深度学习 Deep Learning 学习资料汇编 （持续更新中）。欢迎补充。

最新推荐文章于 2025-12-15 11:45:10 发布
转载 最新推荐文章于 2025-12-15 11:45:10 发布 · 398 阅读 · 1
文章标签：

#深度学习

基于深度学习的入侵检测系统设计与实现
AI天才研究院
08-06 4486
基于深度学习的入侵检测系统在提高检测精度和效率方面展现出了巨大的潜力，然而，它仍然面临着一些挑战，例如数据标准化、模型解释性、攻击的多样性等。未来，我们需要在这些方面进行更深入的研究，并开发出更强大的入侵检测系统。
【论文阅读】Ethereum Blockchain Smart Contract Vulnerability Detection Using Deep Learning
RuRu_Bai的博客
03-18 1166
静态分析器用于在开发过程中发现智能联系人中的漏洞，但非常耗时。文章提出了一种基于机器学习的方法来检测智能合约中的重入漏洞，系统由三个组件组成：数据准备、Op2Vec 和 LSTM 模型。（1）收集了 30,000 个智能合约，将它们分成两组，每组 15,000 个，分别用于 Op2Vec 生成和 LSTM 训练。（2）使用 Skip-Gram 算法将操作码关键字映射到向量表示，Op2Vec。（3）使用 Slither 静态分析器进行标记。（4）双向LSTM模型。link。
【DL】深度学习术语汇编（Deep Learning Terminology）
北境の守望者
08-23 671
Ref CNN:weight decay,momentum,batch normalization cnn常用参数记录
从数学到深度学习的学习资料及教程合集
诸神缄默不语的博客
08-01 4433
教程合集
Deep Learning Applied to Steganalysis of Digital Images: A Systematic Review 深度学习在数字图像隐写分析中的应用：系统综述
wangsanNOLOVE的博客
10-30 1864
Deep Learning Applied to Steganalysis of Digital Images: A Systematic Review （深度学习在数字图像隐写分析中的应用：系统综述） 摘要 隐写术包括将消息隐藏在被称为载体的对象内，以建立隐蔽的通信通道，从而使能够访问该通道的观察者不会注意到通信行为本身。隐写分析致力于使用隐写术检测隐藏消息；这些消息可以隐含在不同类型的媒体中，例如数字图像、视频文件、音频文件或纯文本。传统上，隐写分析分为两个独立的阶段，第一阶段包括人工提取复杂特征，第二
视觉slam从几何到深度学习：挑战与机遇＜Ongoing Evolution of Visual SLAM from Geometry to Deep Learning: Challenge＞
qq_40165706的博客
09-04 1511
2018年摘要视觉同时定位和映射（SLAM）在机器人界已经研究了几十年。随着基于几何模型的技术日益成熟和精确，视觉SLAM已经取得了重大进展和成就。然而，在具有挑战性的环境下，它们往往是脆弱的。最近，有一种趋势是开发数据驱动的方法，例如深度学习，以解决具有更稳健性能的视觉SLAM问题。本文旨在通过提供全面的技术回顾，见证视觉SLAM技术从基于几何模型到数据驱动方法的不断发展。我们的贡献不仅是汇编了最先进的端到端深度学习SLAM工作，还深入了解了深度学习SLAM的潜在机制。为此，我们首先简要概述了基于几何模型
论文学习_Asteria: Deep Learning-based AST-Encoding for Cross-platform Binary Code Similarity Detection
kitsch0x97的博客
06-03 1196
研究背景二进制代码相似性检测是许多安全应用程序的基本技术，例如漏洞搜索、补丁分析和恶意软件检测。随着物联网设备中关键漏洞的增加，越来越需要检测类似的代码以进行跨架构的漏洞搜索。现存问题各种物联网硬件架构和软件平台需要在相似性检测中捕获代码片段的语义等价性。然而，现有的方法不足以捕获语义相似性。核心思想函数的抽象语法树（AST）包含丰富的语义信息，自然语言处理（NLP）技术具有强大的语义理解能力。
移动深度学习 Mobile-deep-learning（MDL）
TensorFlowNews
09-25 1556
Free and open source mobile deep learning framework, deploying by Baidu.This research aims at simply deploying CNN on mobile devices, with low complexity and high speed. It supports calculation on iOS
自动生成低精度深度学习运算符
yiran103的专栏
03-01 1344
以下内容翻译自：Automating Generation of Low Precision Deep Learning Operators 随着深度学习模型变得越来越大，越来越复杂，将它们部署在低功耗手机和物联网设备上变得具有挑战性，因为它们的计算和能源预算有限。深度学习的最新趋势是使用极端量化的模型，对输入和若干位的权重进行操作，XNOR-Net，DoReFa-Net 和 HWGQ-Net...
Modeling Deep Learning Accelerator Enabled GPUs
yiran103的专栏
10-23 1425
Modeling Deep Learning Accelerator Enabled GPUs 发表在 ISPASS 2019 上。文章研究了 NVIDIA 的 Volta 和 Turing 架构中张量核的设计，并提出了 Volta 中张量核的架构模型。基于实现该模型，并且支持 CUTLASS 运行。发现其性能与硬件非常吻合，与 Titan V GPU 相比，获得了99.6%的 IPC 相关性。文中还展示了 Turing 架构中张量核的操作数矩阵元素到线程的映射，并发现它们与 Volta 张量核的行为不同。
