- 博客(83)
- 收藏
- 关注
RSS订阅
原创 云开发实战教程：手把手教你高效开发应用
云开发 Copilot 是由腾讯云开发团队推出的一款智能AI 开发辅助工具，旨在为开发者提供高效、便捷的应用开发体验。它通过自然语言处理和机器学习技术，能够快速生成多种类型的应用功能，涵盖了低代码应用、页面、组件、数据模型、CMS 内容等多个方面，能帮助开发者快速构建自己的小程序、web 等云开发应用。用户可以通过简单的指令或描述，快速获取所需功能的代码或配置，大大降低了开发门槛，加快了开发效率。初学者和资深开发者，都能从中受益，利用其强大的功能快速实现创意和业务需求。在云开发AI+
2024-11-25 01:37:54
15247
318
原创 告别C盘爆红，手把手教学彻底清理磁盘空间
总的来说用小番茄C盘清理软件一键式、一体化的 、全方位清理会比自己逐项清理更快捷、更加高效，而且能大大减少乱删、误删的风险。最后软件的下载地址放这里了，需要的自取。
2025-03-28 17:34:08
5499
93
原创 腾讯云大模型知识引擎x deepseek：打造智能服装搭配新体验
在利用腾讯云大模型知识引擎与 DeepSeek 搭建智能服装搭配应用的实践过程中，我收获颇丰。腾讯云大模型知识引擎的高效搭建能力令人赞叹。多种开发方式和预置插件，极大降低了应用搭建难度，让我能快速上手。其复杂知识处理技术，能精准解析服装搭配相关文档，为应用提供丰富知识支撑。完善的配套工具链支持从测试到反馈增强的一站式流程，在设置问答和优化应用时十分便捷，有效提升了开发效率。在应用搭建环节，选择 DeepSeek R1 模型为智能服装搭配提供了强大的推理能力。
2025-03-24 22:38:59
15877
262
原创 AIGC 新势力：探秘海螺 AI 与蓝耘 MaaS 平台的协同创新之旅
蓝耘MaaS平台作为企业级AI模型服务基础设施，以云服务形式为企业开发者、创业者及非技术背景用户提供预训练模型、行业定制化模型及配套工具链。其核心目标在于简化模型部署流程，实现资源弹性扩展，并针对金融、医疗、工业等垂直领域提供适配模型，降低企业应用AI技术的门槛。平台采用云原生架构，基于Kubernetes实现弹性资源调度，适配混合云/私有云部署，同时集成GPU/NPU算力池，优化推理效率，还提供联邦学习、隐私计算选项，保障数据隐私合规。
2025-03-24 00:00:32
1621
97
原创 展望 AIGC 前景：通义万相 2.1 与蓝耘智算平台共筑 AI 生产力高地
通义万相2.1和蓝耘平台结合后，为企业提供了强大的AI生成能力，极大提升了内容生产效率。无论是图像、视频，还是3D模型的生成，都能够在短时间内实现高质量输出，并且能够根据不同的行业需求进行灵活调整。
2025-03-12 09:31:49
15028
174
原创 云平台DeepSeek满血版：引领AI推理革新，开启智慧新时代
为了让更多的用户亲身感受这一革命性技术成果，云平台推出了免费Tokens的特权活动，让每一位用户都能够充分体验DeepSeek满血版的强大功能，并一同见证AI推理技术的突破性进展。作为AI领域的创新者与领航者，云平台始终走在技术前沿，凭借无穷的热情与智慧，致力于发掘AI的无限潜能，努力为全球用户描绘更加智能、高效、便捷的未来。为了支撑DeepSeek的强大功能，云平台为其配备了顶尖的计算资源，包括先进的GPU和CPU、优化的软件系统和分布式计算技术，确保推理任务能够迅速完成，推理效率得到极大提升。
2025-02-28 23:24:20
2249
137
原创 AI性能极致体验：通过阿里云平台高效调用满血版DeepSeek-R1模型
