自训练第6页

【人工智能】Python中的深度学习优化器：从SGD到Adam

解锁Python编程的无限可能：《奇妙的Python》带你漫游代码世界在深度学习模型的训练过程中，优化器起着至关重要的作用，它决定了模型的收敛速度以及最终的性能。

蒙娜丽宁·2025-02-13 08:13

线性回归、逻辑回归及SVM

可以简单的理解为：在给定训练样本点和已知的公式后，对于一个或多个未知参数，机器会自动枚举参数的所有可能取值（对于多个参数要枚举它们的不同组合），直到找到那个最符合样本点分布的参数（或参数组合）。

@迷途小书童·2025-02-13 07:38

【AI】人工智能没那么神秘！

AI系统通常由算法、数据、模型和代码组成，其中代码用于实现算法，数据用于训练模型，最终形成智能决策能力。AI可以嵌入到应用程序中，但其本身是一个复杂的技术体系。AI为什么这么聪明？

仇辉攻防·2025-02-13 07:04

大语言模型的分类及本地部署所需的硬件配置要求

简单来说，它就像一个“超级大脑”，能够处理各种语言任务，比如写文章、回答问题、翻译语言等；它通过训练大量的文本数据，学习语言的结构、语法、语义以及上下文关联，从而能够理解和生成与人类语言相似的文本。

Kelaru·2025-02-13 07:01

centos7离线静默安装oracle12c实际安装总结

参考这个https://blog.csdn.net/zwl18210851801/article/details/80774980一、安装前准备1.关闭防火墙，禁止防火墙开机自启systemctlstopfirewalld.service

道成空1024·2025-02-13 06:27

硅基流动多模型工作流应用平台，免费2000万Token来了

硅基流动是一家专注于大规模AI计算的技术公司,提供高性能LLM推理和训练解决方案,助力企业高效部署AI应用。目前注册可获的2000万Token，可以使用将近60种文字对话、语音、图像生成等主流大模型。

yuntianming3906·2025-02-13 05:53

Lisp语言的软件工程

Lisp（LIStProcessing）作为一种历史悠久的编程语言，自1958年问世以来，已经走过了超过六十年的风雨历程。

沈清韵·2025-02-13 04:45

AnyPlace：学习机器人操作的泛化目标放置

为了解决这个问题，AnyPlace，一种完全基于合成数据训练的两阶段方法，能够预测现实世界任务中各种可行的放置姿势。其

硅谷秋水·2025-02-13 04:15

算法训练Day7| LeetCode454. 四数相加II(Map作哈希表）；383.赎金信(数组作哈希表）；15.三数之和(双指针)；18.四数之和(双指针)

目录LeetCode454.四数相加1.思路2.代码实现3.复杂度分析4.思考Leetcode383.赎金信1.思路2.代码实现3.复杂度分析4.思考Leetcode15.三数之和方法一：双指针法1.思路2.代码实现3.复杂度分析4.思考Leetcode18.四数之和1.思路2.代码实现3.复杂度分析4.思考LeetCode454.四数相加链接：454.四数相加II-力扣（LeetCode）1.思

努力学习的牛宁西·2025-02-13 04:45

代码随想录算法训练营Day07 | LeetCode454.四数相加II、LeetCode383.赎金信、LeetCode15.三数之和、LeetCode18.四数之和

LeetCode454.四数相加II题目链接：https://leetcode.cn/problems/4sum-ii/思路：想法是使用哈希表。定义一个哈希表unordered_map，遍历a数组与b数组，key存放a数组与b数组的元素之和，value存放a数组与b数组的元素之和出现的次数；再遍历c数组与d数组，在unordered_map中找0-（c+d），因为此时unordered_map中存

