链路训练状态机

Triplet Loss原理及 Python实现

最初是谷歌在FaceNet:AUnifiedEmbeddingforFaceRecognitionandClustering论文中提出的，可以学到较好的人脸的embeddingTripletLoss是一种用于训练特征嵌入

AIGC_ZY·2025-03-08 15:21

代码随想录---算法训练营---总结

我总共参加了60天这个代码随想录的算法训练营，每天按照计划逐步进行算法训练，卡尔老师讲的很好，要是有不理解的，偶尔会给他提建议，提问题。

感谢上Di_123·2025-03-08 15:50

Manus的基于Sentence-BERT与ChromaDB的语义检索系统设计与实现

针对传统关键词匹配方法在语义鸿沟问题上的局限性，采用预训练语言模型生成768维语义向量，通过ChromaDB实现高效向量存储与近似最近邻搜索（ANN）。实验表明，在MSMARCO数据集上，

设计狗和程序猿·2025-03-08 13:28

3.6手写数字识别项目

-使用`DataLoader`创建训练和测试数据集的生成器。2.可视化源数据：-使用`matplotlib`库可视化测试集中的部分图像，并显示其对应的真实标签。3.构建模型：-定义一个包含两个隐藏层

不要不开心了·2025-03-08 11:33

大模型的定义、基本架构、训练、经典代表、应用和挑战全解析

本文将带您深入探索大模型的神秘世界，从其定义、基本原理、训练三步骤，到Prompt技术的巧妙应用，以及大模型在各行业的广泛应用和面临的挑战。

和老莫一起学AI·2025-03-08 11:30

打卡代码随想录算法训练营第11天： 150. 逆波兰表达式求值 239. 滑动窗口最大值 347.前 K 个高频元素

代码随想录文中含LLM回答内容150.逆波兰表达式求值力扣题目链接思路K:先理解逆波兰表达式是啥，是把运算符放在了两个要运算的数字的后边，又叫后缀表达式。遇见数字就入栈，遇见算符就计算栈里前两个数字，算完再存回去classSolution{public:intevalRPN(vector&tokens){stackpoland;for(inti=0;ique;voidpop(intval){if(

jingjingjing1111·2025-03-08 07:51

二层网络类型及协议

数据链路层网络类型（根据协议及规则划分）：P2P：在一个网段内只能存在两个节点。点到点MA多路访问：在同一个网段内，节点的数量不限制正常需要存在二层地址，否则无法单播。多点接入。

wuqing_5450·2025-03-08 06:30

智能算法安全优化与关键技术实践

在医疗影像分析、金融风控、自动驾驶等场景中，联邦学习的分布式协作机制有效解决了数据孤岛问题，而生成对抗网络通过对抗训练增强数据生成能力，为小样本场景提供技术支撑。

智能计算研究中心·2025-03-08 03:02

音频 bug 大全

解决：OSError:libsox.so:cannotopensharedobjectfile:Nosuchfileordirectory运行funasr训练时出现该错误安装个库就好了sudoaptinstalllibsox-dev

DEDSEC_Roger·2025-03-08 03:54

计算机网络笔记(二)——1.2互联网概述

计算机网络(简称为"网格")由若干节点(node)和连接这些节点的链路(link)组成。网络中的节点可以是计算机、集线器、交换机或路由器(后续的文章会介绍)等。下面

xiao--xin·2025-03-08 02:46

PyTorch 深度学习快速入门教程

本教程将带你快速掌握PyTorch的基本用法，涵盖张量（Tensor）操作、自动求导（Autograd）、构建神经网络以及模型训练。

有人给我介绍对象吗·2025-03-08 02:16

深入解析 JVM —— 从基础概念到实战调优的全链路学习指南

文章目录一、为什么要学习JVM？1.面试必备与技能提升2.性能优化与问题诊断3.编写高质量代码二、JVM基础概念与体系结构1.JVM简介2.JDK、JRE与JVM三、JVM内存模型1.线程私有区2.线程共享区四、类加载机制与双亲委派1.类加载过程2.双亲委派模型3.动态加载与反射五、垃圾回收机制与调优策略1.分代收集思想2.常见垃圾回收算法3.主流垃圾收集器4.JVM调优六、JIT编译与代码优化1

总是学不会.·2025-03-08 01:09

超实用计算机网络面试题，快来学习一下

考察点：网络分层架构、协议栈理解答案方向：OSI分为7层（物理层→数据链路层→网络层→传输层→会话层→表示层→应用层），TCP/IP简化为4层（网络接口层→网络层→传输层→应用层）。

