百度在WAVE SUMMIT 2025大会上发布了文心大模型X1.1，这是基于文心4.5的升级版本。X1.1在事实性、指令遵循、智能体协作和工具调用等方面表现突出，能力较前代显著提升。实测显示，X1.1能自主调用工具解决复杂问题，严格遵循指令生成内容，并展现出强大的多模态和代码能力。技术层面，X1.1采用迭代式混合强化学习框架，结合知识一致性强化、指令验证器等创新，实现了"思维链+行动链"的突破。

其实 CAM 得到的效果已经很不错了，但是由于其需要修改网络结构并对模型进行重新训练，这样就导致其应用起来很不方便。CAM的缺点必须得有GAP层，否则得修改模型结构后重新训练只能分析最后一层卷积层输出，无法分析中间层仅限图像分类任务Grad-CAM解决了上述问题，基本思路和CAM是一致的，也是通过得到每对特征图对应的权重，最后求一个加权和。区别是求解权重的过程，CAM通过替换全连接层为GAP层，重

机器学习之二：回归分析1. 基本概念我们首先了解一下关于回归的基本概念。因变量（dependent variable）是函数中的专业名词，函数关系式中，某些特定的数会随另一个（或另几个）会变动的数的变动而变动，就称为因变量。如：Y=f(X)。此式表示为：Y随X的变化而变化。Y是因变量，X是自变量。因变量（dependent variable）是函数中的专业名词，函数关系式中，某些特定的数会随另一个

预测汽车油耗效率 MPG这次做一个简单的线性回归的实验，用来预测汽车的油耗效率 MPG，让我们通过这次实验，更加清晰的了解一下LinearRegression，如果想更加清晰的了解的话，可以看看吴恩达机器学习ex1 Linear Regression (python)目录Read In Data探究数据模型拆分训练集和测试集单变量线性回归搭建线性回归模型可视化结果训练集测试集模型评价多变量线性回归

一直以来，深度神经网络的可解释性都被大家诟病，训练一个神经网络被调侃为“炼丹”。所得的模型也像一个“黑盒”一样，给它一个输入，然后得到结果，却不知道模型是如何得出结论的，究竟学习到了什么知识。如果能将其训练或者推理过程可视化，那么可以对其更加深入的理解，目前深度神经网络可视化可以分为：可视化卷积核；可视化特征图；可视化激活热力图，也就是不同位置像素点对得出结果的影响程度图神经网络可视化汇总。

PyTorch Image Models（timm） 是一个优秀的图像分类 Python 库，其包含了大量的图像模型（Image Models）、Optimizers、Schedulers、Augmentations 等等.除了使用进行预训练以外，还有一个常见的预训练模型库，叫做，这个库是由来自加拿大温哥华Ross Wightman创建的。里面提供了许多计算机视觉的SOTA模型，可以当作是torc

【论文泛读】 ResNeXt：深度神经网络的聚合残差变换文章目录【论文泛读】 ResNeXt：深度神经网络的聚合残差变换主要思想摘要模型结构Inception模块split-transform-merge分组卷积ResNeXt模型结构ResNeXt模型评估及结论总结和感想论文链接： Aggregated Residual Transformations for Deep Neural Networ

算法收敛性梯度下降法分析算法收敛性 - 精确线搜索exact line search分析算法收敛性 - 非精确线搜索Inexact line search(Amijo Rule)梯度下降法dk+1=−∇f(xk)d^{k+1}=-\nabla f\left(x^{k}\right)dk+1=−∇f(xk)f(xk+1)−P∗f(xk)−P∗≤1−mM\frac{f\left(x^{k+1}\rig

第6章 逻辑斯蒂回归和最大熵模型逻辑斯谛回归(LR)是经典的分类方法1．逻辑斯谛回归模型是由以下条件概率分布表示的分类模型。逻辑斯谛回归模型可以用于二类或多类分类。P(Y=k∣x)=exp⁡(wk⋅x)1+∑k=1K−1exp⁡(wk⋅x),k=1,2,⋯ ,K−1P(Y=k | x)=\frac{\exp \left(w_{k} \cdot x\right)}{1+\sum_{k=1}^{K-1

【论文泛读】 Faster R-CNN:利用RPN实现实时目标检测文章目录【论文泛读】 Faster R-CNN:利用RPN实现实时目标检测前言摘要 Abstract介绍 Introduction相关工作 Related WorkFaster R-CNNRegion Proposal Networks 区域推荐网络锚点 Anchor平移不变性锚点损失函数 Loss Function训练RPNsFa