登录社区云，与社区用户共同成长
邀请您加入社区
传统的垃圾分类主要依赖人工判断，效率低下且容易出错。随着深度学习技术的发展，我们可以使用迁移学习快速构建垃圾分类模型。本项目完整展示了从需求界定到模型部署的AI项目周期，通过迁移学习，成功构建了一个高准确率的垃圾分类识别系统。在实际应用中，可以根据具体需求扩展功能，如收集更多数据、模型优化、实际应用部署等
本文提出了一种基于迁移学习和可解释时频分析的滚动轴承故障诊断方法。首先通过短时傅里叶变换将振动信号转换为时频图像，并采用动态阈值增强故障特征；然后利用预训练的VGG16网络进行迁移学习，在CWRU轴承数据集上实现10种健康状态的高精度识别。为增强模型可信度，引入Grad-CAM热力图可视化决策依据，并设计Faithfulness指标量化解释忠实性。结合故障机理知识和大语言模型自动生成诊断报告，在检
摘要： aivectormemory是一款轻量级开源工具，通过MCP协议为AI助手提供长期记忆功能，解决开发者面临的三大痛点：记忆断层、RAG方案过重和Token成本压力。该工具基于Python开发，支持本地化存储和智能语义检索，无需复杂部署即可实现历史对话的精准调用。用户仅需简单配置即可与Claude Desktop等客户端集成，适用于个人知识管理和项目协作场景。其核心优势在于轻量化设计、隐私保
这里我们需要注意的就是前面我们保存最优模型时用的是全连接而不是cnn这里我们也要保持一致，由于这里都是函数需要调用所以我们只需要改动主函数中的使用就行了，如果我们使用的是cnn那么这里就要调用的是cnn函数，前后是要保持一致的。此外model写在了优化器后面，调度器前面，这里我们使用的调度器是StepLR，比较方便。我们在训练循环最后加上这两行就是保存训练结束后最后一个模型，可以在后续预测的时候调
1.背景介绍图像识别是人工智能领域中的一个重要研究方向，它旨在通过计算机视觉技术来识别图像中的对象、场景和特征。随着深度学习技术的发展，图像识别的表现力得到了显著提高。在这篇文章中，我们将讨论如何通过transfer learning(迁移学习)来进一步提高图像识别的性能。transfer learning是一种机器学习方法，它允许我们在已经训练好的模型上进行进一步训练，以解决与原始任务相...
迁移学习是一种机器学习方法，其核心思想是将在一个设定（如源领域）中学习到的知识，应用于另一个相关设定（如目标领域）中，以改善目标领域学习任务的泛化能力2。更具体地说，迁移学习利用数据、任务或模型之间的相似性，将在旧领域学习过的模型应用于新领域，是一种重要的学习思想和模式3。
常用的方法是固定底层的参数，调整一些顶层或具体层的参数。这样做的好处是可以减少训练参数的数量，同时也有助于克服过拟合现象的发生。此外预先训练的网络参数也会被更新，但会使用较小的学习率以防止预先训练好的参数发生较大的改变。
深度学习中的迁移学习：如何利用现有模型加速训练？在人工智能的领域，深度学习无疑是一个颇具吸引力的研究方向。然而，深度学习模型训练往往需要大量的数据和计算资源，这对许多个人开发者和小型企业来说都是一笔不小的负担。幸运的是，迁移学习的出现为这一问题提供了有效的解决方案。🤖什么是迁移学习？简单来说，迁移学习是指将一个任务上学到的知识迁移到另一个相关任务上。通过利用已有的模型，开发者能够在较小的数据集上
本文旨在为开发者和AI从业者提供一套完整的迁移学习实践指南，帮助他们在资源受限的环境下构建高性能的AI原生应用。我们将重点讨论如何将大型模型的知识有效迁移到小型模型中，以及如何优化推理流程。文章首先介绍迁移学习的核心概念，然后深入探讨其在提升推理能力方面的具体应用，接着通过实际案例展示实现方法，最后讨论未来发展趋势。迁移学习：将从一个任务中学到的知识应用到另一个相关任务中的机器学习方法AI原生应用
从智能助手自动订机票、写方案，到AI Agent 化身 “数字员工” 完成报告撰写、数据分析全流程，掌握大模型技能的人，正在拉开和同龄人的效率鸿沟。，不仅讲解理论知识，更结合 2025 年最火的 AI Agent、多模态应用等热点，带你掌握最新技术趋势，学的每一招都是职场刚需。从硬件选型到云端部署，从开源模型微调到手写神经网络，老师全程实操演示，让你拥有自己的专属大模型，真正把技术握在手里。因此，
2026年AI人才缺口巨大，高薪岗位等你来！ 随着人工智能行业的迅猛发展，AI人才需求激增，大厂如字节、阿里、腾讯为AI人才提供月薪3万-6万的高薪待遇，部分岗位年薪超50万。然而，市场竞争激烈，想要脱颖而出，需掌握核心技术。唐宇迪老师的《人工智能深度学习涨薪就业班》 专为求职者设计，覆盖计算机视觉、大模型开发等前沿技术，提供200+实战案例、30+应用场景，对标大厂P7+水平，助力学员快速入行、