SuperYue37·2025-02-13 04:44

【代码随想录训练营】Day7-哈希表

代码随想录Day7今日任务454.四数相加Ⅱ383.赎金信15.三数之和18.四数之和454.四数相加Ⅱ考点：哈希表链接：https://leetcode.cn/problems/4sum-ii/classSolution{publicintfourSumCount(int[]nums1,int[]nums2,int[]nums3,int[]nums4){HashMaprecord=newHash

Koffer-debug·2025-02-13 04:14

【python 机器学习】sklearn转换器与预估器

通俗介绍：学术解释：3.转换器与预估器的共同点4.转换器与预估器的区别5.使用`sklearn`中的转换器与预估器5.1示例：数据标准化（转换器）5.2示例：模型训练与预测（预估器）6.使用`Pipeline

人才程序员·2025-02-13 03:04

天神之眼vs华为智驾

以下是两者的对比分析：1.技术路线比亚迪天神之眼：基于自研算法：依托比亚迪自主研发的BOS（比亚迪操作系统）和车载计算平台，强调“车端感知+车控”的深度整合。

天机️灵韵·2025-02-13 02:00

畅游Diffusion数字人(16)：由音乐驱动跳舞视频生成

目录贡献概述背景挑战贡献方法详解第一阶段：外观预训练第二阶段：动态触发视频生成训练细节贡献概述背景<

沉迷单车的追风少年·2025-02-13 02:59

初次体验Tauri和Sycamore（1）

Tauri自2022年

Liigo·2025-02-13 01:52

深入探索现代CSS：从基础到未来趋势

引言：CSS的进化之路CSS（层叠样式表）自1996年诞生以来，已从简单的样式描述语言发展为构建现代Web体验的核心技术。

斯~内克·2025-02-13 00:16

深度学习练手小例子——cifar10数据集分类问题

数据集被分为50,000张训练图像和10,000张测试图像。

　☆cwlulu·2025-02-12 23:39

使用云计算开发AI项目，有哪些最佳实践？

使用云计算开发AI项目，可以让企业和开发者更高效地利用算力、存储和AI训练环境，避免高昂的硬件成本和运维压力。但如何高效、经济地利用云计算，打造一个稳定、安全、可扩展的AI项目呢？

云上的阿七·2025-02-12 22:01

【译】Nodejs应用安全备忘录

本人的博客http://www.wjs.photo/,感兴趣的可以看看哦，基于NodeJs框架ThinkJs本文翻译自www.risingstack.com,并非逐字逐句的翻译，有错误的地方请指出，谢谢啦应用程序的安全就像是你房间里突然出现一只大象

·2025-02-12 22:05

tcp_socket绑定（bind）失败---Address already is use原因

转载自：https://blog.csdn.net/fern_girl/article/details/73657825我们前面介绍了三种tcp_server编写多进程多线程服务器编写，在测试这三个servet

mayue_csdn·2025-02-12 21:55

学习系列二：常用目标检测的格式转换脚本文件txt,json等

常用目标检测的格式转换脚本文件txt,json等文章目录常用目标检测的格式转换脚本文件txt,json等前言一、json格式转yolo的txt格式二、yolov8的关键点labelme打的标签json格式转可训练的

小啊磊_Vv·2025-02-12 21:23

TypeScript语言的区块链

TypeScript与区块链：重塑去中心化应用的未来区块链技术自其诞生以来，便因其去中心化、安全及透明等特性而备受关注。

韦慕霖·2025-02-12 21:18

Laplace(拉普拉斯)平滑

平滑技术平滑技术是为了解决训练集的数据稀松问题。零概率问题，就是在计算实例的概率时，如果某个量x，在观察样本库（训练集）中没有出现过，会导致整个实例的概率结果是0。

郑万通·2025-02-12 20:45

17.推荐系统的在线学习与实时更新

郑万通·2025-02-12 20:15

java绘图

绘图准备在正式绘图前，我们还需进行一系列操作来为绘图提供条件1、创建一个类继承自JPanel类，这相当于创建了一个画板classMyPanelextendsJPanel{}2、在该类中重写父类的构造方法