GM2_exploration_deeplearning_zip_
09-30
标题中的“GM2_exploration_deeplearning_zip_”暗示了这是一个关于深度学习（Deep Learning）探索的项目，可能包含一系列的实验或研究文件，而“zip”表明这些文件被压缩在一个.zip格式的文件中。描述中的“deep ...
[论文]HYDRA：用于恶意软件分类的多模态深度学习框架
my991201的博客
08-08 1316
传统的恶意软件检测机器学习方法在很大程度上依赖于人工设计的特征，这些特征是基于专家对该领域的知识，而端到端学习方法则将原始可执行文件作为输入，并尝试从中学习一组描述性特征。尽管后者在可用数据不多或数据集不平衡的问题上可能表现不佳。在本文中，我们介绍了 HYDRA，这是一个新颖的框架，通过结合各种类型的特征来发现不同模式之间的关系，从而解决恶意软件检测和分类任务。我们的方法从各种来源学习，最大限度地发挥多种特征类型的优势，以反映恶意软件可执行文件的特征。我们提出的。
基于知识图谱+深度学习的大数据NLP医疗知识问答可视化系统（全网最详细讲解及源码/建议收藏）
最新发布
未来社会二十年发展的核心技术趋势由ABCD四个字母组成，分别是AI（人工智能）、BlockChain（区块链）、Cloud（云）、和Data（大数据）每一次进步都有新的认知和感触
12-15 632
本文详细介绍了一个基于知识图谱与深度学习的医疗问答系统。系统采用Neo4j存储医疗知识图谱，使用Aho-Corasick算法进行高效多模式匹配，并整合了BERT+LSTM+CRF深度学习模型。实现流程包括数据爬取、清洗、实体识别、知识图谱建模等步骤，最终构建了一个具有可视化界面的Flask应用。系统支持自然语言问答，能自动存储交互记录到SQL数据库。文章还详细说明了所需的软件环境配置（JDK1.8、Neo4j4.4.5等）和项目目录结构，为开发者提供了完整的实现方案和技术细节。
DefaultCPUAllocator: can‘t allocate memory
weixin_45776000的博客
12-11 414
【代码】DefaultCPUAllocator: can‘t allocate memory。
深度学习中 z-score 标准化理解
musk1212的博客
12-11 1115
摘要： z-score标准化是深度学习中关键的数据预处理方法，通过将数据转换为均值为0、标准差为1的分布，有效提升模型训练效率并消除特征量纲差异。其核心公式为z=(x-μ)/σ，适用于加速收敛、平衡多特征权重及异常值检测等场景。与Min-Max归一化相比，z-score对异常值更鲁棒，是神经网络训练的首选方法。需注意避免数据泄露问题（测试集必须使用训练集的μ和σ），并处理标准差为0的特殊情况。批量归一化(BatchNorm)是z-score的动态扩展版本。
机器学习与深度学习基础（五）：深度神经网络经典架构简介
TracyCoder的博客
12-11 801
本文学习要点：1.深度神经网络分层架构：全连接层卷积层池化层2.深度神经网络代表:CNN：CNN、AlexNet、VGG-Net、GoogLeNet（Inception）、ResNet（残差连接）编码器-解码器架构：序列到序列模型（Seq2Seq）
RNN（循环神经网络）原理
weixin_45776000的博客
12-12 472
RNN的突破：引入"记忆"概念，让网络可以记住之前的信息来处理当前输入。无法建模时间依赖：比如语言中"我今天吃了__"的预测需要前面信息。无记忆性：每个输入独立处理，忽略序列中元素的时间/顺序关系。关键：所有时间步共享相同的权重参数 W, U, V。主要问题：梯度消失/爆炸，通过LSTM/GRU缓解。W: 隐藏状态权重 (h_t-1 → h_t)应用场景：NLP、时间序列、语音识别等序列任务。输入：序列 → 编码 → 解码 → 输出序列。U: 输入权重 (x_t → h_t)
基于深度学习的网络流量异常检测系统
XiaoMu_001的博客
12-11 979
本项目旨在构建一个基于深度学习的高效网络流量异常检测系统。系统采用 **B/S 架构**，前后端分离设计。后端基于 **Django** 框架，前端采用 **Vue 3** + **Element Plus**。核心检测引擎利用 **PyTorch** 构建深度学习模型（MLP 和 1D-CNN），能够对网络流量数据进行实时或离线分析，精准识别良性流量及多种类型的网络攻击（如 DoS, PortScan, Web Attack 等）
微算法科技（NASDAQ MLGO）采用混合深度学习赋能区块链：打造智慧城市安全新范式
MicroTech2025的博客
12-11 414
区块链网络中的各个节点会对算法输出的结果进行验证和记录，每一个安全判断、操作记录等都会以区块的形式被添加到区块链账本上，由于区块链的不可篡改特性，这些记录能够作为可靠的依据，供后续的审计、追溯等使用。系统维护阶段，当发现潜在安全风险时，系统可以根据预设的规则自动触发相应的安全响应机制，比如向相关管理人员发送警报信息、启动防护设备（如对特定区域进行封锁、调整交通信号灯等），同时这些响应操作也会被记录在区块链上，形成完整的安全事件处置链条，方便后续复盘和改进安全策略。
2013年IEEE PAMI深度学习专刊论文汇编
深度学习（Deep Learning）是机器学习（Machine Learning）的一个子领域，它基于人工神经网络（Artificial Neural Networks，ANNs），尤其是深度神经网络（Deep Neural Networks，DNNs）。深度学习的概念源于对生物...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值