优人ovo·2025-03-08 00:26

基于YOLOv5深度学习的田间杂草检测系统：UI界面 + YOLOv5 + 数据集详细教程

我们将分步骤进行，包括环境配置、数据集准备、模型训练、实时杂草检测系统的实现等内容。目录引言目录

深度学习&目标检测实战项目·2025-03-08 00:50

llama-factory生成Meta-Llama-3-8B-Instruct模型api服务

使用llama-factory完成模型的微调训练后，需要开启其api服务进行调用，参考官方https://github.com/hiyouga/LLaMA-Factory/blob/main/examples

码不动了鸭·2025-03-08 00:19

Llama3-8B+ LLaMA-Factory 中文微调

Llama3-8B+LLaMA-Factory中文微调Llama3是目前开源大模型中最优秀的模型之一，但是原生的Llama3模型训练的中文语料占比非常低，因此在中文的表现方便略微欠佳！

猫猫姐·2025-03-07 23:46

机器学习基础（4）

训练深度学习模型就好比在平行世界里按下发射火箭的按钮，你听不到也看不到。你无法观察流形学习过程，它发生在数千维空间中，即使投影到三维空间中，你也无法解释它。

yyc_audio·2025-03-07 23:42

代码随想录算法训练营第四十八天|583. 两个字符串的删除操作，72. 编辑距离

系列文章目录代码随想录算法训练营第一天|数组理论基础，704.二分查找，27.移除元素代码随想录算法训练营第二天|977.有序数组的平方，209.长度最小的子数组，59.螺旋矩阵II代码随想录算法训练营第三天

丁希希哇·2025-03-07 23:11

算法训练（leetcode）二刷第三十八天 | 1143. 最长公共子序列、1035. 不相交的线、53. 最大子数组和、392. 判断子序列

刷题记录1143.最长公共子序列1035.不相交的线53.最大子数组和动态规划优化版392.判断子序列1143.最长公共子序列leetcode题目地址本题和300.最长递增子序列相似（题解）。使用动态规划：dp数组含义：dp[i][j]表示以text1[i-1]结尾的子串A和以text2[j-1]结尾的子串B的最长公共子序列的长度。思路同300.最长递增子序列，每个状态更新基于前面的状态，为了防止

Star Patrick·2025-03-07 23:41

*算法训练（leetcode）第三十九天 | 115. 不同的子序列、583. 两个字符串的删除操作、72. 编辑距离

刷题记录*115.不同的子序列*583.两个字符串的删除操作解法一解法二*72.编辑距离*115.不同的子序列leetcode题目地址dp[i][j]代表：以i-1结尾的s中包含以j-1结尾的t的个数。有以下两种情况：s[i-1]==t[i-1]：考虑s[i-1]不考虑s[i-1]s[i-1]!=t[i-1]题解思路时间复杂度：O(n2)O(n^2)O(n2)空间复杂度：O(n∗m)O(n*m)O

Star Patrick·2025-03-07 23:41

*算法训练（leetcode）第十七天 | 235. 二叉搜索树的最近公共祖先、701. 二叉搜索树中的插入操作、450. 删除二叉搜索树中的节点

刷题记录235.二叉搜索树的最近公共祖先递归非递归701.二叉搜索树中的插入操作递归非递归*450.删除二叉搜索树中的节点235.二叉搜索树的最近公共祖先leetcode题目地址二叉搜索树（BST），左小右大。在BST中查找两个节点p、q的最近公共祖先时，使用前序遍历，访问到的第一个在两个节点的区间内[p,q]的节点就是公共祖先节点。当前节点值超出区间时借助BST性质（左小右大）向对应的方向缩小范

Star Patrick·2025-03-07 23:10

算法训练（leetcode）第二十三天 | 455. 分发饼干、*376. 摆动序列、53. 最大子数组和

刷题记录455.分发饼干*376.摆动序列53.最大子数组和455.分发饼干leetcode题目地址贪心，两个数组排序，从前向后或从后向前均可，二者需保持同序，使用两个指针分别指向两个数组，当胃口满足时两个指针同时后移并计数，若不满足则饼干指针后移寻找合适的饼干。由于使用了两次快排，所以时间复杂度为O(nlogn)。时间复杂度：O(nlogn)O(nlogn)O(nlogn)空间复杂度：O(1)O

Star Patrick·2025-03-07 23:10

算法训练（leetcode）二刷第三十九天 | 115. 不同的子序列、583. 两个字符串的删除操作、72. 编辑距离

刷题记录*115.不同的子序列583.两个字符串的删除操作思路一：转求公共子序列思路二：编辑距离（统计删除次数）72.编辑距离*115.不同的子序列leetcode题目地址编辑距离问题。题目要求在s串中查找t串出现的次数。dp数组含义：dp[i][j]表示以s[i-1]结尾的子串A中出现以t[j-1]为结尾的子串B的个数状态转移方程：题目要求在s串中查找t串出现的次数，因此只考虑对s串进行编辑。当

