深度学习人脸识别facenet

优化算法的挑战：全局最小值与局部最小值

背景简介在深度学习的误差表面中，优化算法如梯度下降旨在找到全局最小值，即网络可能输出中的最小误差。然而，由于极小值、极大值、平台和鞍部的存在，我们经常陷入局部最小值或卡在鞍部，难以达到全局最优。
多行不易·2025-05-18 00:37

在Hadoop上实现分布式深度学习

在Hadoop上实现分布式深度学习引言随着大数据和深度学习的快速发展，分布式深度学习已成为当前研究和应用领域的热点。
小村学长毕业设计·2025-05-18 00:37

全局最小值、局部最小值以及如何跳出局部最小值

前段时间在看深度学习的内容，对于全局最小值和局部最小值这两个概念之前理解的不太深入，总是容易混淆，看了西瓜书之后明白了，特此总结一下，加深印象。
keep_humble·2025-05-18 00:06

模型训练技巧EMA

前言文章理论推导部分参考指数移动平均（EMA）的原理及PyTorch实现在深度学习中，经常会使用**指数移动平均（ExponentialMovingAverage,EMA）**对模型参数做平均，因为模型权重在最后的
羽星_s·2025-05-18 00:06

Colossal-AI：深度学习大规模分布式训练框架

目录Colossal-AI：深度学习大规模分布式训练框架1.Colossal-AI简介2.Colossal-AI的核心功能3.Colossal-AI优势4.Colossal-AI使用示例示例1：简单的Colossal-AI
gs80140·2025-05-18 00:05

【深度学习】聊一聊深度学习分布式训练

作者|杨阳整理|NewBeeNLPhttps://zhuanlan.zhihu.com/p/365662727在深度学习时代，训练数据特别大的时候想要单卡完成训练基本是不可能的。
风度78·2025-05-18 00:35

神经网络与深度学习知识总结（一）

1.SGD问题：病态曲率图为损失函数轮廓。在进入以蓝色标记的山沟状区域之前随机开始。颜色实际上表示损失函数在特定点处的值有多大，红色表示最大值，蓝色表示最小值。我们想要达到最小值点，为此但需要我们穿过山沟。这个区域就是所谓的病态曲率。如果把原始的SGD想象成一个纸团在重力作用向下滚动，由于质量小受到山壁弹力的干扰大，导致来回震荡；或者在鞍点处因为质量小速度很快减为0，导致无法离开这块平地。动量方法
2301_77111278·2025-05-18 00:35

量子机器学习：下一代AI的算力革命与算法范式迁移——从量子神经网络到混合量子-经典架构的产业落地

传统深度学习面临指数级增长的算力需求：训练GPT-5需要1025次浮点运算，相当于消耗全球年度发电量的3%（MIT研究报告）。
Frankabcdefg12138·2025-05-17 16:38

精准监测高效管控AI智能分析网关V4吸烟检测技术与场景应用

它基于先进的计算机视觉和深度学习技术，能够实时对监控视频流进行分析，快速且准确地判断是否存在吸烟行为，并及时发出告警。二、优势特点1）
EasyDSS·2025-05-17 15:02

学习深度学习是否要先学习机器学习？

永远正确的回答是：建议先学机器学习，再学深度学习。上面那句你从哪都挑不出毛病，毕竟机器学习是深度学习的基础。
深度学习入门·2025-05-17 15:01

基于深度学习的高效图像失真校正框架总结

原文链接目录基于深度学习的高效图像失真校正框架总结1.研究背景与问题2.方法概述：两阶段校正框架3.实验与性能4.局限性与未来方向5.结论资源与代码一、数据准备1.合成失真数据集2.真实数据（可选）二、
我是你们的星光·2025-05-17 15:59

生成式人工智能：创意产业的变革力量

生成式人工智能通过深度学习算法，能够生成文本、图像、音乐、视频等多种内容，为创意产业带来了前所未有的机遇。本文将探讨生成式人工智能在创意产业中的应用、技术原理以及未来的发展趋势。
Blossom.118·2025-05-17 15:58

使用Python实现简单的人工智能聊天机器人

虽然复杂的聊天机器人需要深度学习和大
Blossom.118·2025-05-17 15:28

自适应稀疏核卷积网络：一种高效灵活的图像处理方案

自适应稀疏核卷积网络：一种高效灵活的图像处理方案引言在深度学习的大潮中，计算机视觉技术取得了长足的进步。其中，卷积神经网络（CNN）作为图像处理的核心工具，极大地推动了各类图像识别任务的效果提升。
RockLiu@805·2025-05-17 15:57