1.操作简单：整体操作流程较为简洁。用户只需根据阿里云提供的实操手册进行步骤操作，即可顺利完成API调用的配置和测试。对于熟悉阿里云产品的用户来说，界面非常熟悉，设置过程不会遇到过多的复杂步骤。5-8分钟左右可以搞定。2.易用性：手册详细说明了每个步骤的操作，用户只需按照提示逐步完成配置即可。通过百炼平台，用户能够轻松获得API-KEY并进行配置。对于没有使用过阿里云的用户，手册也提供了完整的指导，帮助用户顺利开始。3.用户友好性。
2025-02-18 17:09:22
273038
120
原创 Deepseek R1模型本地化部署+API接口调用详细教程：释放AI生产力
随着最近人工智能 DeepSeek 的爆火，越来越多的技术大佬们开始关注如何在本地部署 DeepSeek，利用其强大的功能，甚至在没有互联网连接的情况下也能进行高效的使用。事实上，DeepSeek 的技术实力已经不亚于 OpenAI 的 GPT 系列，因此许多人对其部署和应用产生了浓厚的兴趣。在这篇文章中，我将一步步带你完成本地 DeepSeek 部署的整个过程，确保你能够顺利地将其应用于你的工作或个人项目中。
2025-02-14 16:49:16
18991
85
原创 蓝耘云部署DeepSeek：释放AI生产力推动深度学习发展
蓝耘元生代智算云是一个前沿的智能计算平台，依托强大的算力资源和大规模GPU集群，具备卓越的并行计算能力，能够处理海量数据和复杂算法。平台搭载了智能调度系统，能够根据任务需求动态分配算力资源，确保高效利用计算资源，并大幅缩短任务执行时间。同时，平台提供多重数据备份和加密技术，有效保障用户数据的安全与隐私。在易用性方面，蓝耘元生代智算云的操作界面简洁直观，科研人员和企业开发者都能快速上手，轻松提交任务、监控进度并查看结果。
2025-02-10 15:09:01
7105
92
原创 CapsNet ：用于图像识别的神经网络结构，包含胶囊层
在传统的神经网络中，神经元的输出通常是一个标量值，表示某种特征的存在与否。而在胶囊网络中，胶囊是一个向量，每个向量的方向代表物体的姿态，长度表示物体存在的概率。胶囊的输出不仅代表特征的存在与否，还包含了关于该特征的空间信息。例如，针对一个图像中的某个物体，胶囊网络会通过向量来表示该物体的旋转角度、位置、大小等信息。我们将首先定义一个简单的胶囊网络。首先，我们定义卷积层来提取图像的低级特征。胶囊层的核心是通过动态路由机制来处理信息的传递。我们首先定义一个基本的胶囊层。# 定义权重矩阵，用于胶囊之间的连接。
2025-01-21 19:33:38
1318
26
原创 StyleGAN - 基于样式的生成对抗网络
StyleGAN是一种改进的生成对抗网络，它通过引入“样式”概念，使得生成图像的控制更加灵活。StyleGAN的核心思想是通过“映射网络”和“样式变换层”对生成器进行控制，以生成高质量、细节丰富的图像。与传统GAN的架构不同，StyleGAN采用了一个由“映射网络”和“样式变换层”组成的生成器结构。映射网络将输入的噪声映射到“样式”空间，而样式变换层则将样式信息引入生成器的每个卷积层，以控制生成图像的风格。更高的生成图像质量：通过引入样式控制和渐进式训练，生成的图像质量大幅提高，能够生成高分辨率的图像。
2025-01-21 19:24:12
1754
51
原创 DCGAN - 深度卷积生成对抗网络：基于卷积神经网络的GAN
深度卷积生成对抗网络（DCGAN，Deep Convolutional Generative Adversarial Network）是生成对抗网络（GAN）的一种扩展，它通过使用卷积神经网络（CNN）来实现生成器和判别器的构建。与标准的GAN相比，DCGAN通过引入卷积层来改善图像生成质量，使得生成器能够生成更清晰、更高分辨率的图像。DCGAN提出了一种通过卷积结构来提高图像生成效果的策略，并在多个领域，包括图像生成、风格迁移、图像修复等任务中，取得了显著的成果。本文将深入探讨DCGAN的工作原理、架构、