Star Patrick·2025-03-07 21:28

2025年AI编程的进展与突破

2025年AI编程的进展与突破1.AI编程能力达到中级工程师水平核心技术突破：大语言模型（如GPT-4、Claude3.5）通过海量代码训练，已能理解自然语言需求并生成符合规范的代码，支持复杂任务（如多文件修改

调皮的芋头·2025-03-07 20:19

复现：latent diffusion（LDM）stable diffusion

https://github.com/CompVis/latent-diffusion然后运行环境配置：condaenvcreate-fenvironment.yamlcondaactivateldm下载预先训练的权重

JokerSZ.·2025-03-07 20:40

阿里云CTO：通义稳居全球最强开源大模型，性能接近GPT-4o

来源：@首席数智官9月19日，在2024杭州云栖大会上，阿里云CTO周靖人表示，阿里云正在围绕AI时代，树立一个AI基础设施的新标准，全面升级从服务器到计算、存储、网络、数据处理、模型训练和推理平台的技术架构体系

首席数智官·2025-03-07 20:39

[A-30]ARMv8/v9-GIC-中断处理(中断状态机\中断生命周期)

ver0.1前言前一篇文章，我们站在SOC安全框架的视角下，对GIC的安全相关的架构设计做了梳理。所有的中断信号在SOC启动阶段的初始化过程中必须被配置到一个具有安全等级的Group中，目前ARM为中断信号设计了3个组：SecureGroup0、SecureGroup1、Non-SecureGroup1。在分组的基础上，在信号到达GIC-CPU-Interfaces的时候，还会根据当前PE的执行状

奔跑的架构师·2025-03-07 19:38

特斯拉FSD不同版本的进化

特斯拉，FSD，自动驾驶，深度学习，计算机视觉，强化学习，神经网络，模型训练1.背景介绍特斯拉自2016年推出Autopilot以来，一直致力于开发全自动驾驶系统，其目标是实现完全无人驾驶，让汽车能够像人类一样感知周围环境

AI智能涌现深度研究·2025-03-07 19:35

如何通过卷积神经网络（CNN）有效地提取图像的局部特征，并在CIFAR-10数据集上实现高精度的分类？

目录1.CNN提取图像局部特征的原理2.在CIFAR-10数据集上实现高精度分类的步骤2.1数据准备2.2构建CNN模型2.3定义损失函数和优化器2.4训练模型2.5测试模型3.提高分类精度的技巧卷积神经网络

浪九天·2025-03-07 19:27

一文读懂！OpenCV 实时人脸识别从 0 到 1，小白也能轻松实操的超详细教程（完整教程及源码）

深入阐述特征提取、模型训练方法，包含传统与深度学习方式，还介绍OpenCV预训练模型的使用与评估。详细讲解实时识别过程，包括打开摄像头、逐帧处理及结果显示优化。

AI_DL_CODE·2025-03-07 18:21

【硬核拆解】DeepSeek开源周五连击：中国AI底层技术的“破壁之战”

从GPU计算内核到分布式训练框架，用五大开源项目，在硬件适配、算力优化、通信调度等“卡脖子”领域打

shelly聊AI·2025-03-07 18:50

蓝桥训练系统-基础训练-非VIP题

蓝桥训练系统-基础训练-非VIP题数列排列#includeusingnamespace::std;inta[205];intmain(){intn;cin>>n;for(inti=1;i>a[i];sort

给雨·2025-03-07 17:47

第37篇Personalized Federated Learning: A Meta-Learning Approach（perfedavg联邦学习+元学习）2020个性化联邦学习使用Hessian

第一部分：解决的问题联邦学习（FL）在多用户协同训练模型时，因数据隐私和通信限制，用户仅与中央服务器交互。

还不秃顶的计科生·2025-03-07 17:44

调用链追踪（Trace ID）

前言：在Java中实现调用链追踪（TraceID）通常用于分布式系统中跟踪请求的完整链路，常见的实现方式包括手动编码或使用开源框架（如SkyWalking、Zipkin、SpringCloudSleuth

18你磊哥·2025-03-07 15:48

阿里深夜开源QwQ-32B模型，仅需1/10的成本即可比肩R1满血版

大规模强化学习（RL）有潜力超越传统的预训练和后训练方法来提升模型性能。近期的研究表明，强化学习可以显著提高模型的推理能力。

伪_装·2025-03-07 13:45

从零理解人工智能：技术原理、底层逻辑与手写数字识别实战

文章目录引言一、人工智能技术体系1.1核心技术栈二、神经网络底层逻辑2.1神经元数学模型2.2前向传播与反向传播三、手写数字识别实战（MNIST）3.1环境配置3.2数据预处理3.3CNN模型构建3.4模型训练与评估四