皓木.·2025-02-12 20:13

DeepSeek-Ollama实现本地化无烦恼

star125KOpenWebUI:一个可扩展、功能丰富且用户友好的自托管AI平台，旨在完全离线运行。

c_zyer·2025-02-12 20:11

Python中LSTM算法的实现与应用

接着，教程以Keras库为例，逐步演示了安装库、数据预处理、模型构建、编译、训练、评估和预测等步骤。深入讲解了在序列数据处理如自然语言和时间序列预测任务中的实际应用，并提供了实践案例，强

昊叔Crescdim·2025-02-12 19:01

100.16 AI量化面试题：监督学习技术在量化金融中的应用方案

目录0.承前1.解题思路1.1应用场景维度1.2技术实现维度1.3实践应用维度2.市场预测模型2.1趋势预测2.2模型训练与评估3.风险评估模型3.1信用风险评估4.投资组合优化4.1资产配置模型5.回答话术

AI量金术师·2025-02-12 18:28

DeepSeek计算机视觉（Computer Vision）基础与实践

DeepSeek提供了强大的工具和API，帮助我们高效地构建和训练计算机视觉模型。本文将详细介绍如何使用DeepSeek进行计算机视觉的基础与实践，并通过代码示例帮助你掌握这些技巧。

Evaporator Core·2025-02-12 18:27

上海站 | 2025 Seeed x LeRobot 具身智能黑客松报名开启！

SeeedxLeRobot具身智能黑客松现邀请所有对在机器人领域训练模仿学习策略，并实时进行推理部署感兴趣的人，共同创造具有影响力的创新解决方案。

·2025-02-12 18:01

无人机尾座垂起逻辑自洽问题概述！

这种设计原理本身是自洽的，因为它充分利用了固定翼的高速飞行能力和旋翼的垂直起降能力，从而满足了无人机在不同场景下的应用需求。

云卓SKYDROID·2025-02-12 18:55

提升语言模型性能的关键策略

标题：提升语言模型性能的关键策略文章信息摘要：提升语言模型性能的关键在于预训练数据的规模和质量、模型架构的优化以及模型与数据的平衡。单纯增加模型参数规模并不能持续带来性能提升，性能提升会逐渐趋于平缓。

XianxinMao·2025-02-12 18:25

云原生周刊：DeepSeek 颠覆人工智能

它支持直接在本地计算机上运行多个预训练的语言模型，能够提供与云端类似的体验，但无需依赖外部服务器或网络连接。

KubeSphere 云原生·2025-02-12 18:54

AI应用完整加载数据集配置神经网络配置训练信息训练模型与保存模型到本地------AI

packagecom.alatus.djl.web;importai.djl.Application;importai.djl.MalformedModelException;importai.djl.Model;importai.djl.basicdataset.cv.classification.ImageFolder;importai.djl.basicdataset.cv.classifi

旧约Alatus·2025-02-12 18:54

普惠AI 如何在 Anolis OS 8 上部署生产可用的 DeepSeek 推理服务

背景介绍DeepSeek-R1DeepSeek-R1在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。

·2025-02-12 17:52

python常用50个模块

转载自：http://blog.csdn.net/pfanaya/article/details/7567077Python具有强大的扩展能力，我列出了50个很棒的Python模块，包含几乎所有的需要：

MemRay·2025-02-12 17:21

JavaCV进阶opencv图像处理：扫描并识别视频中的二维码

识别系列目录人脸检测识别JavaCV进阶opencv图像处理：摄像头图像人脸检测JavaCV进阶opencv图像处理：ffmpeg视频图像画面人脸检测JavaCV进阶opencv图像处理：批量人脸图像分类训练

eguid_1·2025-02-12 17:50

数据结构-1.Java. 初始包装类与泛型

本节目标:学习包装类与泛型为阅读java集合源码打下基础.1.包装类在Java中，由于基本类型不是继承自Object，为了在泛型代码中可以支持基本类型，Java给每个基本类型都对应了一个包装类型.1.1