2025-01-21 08:40:25
1810
29
原创 CycleGAN - CycleGAN网络：无监督图像到图像转换的生成对抗网络
CycleGAN是一种基于生成对抗网络（GAN）的无监督学习模型，旨在解决没有成对图像数据的图像到图像转换问题。其核心思想是通过引入循环一致性损失来确保生成的图像在转换回原始域时，能够保持与输入图像相同的结构信息。与传统的生成对抗网络不同，CycleGAN不需要成对的训练数据，它通过两个生成器和两个判别器来实现图像到图像的映射。生成器负责生成从源域到目标域的映射，判别器则用于判断图像是否来自目标域。为了确保映射的可靠性，CycleGAN还引入了“逆向”生成器，并通过循环一致性损失来确保图像的可逆性。
2025-01-20 20:04:16
2209
21
原创 Pix2Pix ：用于图像到图像转换的条件生成对抗网络
Pix2Pix是一种条件生成对抗网络（Conditional GAN），其目标是从输入图像生成相应的输出图像。生成器和判别器。生成器：负责从输入图像生成目标图像。判别器：负责判断生成图像和真实图像之间的区别。Pix2Pix被广泛应用于图像到图像转换的任务，如图像修复、图像超分辨率、图像颜色化、图像风格迁移等。Pix2Pix网络在图像到图像的转换领域表现出色，尤其是在有条件数据的监督学习任务中。它不仅能够生成逼真的图像，而且通过对抗训练提高了图像质量。
2025-01-20 19:43:48
1744
42
原创 WGAN - 瓦萨斯坦生成对抗网络
WGAN的提出旨在通过引入Wasserstein距离来解决传统GAN中的上述问题。Wasserstein距离是一种度量两个分布之间距离的方法，它可以有效地避免传统GAN中存在的梯度消失问题，并且提供更加稳定的训练过程。WGAN的核心思想是在判别器中不使用标准的sigmoid激活函数，而是采用线性输出，并用Wasserstein距离来作为损失函数。Wasserstein距离的引入，使得生成器和判别器的训练变得更加平滑，且训练过程更为稳定。
2025-01-20 19:28:47
1383
24
原创 DenseNet-密集连接卷积网络
DenseNet的核心思想是通过将每一层与前面所有层连接，增强网络中信息和梯度的流动。在传统的卷积神经网络（CNN）中，每一层仅依赖于前一层的输出作为输入。而在DenseNet中，每一层的输入不仅包括当前层的输出，还包括所有前面层的输出。
2025-01-20 10:45:13
1815
42
原创 MobileNet：轻量级卷积神经网络引领移动设备图像识别新时代
在当今数字化时代，移动设备已经成为人们生活中不可或缺的一部分，而图像识别技术在移动设备上的应用也日益广泛，如拍照识别物体、实时图像分类等。然而，传统的卷积神经网络（CNN）由于模型庞大、计算复杂，难以直接应用于资源受限的移动设备。MobileNet 的出现，犹如一股清新的春风，为移动设备上的图像识别带来了曙光，它以其轻量级的架构和高效的性能，开启了移动设备图像识别的新篇章。
2025-01-18 12:46:26
1262
36
原创 Inception 网络：开启多尺度卷积的图像识别新时代
在深度学习的璀璨星河中，卷积神经网络（CNN）无疑是一颗耀眼的明星，它在图像识别领域取得了前所未有的成就。而 Inception 网络作为 CNN 家族中的杰出代表，以其独特的多尺度卷积结构，为图像识别带来了全新的思路和突破，犹如一把神奇的钥匙，开启了图像识别的新时代大门。
2025-01-18 12:34:34
2394
51
