因此，理解强化学习的基本概念对第四

 cb_fox
17小时前

 82

 1

#语言模型 #人工智能 #神经网络 +3
【深度学习】RNN与LSTM_序列建模的前Transformer时代

在 Transformer 成为主流之前，RNN、LSTM、GRU 是处理文本、语音、时间序列的核心模型。它们的基本思想是按顺序读取输入，用隐藏状态把过去的信息传到未来。

倔强的石头_
18小时前

 1.4w

 46

#人工智能 #深度学习
《白话深度学习的数学》读书笔记 | 第5章实现神经网络

使用 Python 和 NumPy 从零实现神经网络。数据标准化可以加快收敛。超参数包括层数、单元数、学习率、轮数等。正向传播、反向传播、参数更新是训练的三个核心步骤。小批量梯度下降是标准训练方法。使用 MNIST 实现手写数字识别。卷积神经网络实现使用 im2col 和 col2im 变换。ReLU 和 softmax 是卷积神经网络常用函数。权重初始化很重要，He 初始化适合 ReLU。卷积神

 COCOgsta
1天前

 198

#算法 #深度学习 #神经网络 +2
深度学习中的调整学习率

本文系统讲解神经网络训练中学习率的重要性及其调整策略，包括固定学习率的局限性与动态调整的必要性。介绍了StepLR和ReduceLROnPlateau两种常用调度方法，前者按周期衰减，后者基于验证指标自适应调整。结合完整代码实现，涵盖数据集构建、图像增强、自定义Dataset、CNN模型设计及验证流程，全面展示从数据处理到模型训练的全流程，助力高效、稳定地训练深度学习模型。

yyk33324
1天前

 136

 2

#深度学习
基于深度学习的新能源车牌检测系统

本文提出一种基于YOLOv8的新能源车牌检测系统，结合PyQt5构建可视化界面，实现对图片、视频及实时视频流中新能源车牌的高效精准检测。通过LabelImg标注数据并转换为YOLO格式，训练模型后在多种场景下验证其性能。实验表明，该系统具备高检测精度与实时性，有效提升了交通管理智能化水平，具有良好的应用前景。

qq_1262330535
1天前

 107

#深度学习 #人工智能
基于深度学习的火焰火灾检测识别系统

本文提出一种基于YOLOv8的实时火焰识别系统，结合PySide6构建可视化GUI界面。通过LabelImg标注数据并转换为YOLO格式，训练高效精准的火焰检测模型。系统支持图像、视频及实时摄像头输入，具备目标定位、置信度显示与结果保存功能。实验表明，该系统在保证高准确率的同时实现快速推理，满足公共安全领域对火灾预警的实时性需求，为深度学习在安防应用提供了有效解决方案。

qq_1262330535
1天前

 120

 1

#深度学习 #人工智能
基于深度学习的骨科诊断系统设计

本研究基于YOLOv8深度学习模型，构建骨科X光片骨折自动检测系统。通过GRAZPEDWRI-DX数据集训练，结合LabelImg标注，实现对骨折及金属支架等目标的高精度定位与识别。系统在保持49FPS实时性基础上，将平均精确度提升至61.1%，骨折识别精确率达90%以上，显著优于YOLOv5。可视化界面直观展示检测结果，有效提升诊断效率与准确性，为临床提供快速、可靠的辅助诊断支持。

qq_1262330535
1天前

 428

 5

#人工智能 #深度学习
基于深度学习的吸烟检测系统设计与实现

本文提出一种基于YOLOv8的实时抽烟行为检测系统，结合PyQt5构建可视化界面，实现对图片、视频及摄像头流的高效检测。通过LabelImg标注数据并转换为YOLO格式，训练高精度模型，系统具备快速推理、多目标识别与结果保存功能。实验表明，该系统在准确率与实时性方面表现优异，可广泛应用于公共健康管理场景。

qq_1262330535
1天前

 228

 1

#深度学习 #人工智能
科研消融实验中的控制变量法：如何通过正交实验矩阵消除参数混淆

在深度学习消融实验（Ablation Study）中，最棘手的情况往往是**“多因素相互耦合（Factorial Confounding）”**：如果要对所有可能的组合进行全因子网格遍历（Full Factorial Grid Search），需要执行 $3^4 = 81$ 次全量训练，这需要耗费数十万 GPU 算力小时，在科研预算上是完全不可承受的。而如果只随意消融其中 2 个变体，又无法证明不

 雷帝木木
1天前

 48

 1

#python #机器学习 #深度学习 +1
梯度累加（Gradient Accumulation）在不同优化器下的数值等价性陷阱

在深度学习的工程世界里，魔鬼永远隐藏在最细微的代数缩放之中。看清梯度累加在不同优化器与算子层中的微观差异，严谨处理每一步的数学边界，才能在有限的显存资源中锻造出最稳健的模型引擎。