深度强化学习算法：DDPG TD3 SAC实验环境：机器人MuJoCo本文针对在 MuJoCo 的 HalfCheetah-v2 环境中实现的四种深度强化学习算法进行全面分析，包括 A3C、DDPG、SAC 和 TD3。这些算法代表了现代深度强化学习在连续控制任务中的主要技术路线。
AI原生应用（如智能医疗助手、法律文书分析工具）需要精准识别垂直领域的实体（如“糖尿病”“合同条款”），但直接训练模型需大量标注数据（通常需数万条），而真实场景中企业或开发者往往只有几百条标注样本。本文聚焦“迁移学习”这一技术，帮助你用“借通用模型的力”解决垂直领域实体识别的难题，覆盖从概念理解到实战落地的全流程。本文先通过“学骑自行车→学骑电动车”的生活案例引出迁移学习；再拆解实体识别、迁移学习
与LeNet有相同之处，也有很多区别；比如适用大尺寸的图像所以使用11X11这种大尺寸的卷积核使用Relu激活函数，对比tanh/sigmoid激活函数，训练更快且避免梯度消失dropout随机使得一些神经元失活防止过拟合(用在全连接层)LRN局部归一化：正则项，防止过拟合# input_size还必须是元组，使用列表就会报错，，，，AlexNet中使用了dropout，resnet丢弃dropo
随着人工智能技术的快速发展，AI Agent在各个领域得到了广泛的应用，如智能客服、自动驾驶、游戏竞技等。然而，每个领域都有其独特的特点和数据分布，传统的机器学习方法需要在每个新领域重新训练模型，这不仅耗费大量的时间和资源，而且在数据稀缺的情况下难以取得良好的效果。迁移学习的出现为解决这一问题提供了有效的途径。本文的目的是深入研究迁移学习在AI Agent领域适应中的应用，探讨如何利用迁移学习技术
本文提出了一种面向低成本智能相框的轻量化AI视频生成方案，通过多模态LLM将音频直接转换为连贯的说话视频。核心创新包括：1）3.7B参数时空LLM架构，采用ST-RoPE位置编码实现稳定口型；2）交叉LoRA蒸馏技术，使小模型达到接近14B大模型的表现；3）端侧全INT8优化，在RK3588芯片上实现280ms首帧延迟和25fps稳定输出。最终模型体积仅692MB，口型误差1.9mm，支持45°侧
大家好，这是我的专题《AI颠覆人类倒计时：普通人自救指南》系列文章之一。前期有几篇关于dify agent中如何使用多个不同的MCP工具让Agent具备多种不同的技能。那么，应该如何实现呢？分为如下三个步骤：\1. dify工作流发布为工具\2. 安装配置MCP服务器插件，并完成工具配置\3. 获取MCP链接进行调用先前的文章中，我们使用dify和DeepSeek创建过不少的工作流，此处我们可以选
笔者按：最近接了一个项目，要把别人训练的YOLOv7-tiny模型，移植到华为Atlas平台，利用Ascend昇腾NPU做推理，同时实现了python和c++的应用。由于笔者是第一次接触华为这个平台，移植过程中还是踩了不少坑的，这里开一篇文章，介绍整个移植的流程、踩过的坑和debug的思路。整个项目大约花费了我2周时间，这是在我有一定的python、c++和工程经验的基础上。另外当然生成式AI在这
摘要：本文介绍如何构建生产级AIAgent办公自动化系统，基于ReAct框架和函数调用技术，实现自主操作ERP、邮件处理、报表生成等功能。系统包含任务规划、工具调用、记忆管理等核心模块，通过Python实现。在真实企业场景中，日均处理200+工单，准确率达94%，比传统RPA灵活度提升5倍。文章详细解析了技术架构、工具定义、错误处理等关键技术，并展示了物流企业案例的实际效果。同时提出了API成本控
迁移学习的研究正在经历从方法层面的拓展，到理论体系的重构。无论是与大模型、多模态、联邦计算的结合，还是因果推断与元学习的引入，都显示出迁移学习不再是局部技术问题，而是与智能系统未来密切相关的核心议题。它不仅影响人工智能的研究路径，也将在金融、工业、教育等领域发挥决定性作用。
ES节点退役和数据迁移
在深入探讨了自然语言处理(NLP)领域中情感分析的高级技术，特别是BERT模型的原理与应用后，我们理解了BERT如何通过预训练和微调来捕捉文本的复杂语义，从而实现更准确的情感分类。BERT的双向编码特性，使其能够根据上下文理解单词的多义性，这是传统NLP模型难以做到的。此外，我们还学习了如何使用Hugging Face的Transformers库来加载预训练的BERT模型，以及如何准备数据和微调模