原创 VGG (Visual Geometry Group) ：深度卷积神经网络的图像识别利器
在深度学习的蓬勃发展历程中，卷积神经网络（Convolutional Neural Network，CNN）为图像识别领域带来了革命性的突破。而 VGG（Visual Geometry Group）作为其中的杰出代表，凭借其简洁而高效的网络结构，在图像识别任务中展现出了卓越的性能，成为了深度学习领域的经典模型之一。
2025-01-17 11:37:46
1317
18
原创 ResNet (Residual Network) - 残差网络：深度卷积神经网络的突破
在计算机视觉领域，图像识别一直是一个核心且具有挑战性的任务。随着深度学习的发展，卷积神经网络（CNN）在图像识别方面取得了显著的成果。然而，随着网络深度的增加，出现了梯度消失或梯度爆炸等问题，导致网络性能下降，这被称为 “退化问题”。ResNet（残差网络）的出现，为解决这一难题提供了有效的方案，它通过引入残差连接，使得深度卷积神经网络能够更好地学习图像特征，显著提高了图像识别的准确率，成为了深度学习领域的重要里程碑。
2025-01-16 22:14:30
1283
30
原创 深入探究Linux树状目录结构
Linux 作为一款广泛使用的开源操作系统，其目录结构采用了树状设计，这种结构清晰、有条理，便于用户和系统进行文件管理与操作。
2025-01-16 09:01:10
2626
47
原创 深度学习核函数
1.Linear线性核函数执行内积操作，对输入数据不做任何变换，直接使用原始特征。2.线性核函数的优点在于简单和计算效率高，适用于特征丰富且样本量大的数据集。3.线性核函数适用于简单问题，能够保持模型的稳定性，避免过拟合(算法模型太复杂，泛化性低)。4.当样本数据量特别大时，线性核函数的计算量较小，速度较快。5.实时应用中，线性核函数因其简单和高效而常被首选。1.高斯核函数基于高斯分布（正态分布）2.一维高斯函数具有标准差和均值参数 3.二维高斯函数扩展到二维空间，控制高度。
2025-01-15 15:03:30
1283
38
原创 AlexNet：开启深度学习图像识别新纪元
它于 2012 年横空出世，并在 ImageNet 竞赛中一举夺冠，这一历史性的突破彻底改变了计算机视觉领域的发展轨迹，让全世界深刻认识到深度卷积神经网络在图像识别任务中的巨大潜力，从而掀起了深度学习研究与应用的热潮。同样，在卷积后进行偏置添加和 ReLU 激活。这一尺寸的确定是经过大量实验和权衡的结果，既能包含足够丰富的图像信息，又能在当时的计算资源和硬件条件下较为高效地进行处理。S4 层依旧是最大池化层，池化核大小为 3x3，步长为 2，对 C3 层的输出进行下采样，得到大小为 13x13 的特征图。
2024-12-11 19:26:21
1049
43
原创 探索 LeNet-5：卷积神经网络的先驱与手写数字识别传奇
它是由 Yann LeCun 等人在 1998 年提出的，虽然在今天看来它的结构相对简单，但它却为后来深度学习的繁荣奠定了坚实的基础，尤其是在手写数字识别这一经典任务上，LeNet-5 展现出了卓越的性能，成为了计算机视觉领域的一座重要里程碑。它是由 Yann LeCun 等人在 1998 年提出的，虽然在今天看来它的结构相对简单，但它却为后来深度学习的繁荣奠定了坚实的基础，尤其是在手写数字识别这一经典任务上，LeNet-5 展现出了卓越的性能，成为了计算机视觉领域的一座重要里程碑。
2024-12-11 19:22:56
1102
6
原创 GPT (Generative Pre-trained Transformer)：开启自然语言处理新时代