南屹川
1天前

 132

#AI #人工智能 #深度学习
错综复杂：六十四卦四元群变换在流形学习中的不变性嵌入

设任意卦象向量为 $x = (x_1, x_2, x_3, x_4, x_5, x_6)^T \in {0, 1}^6$。两千多年前的《周易》，在极其质朴的阴阳爻符号中，建立起了一套自洽的四元群几何流形。从“错综复杂”的古典哲思到现代群等变深度学习，人类对事物“在纷繁变化中探寻永恒不变量”的代数探索，在流形学习的高维空间中实现了最美妙的共振。

南屹川
1天前

 52

#AI #人工智能 #深度学习
高维语义空间中的多模态图文对齐过滤：CLIP Score 阈值敏感度消融

在多模态世界的探索中，对齐不是消除差异，而是在视觉与语言的鸿沟上架设最稳固的桥梁。掌握 CLIP Score 阈值的敏感度平衡，守住纯净与多样的黄金中线，才能为生成式人工智能注入最丰富深邃的想象力。

南屹川
1天前

 118

#AI #人工智能 #深度学习
视觉算法工程师面经3-EMA（指数移动平均）的核心原理

EMA（指数移动平均）是深度学习中广泛使用的平滑更新机制，其核心公式为 $v_t = \beta v_{t-1} + (1-\beta)\theta_t$，通过指数衰减历史数据权重，实现对新数据的渐进式融合。它具备三大优势：天然抗噪、极低显存开销（仅需存储前一状态）、自动遗忘过时信息。形象比喻如“熬百年老汤”，既保留历史底蕴又融入新鲜成分。$\beta$ 控制记忆窗口，常用于模型权重平滑、动量编码

 小小榜啊
1天前

 227

 1

#深度学习 #面试 #python +1
【深度学习入门】手把手实现 Word2Vec（CBOW）——从词向量到 Numpy 参数存取

本文从零讲解词向量的训练与保存全流程。先用 Numpy 演示 .npy / .npz 的保存与读取，这是深度学习中间产物落盘的基本功；再对比 One-hot 编码与分布式词向量，说明为何需要 Word2Vec。随后基于 PyTorch 实现 CBOW 模型：用上下文词预测中心词，经 Embedding 查表、向量平均、全连接与 log_softmax 输出，用 NLLLoss 训练。最后提取 Em

zx_74148481
1天前

 384

#深度学习 #word2vec #pytorch
基于深度学习的海底垃圾识别系统设计

本文提出一种基于YOLOv8与PyQt5的海底垃圾识别系统，通过深度学习实现高效精准的目标检测。系统集成图像导入、实时检测、结果可视化与数据保存功能，支持图片、视频及摄像头输入。利用LabelImg标注数据并转换为YOLO格式，经训练后在复杂水下环境中展现出高精度与快速响应能力。实验验证了系统在不同光照条件下的鲁棒性与实用性，为海洋环保提供了智能化解决方案。

qq_1262330535
1天前

 231

 4

#深度学习 #人工智能
深度学习入门：模型保存、加载与学习率调整

上一篇我们学习了数据预处理与自定义数据集，把图片数据组织成了 PyTorch 可以训练的格式。本篇我们将学习模型训练完成后的保存与加载，以及学习率动态调整策略。训练一个好的模型往往需要很长时间，把训练好的模型保存下来，下次直接加载使用，是实际项目中必不可少的环节。

2301_79882046
1天前

 418

 1

#深度学习
深度学习：PyTorch框架初识——MNIST手写数字识别

本文详细介绍了使用PyTorch从零搭建神经网络实现MNIST手写数字识别的全流程：涵盖环境配置（含CUDA安装）、数据加载与批处理、模型定义、激活函数选择（ReLU优势）、训练测试函数设计，以及损失函数与优化器配置。通过代码注解，完整演示了数据预处理、设备自动切换（GPU/CPU）、模型训练与评估全过程，适合深度学习初学者系统掌握PyTorch核心流程。

泡干脆面就番茄
1天前

 401

#深度学习 #python
深度学习中食物图像分类项目讲解

该代码实现20类食物图像分类闭环流程：通过train_test_file()生成标签索引，确保训练与测试标签一致；数据增强包括随机旋转、翻转、色彩调整及灰度转换，提升模型鲁棒性；自定义Dataset读取路径与标签，统一转为三通道RGB并标准化；CNN模型采用三层卷积+池化结构，最终展平分类；使用CrossEntropyLoss与Adam优化器训练，保存最优模型，并支持灰度图测试。

yyk33324
1天前

 90

 1

#深度学习
初识深度学习——迁移学习

本文基于PyTorch，使用预训练ResNet18模型实现食物分类任务，通过迁移学习技术显著提升小数据集下的分类性能。核心步骤包括：加载ImageNet预训练权重、冻结卷积层参数、替换全连接层为20类输出，并仅训练新层。结合数据增强与学习率调度，实现高效训练。该方法在参数量少、数据有限的情况下仍可获得高准确率，充分体现了迁移学习在图像分类中的优势。