深度学习笔记12-mnist手写数字识别(Pytorch)

本文为365天深度学习训练营中的学习记录博客原作者：K同学啊目录一、前期准备1.导入数据2.数据可视化二、构建简单的CNN网络三、训练模型1.设置超参数2.编写训练函数3.编写测试函数4.正式训练编辑四
m0_67869333·2025-05-17 15:27

【图像处理基石】如何入门OCR技术？

工具实践和项目实战，以下是分步骤的学习指南，适合零基础学习者：一、明确OCR技术的核心概念OCR的基本原理核心流程：图像预处理（降噪、二值化、倾斜校正）→字符分割（定位文本区域）→特征提取（传统方法或深度学习模型
AndrewHZ·2025-05-17 15:55

【图像处理基石】如何入门AI计算机视觉？

微积分：导数、梯度、链式法则——深度学习优化（如反向传播）的核心。推荐资源：教材：《线性代数及
AndrewHZ·2025-05-17 15:55

深度学习入门：从理论到实战的详细指南

对于初学者来说，深度学习的学习曲线可能会显得有些陡峭，但只要掌握正确的方法和步骤，就能轻松入门。本文将为你提供一份从理论到实战的详细指南，帮助你快速掌握深度学习的核心要点。一、深度学习是什么？
人工智能教程·2025-05-17 15:55

深度学习-最简单的Demo-直接运行

根据动手学深度学习第一个最简单的Demo，通过此demo旨在了解深度学习都干了什么事情，为什么要做这些事情，便于后续理解更加复杂的神经网络训练importtorchimportrandomdefsynthetic_data
后知后觉·2025-05-17 13:43

深度学习中常用的符号表达式

在论文写作过程中，常常涉及到一些关键的符号的表达，为了更加规范常用的一些符号表达，现将其总结如下（该文件会持续性更新）：数字xxx:标量x\mathbf{x}x:向量X\mathbf{X}X:矩阵X\mathsf{X}X：张量I\mathbf{I}I:单位矩阵xi,[x]ix_i,[\mathbf{x}]_ixi,[x]i:向量x\mathbf{x}x第iii个元素xij,[X]ijx_{ij},
dunzane·2025-05-17 12:10

OpenCV 4.7企业级开发实战：从图像处理到目标检测的全方位指南

简介OpenCV作为工业级计算机视觉开发的核心工具库，其4.7版本在图像处理、视频分析和深度学习模型推理方面实现了显著优化。
Android洋芋·2025-05-17 12:36

职坐标IT培训破局AI风口新赛道

在这场变革中，职坐标IT培训以大语言模型与深度学习为核心，构建起覆盖AGI开发、自然语言处理、AI算力部署的立体化课程体系。
职坐标在线·2025-05-17 12:05

【python机器学习】Day 25 异常处理

知识点：异常处理机制debug过程中的各类报错try-except机制try-except-else-finally机制在即将进入深度学习专题学习前，我们最后差缺补漏，把一些常见且重要的知识点给他们补上
抽风的雨610·2025-05-17 09:44

深度学习---训练循环（Training Loop）

训练循环训练循环（TrainingLoop）是深度学习中模型训练的核心逻辑，负责协调数据加载、前向传播、损失计算、反向传播、参数更新等关键步骤。
MzKyle·2025-05-17 08:09

AI模型部署初认识

近些年来，在深度学习算法已经足够卷卷卷之后，深度学习的另一个偏向于工程的方向–部署工业落地，才开始被谈论的多了起来。当然这也是大势所趋，毕竟AI算法那么多，如果用不着，只在学术圈搞研究的话没有意义。
山语山·2025-05-17 07:36

大模型训练全解析：100条实用建议与深入指导

通过不断学习、实践和探索，可以不断提升自己在深度学习领域的技能和洞察力，同时也能为社会和行业带来创新和改进。从小规模的项目和模型开始，逐渐迭代和扩展到更大的模型，逐步
大模型教程·2025-05-17 07:02

[训练和优化] 3. 模型优化

模型优化本文详细介绍深度学习模型的优化技术，包括正则化、梯度裁剪、早停、模型集成等方法，帮助提升模型性能和泛化能力。1.正则化方法1.1权重正则化通过L1/L2正则化抑制模型复杂度，防止过拟合。
斌zz·2025-05-17 07:01