OpenAI 研发的 GPT 系列模型横空出世，凭借先进的生成预训练 Transformer 架构，掀起 NLP 领域的变革风暴，重塑文本生成、对话系统、知识问答等诸多应用格局，成为全球学界与业界瞩目的焦点。GPT 预训练动用海量文本数据，涵盖互联网网页、书籍、学术论文、社交媒体等多元语料，数据清洗、去噪后，通过字节对编码（Byte-Pair Encoding，BPE）分词成子词单元，兼顾词法普遍性与罕见词捕捉，为模型提供丰富语义知识储备，奠定强大泛化基础。，模型最大化预测下一词概率，即。
2024-12-10 08:40:34
637
6
原创 T5 (Text-to-Text Transfer Transformer)基于 Transformer 的预训练模型详解
Transformer 架构掀起了 NLP 革命，Google 提出的 T5 模型更是在此基础上大放异彩，凭借独特的文本到文本框架，统一多种 NLP 任务，展现出强大的泛化与适应能力，成为学界、业界的重点关注对象。T5 预训练动用大规模多领域文本语料，涵盖维基百科、书籍、新闻文章等超万亿单词量，数据清洗、去重后经字节对编码（Byte-Pair Encoding，BPE）分词，将文本切分为子词单元便于模型学习词法、句法规律，提升泛化性，不同语种数据融合预训练赋予模型多语处理潜能。，模型最小化重构损失。
2024-12-10 08:35:32
1347
2
原创 探索机器学习之朴素贝叶斯分类算法
虽冠以 “朴素” 之名，看似简单，实则蕴含精巧数学逻辑与实用价值，是入门机器学习、攻克现实难题的得力工具。模型结构固定，难捕捉高阶特征交互。例如邮件分类，是邮件为垃圾邮件或正常邮件，是邮件内词汇、发件人等特征组合；试图借已知特征求属某类概率，即求解类别特征，贝叶斯定理搭建起特征与类别间概率桥梁。处理二值特征，如文本分类里词汇是否在文档现，特征仅（未现）、（出现）两值。训练数据稀疏时，部分特征与类别组合未现，致对应概率，乘积为零，预测失效。聚焦文本、计数特征，特征值是某元素出现次数，契合词频统计文本分类。
2024-12-09 10:00:26
897
4
原创 探索 Microi 吾码：低代码开发平台的璀璨明星
技术框架：.NET8 + Redis + MySql/SqlServer/Oracle + Vue2/3 +平台始于2014年（基于Avalon.js），2018年使用Vue重构，于2024年10月29日开源Gitee开源地址：https://gitee.com/ITdos/microi.net。
2024-12-09 09:48:37
3716
175
原创 机器学习逻辑回归算法
在医疗领域，逻辑回归可以帮助医生根据患者的症状、检验指标等因素判断是否患有某种疾病，例如预测患者是否患有糖尿病、心脏病等。总体而言，逻辑回归虽有局限，但凭借简单实用的特性，在合适场景中能发挥重要作用。逻辑回归作为常用的机器学习分类算法，应用背景广泛，在医疗、金融、营销等多领域助力分类决策其基本原理围绕逻辑函数构建模型，通过最大似然估计结合梯度下降等方法确定参数。算法分析方面，优点是简单高效、可解释性强、输出易理解，缺点为受线性假设限制、对特征处理要求高、易欠拟合。逻辑回归通过最大似然估计来确定参数和。
2024-12-07 22:50:39
1000
2
原创 机器学习线性回归算法
线性回归作为机器学习领域的基础算法，在多个行业有着广泛的应用。从应用背景来看，其能够处理诸如经济、房产、工业生产等众多领域中的预测和分析问题，通过挖掘自变量与因变量间的线性关系来辅助决策。在基本原理方面，简单线性回归基于一个自变量建立线性方程，通过最小二乘法确定参数；多元线性回归则扩展到多个自变量，以矩阵形式表示并求解参数。算法分析显示，线性回归具有简单易懂、计算效率高和可解释性强的优点，但也存在线性假设限制、对异常值敏感和可能出现多重共线性问题等不足。
