【AI算法岗面试八股面经【超全整理】——深度学习】 它将一个包含任意实数的K维向量（K是类别数量）映射为一个概率分布，每个类别的预测值都在0到1之间，所有类别的概率总和为1。有时候通过RMSProp优化算法得到的值不是最优解，有可能是局部最优解，引入动量的概念后，求最小值就像是一个球从高处落下，落到局部最低点时会继续向前探索，有可能得到更小的值。BGD得到的是一个全局最优解，但是每迭代一步，都要用到训练集的所有数据，如果样本数巨大，那上述公式迭代起来则非常耗时，模型训练速度很慢。UAR作为模型的评价指标，表示没类数据样本召回率（Recall）的平均值。

阅读 1.3w

60赞

收藏 237
【Transformer优化】什么是稀疏注意力？ 稀疏注意力是一种对传统自注意力机制的优化方法，其核心思想是通过限制注意力范围，减少需要计算的注意力权重数量，从而降低计算复杂度。换句话说，稀疏注意力只允许模型关注输入序列中的一部分元素，而不是所有元素。稀疏注意力作为一种优化 Transformer 的关键技术，通过减少计算和内存开销，为大规模模型的应用铺平了道路。它的出现不仅解决了传统自注意力机制的效率瓶颈，还为模型设计提供了新的思路。对于研究者和工程师而言，稀疏注意力的意义在于提醒我们：在追求模型性能的同时，也需要关注其效率和可扩展性。

阅读 909

36赞

收藏 18
DeepSeek 引爆 AI 圈：深度学习大模型全解析 DeepSeek 引爆 AI 圈：深度学习大模型全解析，在当今科技飞速发展的时代，人工智能（AI）无疑是最具影响力的领域之一。而深度学习大模型作为 AI 发展的关键驱动力，正引领着一场前所未有的技术变革。其中，DeepSeek 以其卓越的性能和创新的技术，在 AI 圈中掀起了轩然大波，吸引了全球众多开发者和研究人员的目光。本文将深入探讨深度学习大模型的相关概念，并结合 DeepSeek 的特点，通过丰富的代码示例和详细的解释，为读者呈现一个全面而深入的深度学习大模型世界。

阅读 4.8w

91赞

收藏 80
【深度学习基础】一篇弄懂训练集、验证集和测试集（呕心沥血版） 在深度学习中，训练集、验证集和测试集是构建和评估模型的核心组成部分。训练集用于模型的学习和参数优化，验证集帮助调整超参数和防止过拟合，而测试集则用于最终评估模型的泛化性能。正确划分和使用这三类数据集，对于开发高效、可靠的深度学习模型至关重要。本文将深入解析它们的作用、划分方法以及在实际应用中的注意事项，帮助你全面理解并掌握数据集的科学使用方法，从而提升模型的实际表现。

阅读 1.8k

122赞

收藏 99
【玩转深度学习】手把手带你实战多元回归（附完整代码和数据） 本篇文章深入讲解了多元回归的PyTorch实战项目。多元回归是指在回归模型中考虑多个自变量（特征），用于预测一个因变量（目标）。在多元回归中，通过引入多个输入特征，我们能够建立更为复杂的预测模型，以捕捉数据中各个特征之间的关系。本文还讲解了神经网络模型图的理解，其中圆圈表示状态，线表示模型之间的关系。最后，通过一个可运行的代码示例，帮助读者巩固对多元回归相关知识的理解和应用。

阅读 1.4k

89赞

收藏 97
【深度学习】多层感知机（MLP） 多层感知机（Multilayer Perceptron，简称MLP）是一种前向人工神经网络模型，由多个神经元组成的网络层间以全连接的方式连接。MLP由若干个神经元组成的多个层次组成，其中包括输入层、隐藏层和输出层。输入层接收输入数据，并将数据传递给隐藏层。隐藏层通过激活函数将输入值转换为输出值，并将其传递到输出层。输出层给出最终的预测结果。每个神经元在隐藏层和输出层中都有权重和偏置，可以看作一个非线性的函数，它接收来自上一层神经元的输入，并根据权重和偏置进行一系列的计算，最终产生输出。

阅读 5.7k

45赞

收藏 77
人工智能领域单词：英文解释 本章详细介绍：人工智能领域单词及其英文解释

阅读 4.7k

34赞

收藏 49
深度学习/强化学习调参技巧 深度调优策略。

阅读 758

14赞

收藏 7
深度学习超分辨率算法（对抗生成网络路线）——ESRGAN方法 的改进，能够生成在视觉上更具“真实感”且拥有更锐利高频细节的超分辨率图像。SRGAN 通过引入对抗损失（GAN）与感知损失（Perceptual Loss）已经在视觉质量上显著提升，但仍然存在纹理失真、放大伪影等问题。的 PyTorch 实现，用于演示主要结构（RRDB）与相对判别器思想。在 RDB 中，每一层卷积的输入都是所有先前卷积层的输出拼接（Dense 连接），并在输出端加一个局部残差。）上做出改进，从而在多个数据集上取得更佳的主观和客观评估效果。设定下，对抗损失不再是单纯的二分类，而是包含。

阅读 1.0k

12赞

收藏 23
3DUnet实现3D医学影像的有效分割 3DUnet实现3D医学影像的有效分割

阅读 4.9k

10赞

收藏 61
智能形状匹配技术全解析：从经典算法到深度学习与神经形态计算【超级详细版】 本研究系统探讨了高级形状特征提取方法，涵盖经典计算机视觉、统计方法、机器学习、深度学习、生成建模及神经形态计算等领域。通过对比HOG、SIFT、PCA、CNN、ViT、GAN、SNN等方法，分析其匹配精度、计算效率、变换鲁棒性和泛化能力。实验基于MNIST、ShapeNet、ModelNet等数据集，验证不同方法的优劣，并提出高效形状匹配、多模态融合、AI for Science等未来发展方向。本研究为自动驾驶、医学影像、工业检测、智能制造等应用提供前沿技术参考，推动形状匹配技术的发展。

阅读 1.1k

18赞

收藏 28
作者推荐
机器学习之心
博客专家认证，机器学习领域创作者，2023博客之星TOP50，主做机器学习和深度学习时序、回归、分类、聚类、降维、优化和评价等程序设计和案例分析，文章底部有博主联系方式。
关注
盼小辉丶
记录学习历程，分享学习心得，关注深度学习，欢迎交流学习.
关注
SEU-WYL
物体位姿估计领域研究者
关注
JOYCE_Leo16
计算机视觉，深度学习，图像处理
关注
AI智韵
专注AI技术，紧跟时代前沿，将最新的论文成果运用到Yolo系列的改进中！每篇文章都包含几种改进方法，步骤详细，解释清楚，还提供了PDF版本的文章和完整的改进代码！大家遇到使用的问题，或者我写的不清楚的地方，请私信告诉我！如果是写的不够清楚，我再去修改，如果有错误和Bug，我尽快修复！谢谢大家！
关注
Mini_hailang_IT
毕设帮助,项目开发,欢迎打扰!
关注
空云风语
持续教AI学习
关注
XD742971636
https://www.dong-blog.fun/
关注
AI_DL_CODE
人工智能，软件开发，工控自动化，工厂数字化及智能化
关注
芒果学AI
YOLOv8项目Contributor,算法工程师, 原创专栏YOLO11、YOLOv10、YOLOv8、YOLOv9、YOLOv5、YOLOv7改进通用.持续更新中.包含<改进代码和改进教程> 认准官方优快云芒果专栏, 订阅专栏的读者可以私信博主加群，咨询可添加QQ：2434798737
关注