[模型部署] 1. 模型导出

模型导出本文介绍如何将深度学习模型导出为不同的部署格式，包括ONNX、TorchScript等，并对各种格式的优缺点和最佳实践进行总结，帮助你高效完成模型部署准备。
斌zz·2025-05-17 07:29

从零开始认识深度学习工具：TensorFlow vs PyTorch

从零开始认识深度学习工具：TensorFlowvsPyTorch学习前的知识准备什么是深度学习？深度学习就像教电脑从经验中学习。就像你通过反复练习学会骑自行车一样，计算机会通过大量数据自动发现规律。
赛卡·2025-05-17 06:59

数学建模之入门篇

数学模型线性规划图与网络模型及方法插值与拟合灰色预测动态规划层次分析法AHP整数规划目标规划模型偏最小二乘回归微分方程模型博弈论/对策论排队论模型存储论模糊数学模型2.统计模型3.机器学习/数据挖掘模型4.深度学习模型三
沐硕·2025-05-17 05:51

AI人工智能深度学习算法：在流体动力学中的应用

欢迎您的阅读，接下来我将为您一步步分析：AI人工智能深度学习算法在流体动力学中的应用。让我们通过多个角度来探讨这个问题。
AI天才研究院·2025-05-16 22:08

Stable Diffusion：深度学习中的创新图像生成模型

StableDiffusion，作为一种前沿的深度学习图像生成技术，正逐步改变我们对图像生成和处理的认知。其基于扩散模型的原理，通过模拟图像数据的分布，实现了从噪声中生成高质量图像的能力。
摆烂大大王·2025-05-16 22:05

基于OpenCV的人脸识别：LBPH算法

代码实现1.代码整体结构2.导入库解析3.训练数据准备4.标签系统5.待识别图像加载6.LBPH识别器创建7.模型训练8.预测执行9.结果输出三、LBPH算法原理解析四、关键点解析五、改进方向总结引言人脸识别是计算机视觉领域的一个重要应用
知舟不叙·2025-05-16 22:34

数据预处理全流程：从创建数据集到 PyTorch 张量的完整实践

在机器学习和深度学习任务中，数据预处理是至关重要的第一步。本文通过一个完整的示例，演示如何创建包含缺失值的数据集、处理不同类型的缺失值，并将数据转换为PyTorch张量，为后续模型训练奠定基础。
wwangxubin·2025-05-16 21:02

大模型零基础入门到精通，大模型零基础教程（非常详细），收藏这一篇就够！

什么是大模型大模型，是指在人工智能领域，特别实在自然语言处理和机器学习中，拥有大量参数的深度学习模型。
程序员辣条·2025-05-16 21:58

模型压缩与超参数调整：如何根据具体任务调整超参数

作者：禅与计算机程序设计艺术深度学习模型通常具有复杂的结构和过多的参数量。因此，当模型训练数据量不足、模型大小过大或资源限制时，我们需要对其进行压缩。
AI天才研究院·2025-05-16 20:22

TensorFlow模型转换与优化：流程解析

TensorFlow模型转换与优化：流程解析在深度学习模型部署的实际场景中，我们常常需要对模型进行跨框架的转换与优化。
·2025-05-16 20:32

Adversarial examples based on object detection tasks: A survey》论文阅读笔记

文章介绍了深度学习在计算机中的应用，以及对抗样本攻击的相关概念和方法，其中重点讨论了目标检测任务中基于分类和回归的对抗样本攻击，并对其他相关攻击方法进行了总结，最后得出结论并展望未来研究方向。
2301_80355452·2025-05-16 20:50

python打卡day24

对自己电脑的不同文件夹利用今天学到的知识操作下，理解下os路径1.元组在day3的打卡内容中就介绍了元组，跟列表比起来就是用了圆括号，有序可以重复，这一点和列表一样，但元组中的元素不能修改，是四种数据结构中唯一不可变的，这一点非常重要，深度学习场景中很多参数
(・Д・)ノ·2025-05-16 20:19