2024-12-07 22:42:01
1136
1
原创 RoBERTa- 稳健优化的 BERT 预训练模型详解
自 BERT（Bidirectional Encoder Representations from Transformers）问世，预训练语言模型在自然语言处理（NLP）领域掀起革命浪潮，凭卓越表现大幅刷新诸多任务成绩。RoBERTa 承继 BERT 架构，却凭借一系列精巧优化，在效果上更进一步，成为当下 NLP 研究与应用热门模型，广泛用于文本分类、问答系统、机器翻译等任务。
2024-12-03 19:11:07
3106
19
原创 ELMo：自然语言处理中的语言模型嵌入技术
在自然语言处理领域，如何有效地将自然语言转化为计算机能够理解和处理的向量表示一直是核心问题。ELMo 的出现为解决这一问题提供了新的思路，它通过对大规模语料进行预训练，能够生成富含上下文信息的词向量，从而在众多 NLP 任务中取得显著效果。
2024-12-01 20:10:18
1674
18
原创 深度学习模型： BERT（Bidirectional Encoder Representations from Transformers）详解
自然语言处理（NLP）领域在过去几十年取得了显著的进展。从早期基于规则的方法到统计机器学习方法，再到如今基于深度学习的模型，NLP 不断向着更高的准确性和效率迈进。BERT 的出现为 NLP 带来了新的突破，它能够有效地对自然语言进行编码，从而在多个 NLP 任务中取得优异的表现。
2024-12-01 19:57:38
1402
4
原创 Transformer 模型：序列数据处理的自注意力神经网络架构
Transformer 模型主要由编码器和解码器两大部分构成。编码器用于对输入序列进行特征提取与编码，解码器则在编码器输出的基础上生成目标序列。这种结构设计使得 Transformer 能够处理如机器翻译这类从一种序列到另一种序列的转换任务，同时也适用于文本分类、情感分析等仅需对输入序列进行理解与分析的任务。
2024-11-30 08:12:08
949
18
原创 BiGRU：双向门控循环单元在序列处理中的深度探索
在当今的人工智能领域，序列数据的处理是一个极为重要的任务，涵盖了自然语言处理、语音识别、时间序列分析等多个关键领域。循环神经网络（RNN）及其衍生结构在处理序列数据方面发挥了重要作用。然而，传统的 RNN 存在梯度消失和梯度爆炸等问题，限制了其在长序列数据上的应用效果。门控循环单元（GRU）作为 RNN 的一种改进结构，有效地缓解了这些问题。而双向门控循环单元（BiGRU）进一步拓展了 GRU 的能力，通过同时对序列进行正向和反向的处理，能够捕捉到更丰富的序列特征信息，在众多实际应用中取得了卓越的性能表现。
2024-11-30 07:55:47
3202
4
原创 深度学习模型：门控循环单元（GRU）详解
随后，门控循环单元（GRU）作为 LSTM 的一种简化变体，在保持良好性能的同时，具有结构简单、训练速度快等优点，因此在许多序列数据处理任务中得到了广泛应用。相比之下，GRU 将输入门和遗忘门合并为更新门，并且没有单独的记忆单元，直接在隐藏单元中进行信息的更新和传递，因此结构更加简单。GRU 的输入和普通 RNN 一样，在每个时间步 ，它接受当前的输入向量 以及上一个时间步的隐藏状态 ，然后输出当前时间步的隐藏状态 ，并将其传递到下一个时间步作为输入之一。在上述代码中，我们首先定义了一个。
2024-11-29 11:26:00
2924
6
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人