薯条不要番茄酱·2025-02-12 17:49

全面理解-c++中的异常处理机制

语法：try{//可能抛出异常的代码}1.2throw表达式作用：抛出异常对象（可以是任意类型，但通常继承自std::exception）。语法：throwexcep

HL_LOVE_C·2025-02-12 16:12

嵌入式AI革命：DeepSeek开源如何终结GPU霸权，开启单片机智能新时代？

相对于当人们还在讨论千亿参数模型的训练成本被压缩到600万美金而言，被称作“核弹级别”的操作，是DeepSeek的完全开源。

老六哥_AI助理指南·2025-02-12 16:09

llama3简介与国内最快体验方式

Meta公司研发并推出了MetaLlama3系列大型语言模型（LLMs），该系列包括8B和70B参数量的预训练及指令调优生成文本模型。

weixin_40941102·2025-02-12 15:08

深入解析ReLU激活函数的优缺点及其平衡策略

影响：这有助于模型更快地收敛，因为梯度不会因为负值而减小，从而避免负向因素对模型训练的不良影响。结论：这使得

weixin_40941102·2025-02-12 15:08

深度学习语义分割实战：ResNet 与 ViT 结合的模型解析

本文将详细解析该模型的架构、训练流程及其应用。2.语义分割模型解析本项目采用ResNet和ViT结合的方式进行语义分割，并使用CBAM注意力机制增强特征提取能力。涉及的核心文件

高山仰星·2025-02-12 15:06

db2安装包v10.5_LINUX安装db2V10.5步骤

LINUX安装db2V10.5步骤2017-04-0110:08:35|分类：db2|举报|字号订阅下载LOFTER我的照片书|转自：http://blog.csdn.net/hanzheng260561728

樱桃Anne·2025-02-12 14:29

亚马逊云科技Bedrock知识库自定义语义搜索配置教程

给知识库挂载额外的数据有助于模型生成更相关、基于上下文的准确响应，而无需重新训练AI模型。

佛州小李哥·2025-02-12 13:57

华为云数据库DDS产品深度赋能

声明：本文参考自《华为云开发者学堂》，华为云数据库DDS产品深度赋能，主要面向DA、交付、一线、二线数据库从业者，针对DDS常见问题及产品特性进行介绍，涉及：产品特性介绍、产品使用场景介绍、产品常见问题介绍

程思扬·2025-02-12 12:50

DeepSeek-V3：模型与权重全面解析

DeepSeek-V3是一款开创性的混合专家（Mixture-of-Experts,MoE）语言模型，以其创新的架构设计、高效的训练方法和卓越的性能，成为开源大语言模型领域的标杆。

步子哥·2025-02-12 11:13

DeepSeek V3 两周使用总结

官方宣称：（1）基于自研的MoE模型和671B参数，在14.8Ttoken上进行了预训练；（2）多项评测成绩超越了Qwen2.5-72B和Llama-3.1-405

AI生成曾小健·2025-02-12 11:12

一文带大家了解DeepSeek不同版本 1.5B、7B、14B、32B、70B的含义以及应用场景

1.参数量的意义参数量：指模型中可训练的参数总数，包括权重和偏置等。单位：-1B=10亿参数-7B=70亿参数-70B=700亿参数2.不同版本的特点版本参数

测试开发Kevin·2025-02-12 10:10

pytorch深度学习模型推理和部署、pytorch&ONNX&tensorRT模型转换以及python和C++版本部署

engine文件3.2tensorrt推理4.采用tensorrt进行推理（c++环境）5.采用torch2trt进行推理（python环境）在pytorch框架下，可以很方便进行深度学习模型的搭建、训练和保存

机械心·2025-02-12 10:40

推荐频道

自训练