原“云闪智能”平台提供两类SDK：一是闪验认证，提供一键登录和本机检验能力。二是实人认证，包括活体检测SDK、人像比对SDK、身份证OCR。因产品业务规划调整，原云闪智能平台 实人认证 SDK（所有版本）将于 2024 年 7 月 30 日下架暂停服务。为确保您的相关生产业务不受影响，请尽快将原实人认证 SDK 更新替换成创蓝云智平台实人认证 SDK。
迁移学习作为深度学习领域的重要技术，通过利用预训练模型在新任务上进行微调和特征提取，有效解决了数据不足和计算资源有限的问题。本文基于PyTorch框架，详细探讨了迁移学习的核心方法，包括模型微调和特征提取的实践技巧。在模型微调部分，介绍了如何选择预训练模型、冻结与解冻层、调整模型结构、定义损失函数和优化器，以及数据集的准备与预处理。通过花卉分类任务的案例，展示了模型微调的实际应用效果。在特征提取部
打开vscode Ctrl+shift+P 找到python：选择解释器 找到虚拟环境 就可以开始使用。再根据需求安装别的包就好了。（根据论文代码的environment.txt文件下载）省略一些安装过程anaconda和cuda，这些可以找别的博客去看很全面。打开anaconda prompt（管理者模式）激活虚拟环境。跑新代码就重新建立一个环境。
透视变换透视变换是一种图像处理技术，用于将二维平面上的图像或物体映射到三维空间中。它通过改变图像的视角和投影来创建一个具有透视效果的图像。透视变换通常用于计算机图像形态学和计算机视觉领域，用于实现图像的透视效果立体视觉图像校正等应用。它可以模拟人眼在观察远景时的透视效果，使得远处的物体看起来比近处的物体小，同时使得平行线在远处会相交的视觉效果。透视变换的实现通常需要通过计算图像中各点在三维空间中的
本文系统分析了迁移学习与预训练两个概念的区别与联系。迁移学习是一种学习范式，强调知识从源任务向目标任务的迁移；预训练是一种训练策略，强调在大规模数据上学习通用表示。二者虽有本质区别，但在实践中常协同使用：预训练提供通用特征表示，迁移学习使模型快速适应特定任务。这种结合在计算机视觉、自然语言处理等领域表现优异，能显著降低数据需求和训练成本。未来研究将聚焦跨任务迁移优化、低资源微调及多模态迁移等方面。
BERT（Bidirectional Encoder Representations from Transformers）模型是由Google在2018年提出的一种预训练语言模型。在BERT出现之前，自然语言处理（NLP）领域主要依赖于基于规则的方法、统计方法和深度学习方法。这些方法虽然在特定任务上取得了不错的效果，但在处理语言的复杂性和语境理解上存在局限性。例如，传统的词嵌入如Word2Vec和
什么是上下文工程（Context Engineering）？一篇文章带你彻底搞懂
书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。上预先训练的模型，通过自监
最近的进展表明，大型语言模型（LLMs）在解决复杂推理问题时容易出现幻觉，导致错误结果。为解决这一问题，研究人员结合知识图谱（KGs）以提高LLMs的推理能力。然而，现有方法面临两个限制：1）它们通常假设问题的所有答案都包含在KGs中，忽略了KGs的不完整性问题；2）它们将KG视为静态的知识库，忽略了KGs中固有的隐含逻辑推理结构。本文介绍了SymAgent，一种创新的神经符号代理框架，实现了KG
本文系统梳理了AI入门必备的10个核心知识点：1）AI、机器学习和深度学习的层级关系；2）监督学习的基本原理与应用；3）无监督学习的特点；4）神经网络的结构与作用；5）数据集划分原则；6）过拟合与欠拟合问题；7）损失函数的作用；8）梯度下降算法；9）特征工程的重要性；10）大模型与提示词工程。文章强调建立知识框架比堆砌概念更重要，建议学习路径从基础工具到深度学习再到前沿应用，通过循序渐进的实践掌握
人工智能领域未来10年职业发展潜力巨大，大厂AI人才月薪可达3-6万元，算法工程师等岗位年薪50万+占比超30%。为帮助学习者系统掌握AI核心技术，唐宇迪团队推出《人工智能深度学习涨薪就业班》（14期），课程覆盖计算机视觉、大模型开发等前沿技术，包含450+课时、200+实战案例，并提供就业内推、简历指导等服务。课程对标大厂P7+水平，帮助学员快速入局AI领域，挑战年薪40-100万+。
迁移学习
——迁移学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
九章云极普惠算力
CSDN-OPC开发者社区
DAMO开发者矩阵
火山引擎 ADG 社区
鲲鹏昇腾开发者社区
网易智企-易盾开发者社区