智脑进化：神经网络如何从单层感知机迈向深度学习新纪元

第一章：神经元的启示——从生物大脑到人工神经元1.1生物神经元的智慧：860亿神经元的协同网络人类大脑的860亿神经元通过突触形成动态网络，每个神经元通过树突接收信号，在胞体整合后经轴突传递输出。这种“接收-处理-输出”的机制，如同无数微型处理器的并行协作，支撑了人类的认知与学习。例如，当看到一只猫时，视觉皮层的神经元先捕捉边缘特征，再组合成轮廓，最终在高层形成“猫”的抽象概念。1.2感知机：人工
TGITCIC·2025-05-16 18:09

深度学习入门：基于 Python 的理论与实现笔记

深度学习入门：基于Python的理论与实现笔记在VSCode中运行代码替换库搜索路径#sys.path.append(os.pardir)#为了导入父目录而进行的设定sys.path.append(os.getcwd
u013244720·2025-05-16 18:05

人工智能、深度学习、机器学习的联系与区别

定义人工智能（AI-ArtificialIntelligence）：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它旨在让计算机能够像人类一样思考、学习和决策，涉及到诸如计算机视觉、自然语言处理、机器人学等多个领域。例如，智能机器人可以感知周围环境（通过传感器）、进行简单的推理（根据预设规则或算法）并做出行动（如移动、抓取物体等）。机器学习（ML-Mach
AI方案2025·2025-05-16 13:29

深度学习基石：卷积神经网络（CNN）与图像识别

一、卷积神经网络的设计动机与生物启发1.1传统全连接网络的局限性分析在传统全连接神经网络中，每个神经元都与相邻层的所有神经元连接。以MNIST数据集（28×28像素）为例，输入层需784个神经元，若第一隐藏层有1000个神经元，参数规模将达784×1000=784,000。这种结构存在两大核心问题：参数爆炸问题对于高分辨率图像（如1024×1024的RGB图像），输入层参数达3,145,728个。
WHCIS·2025-05-16 13:56

人工智能数学基础：线性代数和概率论在AI中的应用

人工智能数学基础：线性代数和概率论在AI中的应用关键词：人工智能、线性代数、概率论、机器学习、深度学习摘要：本文深入探讨了线性代数和概率论这两门数学基础学科在人工智能领域的重要应用。
AI天才研究院·2025-05-16 12:25

深度学习中的数学基础：线性代数与概率论

引言：深度学习是现代人工智能技术的核心，广泛应用于图像识别、自然语言处理、推荐系统等领域。然而，深度学习模型背后的数学基础，对于理解其原理和提升模型效果至关重要。
大富大贵7·2025-05-16 12:52

基础数学：线性代数与概率论在AI中的应用

这两门基础数学学科构成了AI算法的基础，理解它们对于深入掌握机器学习和深度学习至关重要。本文将重点探讨线性代数与概率论在AI中的应用，特别是它们如何帮助解决实际问题。
赵青临的辉·2025-05-16 12:21

PyTorch 分布式训练

深入理解PyTorch分布式训练：环境变量与进程通信机制在深度学习模型变得日益庞大之后，单个GPU的显存已经无法满足高效训练的需求。
handsomeboysk·2025-05-16 11:18

开源GPU架构RISC-V VCIX的深度学习潜力测试：从RTL仿真到MNIST实战

点击“AladdinEdu，同学们用得起的【H卡】算力平台”，H卡级别算力，按量计费，灵活弹性，顶级配置，学生专属优惠。一、开篇：AI芯片架构演变的三重挑战（引述TPUv4采用RISC-V的行业案例，结合GoogleAI芯片战略，说明能效比已成架构迭代核心指标。此处可嵌入Tom’sHardware报道的谷歌技术路线）二、VCIX架构技术解码2.1向量协处理器接口创新设计对比NVIDIAStream
学术猿之吻·2025-05-16 11:16

人工智能模型DeepSeek-V3和DeepSeek-R1的区别

DeepSeek-V3和DeepSeek-R1是深度求索（DeepSeek）人工智能基础研究有限公司推出的两款人工智能模型，尽管它们都基于先进的深度学习技术、强化学习技术，但在设计目标、架构、训练方法、
菩提树下的凡夫·2025-05-16 11:14

DALL - E在AIGC领域的应用与前景

DALL-E在AIGC领域的应用与前景关键词：DALL-E、AIGC、生成式AI、多模态模型、图像生成、深度学习、计算机视觉摘要：本文深入探讨OpenAI开发的DALL-E模型在人工智能生成内容(AIGC
AI学长带你学AI·2025-05-16 10:40
上一页 24 25 26 27 28 29 30 31 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他