北辰alk·2025-03-07 13:40

代码随想录算法训练营 | 图论 | 孤岛总面积、沉没孤岛

101.孤岛的总面积//思路大概是先计算面积，然后如果有接触路面就返回false。可能稍微多余算了太多无用面积。#includeusingnamespacestd;voidsum(vector>&finded,constvector>&graph,inta,intb,int&result,bool&Ifisland){if(agraph.size()-1||b>graph[0].size()-1)

jcc_newszu·2025-03-07 13:07

机器学习与深度学习里生成模型和判别模型的理解

两个模型是啥我们从几句话进入这两个概念：1、机器学习分为有监督的机器学习和无监督的机器学习；2、有监督的机器学习就是已知训练集数据的类别情况来训练分类器，无监督的机器学习就是不知道训练集的类别情况来训练分类器

程序员羊羊·2025-03-07 12:03

【人工智能】大模型的Scaling Laws（缩放定律），通过增加模型规模（如参数数量）、训练数据量和计算资源来提升模型性能。

缩放定律（ScalingLaws）是人工智能领域中关于大模型性能提升的重要理论，其核心思想是通过增加模型规模（如参数数量）、训练数据量和计算资源来提升模型性能。

本本本添哥·2025-03-07 12:27

2021年7月初，深圳TPlink图像算法工程师面试题分享

问题一：Batch-norm作用和参数batchnorm的作用batchnorm对于输入数据做了零均值化和方差归一化过程，方便了下一层网络的训练过程，从而加速了网络的学习。

niuyunpang·2025-03-07 11:16

大模型最新面试题系列：训练篇之模型监控与调试

1.训练过程中需要监控哪些关键指标？如何设置报警阈值？关键指标损失函数值：包括训练损失和验证损失，反映模型在训练和验证数据上的拟合程度。

人肉推土机·2025-03-07 10:21

具身智能行业

其核心特征是“知行合一”，强调通过实际交互提升智能水平，而非仅依赖数据训练。技术融合：结合人工智能（AI）、机器人技术、多模态大模型

[shenhonglei]·2025-03-07 09:13

【yolov8】模型导出----pytorch导出为onnx模型

五、问题六、疑问训练模型的最终目标是将其部署到实际应用

栗子风暴·2025-03-07 09:12

LLMs之Llama-3：基于Colab平台(免费T4-GPU)利用LLaMA-Factory的GUI界面(底层采用unsloth优化框架【加速训练5~30倍+减少50%的内存占用】)对llama-3

LLMs之Llama-3：基于Colab平台(免费T4-GPU)利用LLaMA-Factory的GUI界面(底层采用unsloth优化框架【加速训练5~30倍+减少50%的内存占用】)对llama-3-

一个处女座的程序猿·2025-03-07 09:41

Bert模型学习笔记

可以看看李沐的视频：https://www.bilibili.com/video/BV1PL411M7eQ这篇文章主要是四个部分：bert的整体架构如何做预训练mlm+nsp如何微调bert(没看)代码解析

文三路张同学·2025-03-07 09:39

存储性能调优：掌握I/O性能调优和缓存策略配置

无论是高并发交易系统、实时分析平台，还是AI训练场景，存储I/O瓶颈和缓存策略配置不当都可能引发性能雪崩。本文将从硬件层到软件层，系统性地解析存储性能调优的核心技术，并提供可落地的优化策略。

Morris只会敲命令·2025-03-07 09:38

AdaBoost算法

以下是对AdaBoost的简明总结和关键要点：一、核心原理：提升法：通过顺序训练多个弱分类器，每轮专注修正前一个模

Mr终游·2025-03-07 09:07

Bert学习笔记

一、Bert架构BERT使用了双向的TransformerGPT使用从左到右的单向信息ELMo把单独训练的从左到右及从右到左的LSTM模型进行合并二、Bert预训练任务2.1遮蔽语言模型MLM任务：随机屏蔽

缓释多巴胺。·2025-03-07 09:05

代码随想录算法训练营第七天|Leetcode 344.反转字符串 541. 反转字符串II 卡码网：54.替换数字

344.反转字符串建议：本题是字符串基础题目，就是考察reverse函数的实现，同时也明确一下平时刷题什么时候用库函数，什么时候不用库函数题目链接/文章讲解/视频讲解：代码随想录思路非常简单，两个指针一个指向头一个指向尾巴，对于字符串，我们定义两个指针（也可以说是索引下标），一个从字符串前面，一个从字符串后面，两个指针同时向中间移动，并交换元素。classSolution{publicvoidre

昂子的博客·2025-03-07 08:59

电商智能客服实战（一）---概要设计

智能客服API层：系统唯一入口，处理多协议请求需求感知模块：用户需求解析核心模块规划模块：决策与解决方案生成中心规划-工具模块：业务能力扩展接口用户交互模块：对话管理与个性化交互辅助监控及调试模块：全链路追踪与质量保障第二章智能客服

power-辰南·2025-03-07 06:07

推荐频道