深度学习_人工智能博客-专业IT技术发表平台

【深度学习优化算法】09：Adadelta算法本文讲解深度学习优化算法中的Adadelta算法。Adadelta算法使用参数本身的变化率来调整学习率。Adadelta需要两个状态变量来存储梯度的二阶导数和参数的变化。Adadelta使用泄漏的平均值来保持对适当统计数据的运行估计。

阅读 3.3k

93赞

猿享天开

深度学习核心：卷积神经网络 - 原理、实现及在医学影像领域的应用摘要本文深入解析卷积神经网络(CNN)的核心原理与实现，重点介绍其在医学影像领域的应用。文章首先阐述CNN的数学基础和工作机制，包括卷积运算、池化操作和激活函数等关键组件。通过可视化图表展示CNN特征图的变化过程，详细说明各层作用。针对医学图像分类任务，文章以Kaggle胸部X光肺炎检测为例，分析CNN模型架构设计，并解释损失函数和反向传播机制在模型优化中的作用。全文以技术讲解为主，结合图表辅助说明，为读者提供CNN在医学影像分析中的实用指南。

阅读 982

49赞

Luis Li 的猫

深度学习五大模型：CNN、Transformer、BERT、RNN、GAN详细解析 CNN利用卷积操作实现局部连接和权重共享，能够自动学习数据中的空间特征。：广泛应用于图像处理相关的任务，包括图像分类、目标检测、图像分割等。此外，也常用于处理具有网格状结构的数据，如文档数据。

阅读 1.5w

125赞

十二月的猫

【深度学习基础】一篇弄懂PyPI和pip（呕心沥血版）在 Python 生态中，PyPI（Python Package Index）和 pip 是开发者的核心工具。PyPI 是一个庞大的软件包仓库，汇集了从数据处理到机器学习的各种 Python 库；pip 则是包管理工具，帮助开发者轻松安装、更新和管理这些库。掌握 PyPI 和 pip 的使用，是提升开发效率的关键。初学者可以通过 pip 快速安装依赖包，而资深开发者则可以将自己的项目发布到 PyPI，与全球开发者共享。本文将深入解析 PyPI 和 pip 的功能，从基础操作到高级技巧，帮助你全面掌握这些工具

阅读 1.9k

107赞

Francek Chen

【深度学习计算性能】03：自动并行本文讲解深度学习计算性能中的自动并行。以PyTorch为例，展示GPU并行计算、并行计算与通信操作，凸显基于图的计算后端自动优化调度的优势。

阅读 1.3k

86赞

美丽回忆一瞬间

深度学习与方差分析结合的脑电信号分类研究方差是衡量一组数据点分散程度的统计量，是每个数值与均值差值的平方的平均数。它提供了数据集中各个样本点相对于整体的变异程度。方差的计算公式如下：其中，(\sigma^2) 是方差，(x_i) 是每个样本点，(\mu) 是样本均值，(n) 是样本总数。方差越大，样本点之间的差异越大，数据分布越分散；方差越小，样本点越接近均值，数据分布越集中。# Python代码示例计算方差# 假设有一组脑电信号样本数据# 计算均值# 计算方差print("样本均值：", mean)

阅读 878

12赞

ai大模型应用开发

一文彻底搞懂深度学习 - 多头注意力（Multi-Head Attention）（或称为“头”）进行处理。****

阅读 1.5w

36赞

曼亿点

机器学习算法———深度学习（常见的结构） 👨‍💻。

阅读 2.1k

96赞

木青华

深度学习环境配置后续问题安装注意：如果是第一次安装且没有安装vs的话，记得必须去掉在CUDA中的visual studio integration这一项，但是如果有需要的请勾上。这里可以看到本机支持最高是12.8，而我们上面看到的本地实际上可以支持到12.8，取两个都能适用的版本，所以我们CUDA安装12.8的版本。经过检查发现RTX5060的CUDA版本为12.8,而之前下载的CUDA是11.3版本的在jupyter中遇到下面的报错信息。进入到环境变量的path变量中，删除旧版本的环境变量(同样是带CUDA字样的）

阅读 946

9赞

B站计算机毕业设计大学

计算机毕业设计Python+多模态大模型异常行为检测系统基于视频的个体行为分析系统深度学习机器学习人工智能 PyTorch TensorFlow(源码+文档+PPT+讲解) 计算机毕业设计Python+多模态大模型异常行为检测系统基于视频的个体行为分析系统深度学习机器学习人工智能 PyTorch TensorFlow(源码+文档+PPT+讲解)