棣廷
1天前

 338

 2

#深度学习 #迁移学习 #pytorch
初识深度学习——学习率调度与权重衰减

本文系统讲解了深度学习中学习率调度与权重衰减的核心技术。针对固定学习率导致训练后期停滞的问题，介绍了StepLR（周期衰减）和ReduceLROnPlateau（自适应调整）两种调度策略，实现训练初期快速下降、后期精细收敛。同时阐述了权重衰减（L2正则化）防止过拟合的原理与实现方法。通过完整代码演示，结合学习曲线可视化，对比分析不同策略的收敛速度、精度与稳定性，强调合理设置学习率调度与权重衰减对模

 棣廷
1天前

 338

 3

#深度学习 #人工智能
【人工智能技术丛书】《Keras实战：基于TensorFlow2.2的深度学习实践》

Keras是一个用Python编写的开源人工神经网络库，可以作为TensorFlow、CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。本书从初学者的角度出发，为读者构建一个完整的Keras技术体系。

Seal^_^
1天前

 247

#零售 #人工智能 #AI +1
大数据深度学习|计算机毕设项目|计算机毕设答辩|基于Python的加密恶意流量检测系统

加密流量在网络通信过程中经由加密算法对原始数据执行编码转换而生成的数据流，目的在于保障数据传送时的机密性与完整性，当下，主要的网络加密协议为安全套接层协议及其继承者传输层安全协议，SSL/TLS协议被全面运用在HTTPS，SMTPS，FTPS等安全服务当中，给上层应用创建起端到端的加密通道，它的工作流程大致包含握手机构，密钥交换阶段以及加密数据传送阶段，握手机构所交互的诸如协议版本，加密套件，证书

 IT实战课堂小元酱
1天前

 166

#大数据 #深度学习
【人工智能技术丛书】《TensorFlow+Keras自然语言处理实战》

神经网络是深度学习的核心内容，TensorFlow是现在最为流行的深度学习框架之一。本书使用TensorFlow 2.1作为自然语言处理实现的基本工具，引导深度学习的入门读者，从搭建环境开始，逐步深入到理论、代码、应用实践中去。

Seal^_^
1天前

 156

 2

#零售 #人工智能 #AI +1
02-深度学习：Conda虚拟环境配置与PyCharm使用笔记

做论文实验，优先复用同一个conda环境，不用为每个项目新建独立环境，节省硬盘空间，方便统一管理PyTorch版本。只有项目需要的PyTorch、CUDA版本差距很大时（例如一个需要torch1.8，另一个需要torch2.4），才单独新建conda环境。：环境文件不在项目文件夹内，统一集中管理。（virtualenv）：直接创建在当前项目文件夹里面，属于项目专属环境，适合纯Python轻量项目。

m0_74617191
1天前

 350

 2

#深度学习 #python
一图了解大模型是什么？附国内外知名大模型及240余家大模型清单！_什么是大模型

引申到模型层面，涌现能力指的是当模型的训练数据突破一定规模，模型突然涌现出之前小模型所没有的、意料之外的、能够综合分析和解决更深层次问题的复杂能力和特性，展现出类似人类的思维和智能。简而言之，大模型是指利用海量数据，通过先进的算法和技术，训练得到的具有强大预测和决策能力的模型。它们利用大算力、使用海量的开放数据与具有巨量参数的深度学习算法，在大规模无标注数据上进行训练，以寻找特征并发现规律，进而形

 IT职业领路人
1天前

 89

 1

#人工智能 #深度学习 #机器学习 +1
一文读懂大模型：从概念到应用，小白也能看懂的科普_大模型应用

提到“大模型”，很多人第一反应是“听起来很复杂”，其实拆解开来看，核心就是“大”和“模型”两个关键词。首先说名字：大模型的英文是“Large Model”，早期也叫“Foundation Model”（基础模型），但咱们平时说的“大模型”，其实是“人工智能预训练大模型”的简称——“预训练”是它的核心技术之一，后面会专门解释，这里先记住这个完整名字。更关键的是“分类”：现在大家口中的大模型，大多特指

 IT职业领路人
1天前

 240

 3

#人工智能 #深度学习 #机器学习
动手学深度学习 05 | 模型保存与最优模型筛选

本文详解深度学习中最优模型的保存策略，介绍两种主流方式：仅保存参数（state_dict）与保存完整模型（torch.jit.script），并结合手写数字识别实战演示训练过程中自动捕获最高测试准确率的模型。通过对比其优缺点，说明参数文件更轻量灵活，完整模型便于部署。代码实现训练时动态保存最佳模型，并展示加载与推理全流程，强调推理阶段需禁用梯度、启用评估模式，确保预测稳定可靠。

牧羊人.333
1天前

 164

 2

#深度学习 #人工智能
《理解深度学习》第17章变分自编码器读书笔记

隐变量模型（Latent Variable Model）假设观测数据xxx是由一些未观测到的隐变量zzz生成的。隐变量代表数据中未直接观测但对生成数据有影响的因素。观测数据xxx：像素值隐变量zzz：可能包括身份、表情、姿态、光照、年龄、性别等从先验分布pzp(z)pz中采样隐变量zzz从条件分布px∣zp(x|z)px∣z中采样观测数据xxxpx∫px∣zpzdzpx∫px∣zpzdz。

啊阿狸不会拉杆
1天前

 370

 2

#深度学习 #学习 #人工智能 +2