阅读 740

16赞

Christmas hiof

Python深度学习环境配置（Pytorch、CUDA、cuDNN），包括Anaconda搭配Pycharm的环境搭建以及基础使用教程（保姆级教程，适合小白、深度学习零基础入门）本文旨在帮助想要入门深度学习的小白进行深度学习的环境配置，总结了一台电脑从零开始配置到调用Pytorch使用GPU进行深度学习计算的全过程环境搭建，并包含了Anaconda搭配Pycharm的环境搭建以及一些基本使用方法。

阅读 5.9w

462赞

收藏 1.6k

AI_DL_CODE

【人工智能之深度学习】10. 双向LSTM实战：从原理到部署的股价预测与情感分析双案例详解摘要：双向长短期记忆网络（BiLSTM）通过同时捕捉序列的前向和后向依赖关系，解决了传统LSTM难以建模双向时序关联的局限，成为时序建模与自然语言处理的核心工具。本文系统解析BiLSTM的数学原理，包括前向/后向状态融合机制与注意力增强策略；通过两个实战案例深入实践：在金融领域，构建BiLSTM+注意力模型实现股价预测（准确率67.5%），结合蒙特卡洛模拟输出风险区间；在NLP领域，分别针对金融新闻和医疗咨询构建情感分析模型，通过领域词向量优化使医疗情感准确率提升至84.2%。

阅读 909

26赞

AI规划师-南木

学AI需要什么样的电脑配置？（机器学习丨深度学习丨计算机视觉丨自然语言处理） nvidia-smi：实时监控GPU利用率、显存占用、温度等指标。某项目中通过nvidia-smi发现GPU显存泄漏，优化后显存占用降低30%。htop：查看CPU、内存、磁盘I/O使用情况，定位性能瓶颈。：分析模型各层计算耗时，优化低效算子。

阅读 2.3k

15赞

AI_DL_CODE

【人工智能之深度学习】17. ECG异常检测实战：自编码器解决心律失常诊断的类别不平衡问题摘要：心电图（ECG）异常检测是心律失常诊断的关键技术，但其面临正常样本占比超90%的类别不平衡挑战。本文提出基于自编码器的无监督异常检测方案，仅利用正常ECG样本训练模型，通过重构误差判断异常。以MIT-BIH公开数据集为基础，设计完整流程：从数据预处理（心拍分割、标准化）、1D卷积自编码器构建，到动态阈值确定（基于正常样本误差分布的99%分位数）。实验表明，该方案F1分数达0.89，召回率0.91，误报率降至2.3次/天，较传统孤立森林模型性能提升显著。

阅读 421

32赞

Neo-ke

OpenCV 4.3.0：深度学习优化与跨平台支持增强 OpenCV 4.3.0版本作为当前最新稳定版，引入了诸多更新和改进，重点包括性能优化、新模块的添加以及对现有功能的增强。这一章节将对更新亮点进行梳理，让读者快速掌握新版本的核心特性。Tengine的起源可以追溯到2017年，由吴克伟领导的研发团队发起。它的设计初衷是为了在嵌入式设备和移动平台上提供一个高效、轻量级的深度学习推理引擎。Tengine致力于在资源受限的硬件上实现快速的神经网络部署和运行，尤其是在ARM架构的处理器上。

阅读 866

19赞

若天明

深度学习-计算机视觉-数据增广/图像增广摘要：数据增广是提升深度学习模型泛化能力的关键技术，通过多种图像变换方法增加训练数据多样性。常用方法包括几何变换（翻转、裁剪）、色彩调整（亮度、色调）等，需根据任务特点选择合适策略。代码示例展示了使用PyTorch实现随机翻转、裁剪和颜色变换的方法，以及如何组合多种增广方式。数据增广可有效解决数据稀缺问题，但需注意避免过度增广导致数据失真。该技术在AlexNet等模型成功中发挥了重要作用。

阅读 1.0k

23赞

作者推荐

ZhangJiQun&MXP: 本人在读博士，研究大模型，数据交易，联邦学习领域每天帮助你们总结前言论文以及个人遇到问题。投稿Expert Systems with Applications历时4个月；中科院1区顶刊，本人在科研一线，在文章架构设计，公式编辑，图片美化，语言润色。overleaf编辑方面有一定经验，直接订阅后私信本人可以协助完成投稿返修。https://blog.youkuaiyun.com/qq_38998213/article/details/146232131?sharetype=blogdetail&sharerId=146232131&sharerefer=PC&sharesource=qq_3899821

关注