- 博客(325)
- 收藏
- 关注
RSS订阅
原创 【华为Pura先锋盛典】华为Pura X“阔折叠”手机发布：首次全面搭载HarmonyOS 5
华为新生态手机Pura X以16:10阔型屏与AI眼动交互视觉体验登场，首搭HarmonyOS 5实现40%性能跃升，万亿级大模型驱动智能服务进化。红枫四摄开启多光谱影像时代。鸿蒙生态全面冲刺，电脑新品蓄势待发，开启全场景智慧生态新纪元。
2025-03-21 11:15:15
2878
64
原创 【博客之星2024年度总评选】年度回望：我的博客之路与星光熠熠
在过去的2024年里，我经历了许多的挑战和成长，本文主要是回顾我的个人成长历程，以及在创作和日常生活方面的突破，分享我是如何平衡个人生活与博客创作的经验。
2025-01-20 09:30:00
3364
92
原创 【鸿蒙生态崛起，开发者有哪些机遇与挑战？】HarmonyOS NEXT 引领数字化未来
鸿蒙系统不断创新发展，在智能手机、穿戴、车载、家居等行业领域的应用越来越广泛。HarmonyOS NEXT的发布标志着鸿蒙操作系统进入了全新发展阶段，揭示了在智能生态建设方面的最新成果，原生鸿蒙将为全球用户带来更加智能、互联的数字化生活。
2024-11-08 09:00:00
6188
59
原创 【现代深度学习技术】现代循环神经网络08：束搜索
本文讲解现代循环神经网络中的束搜索。贪心搜索逐步选最高概率词元，可能非全局最优；穷举搜索遍历所有组合，计算成本过高；束搜索维护k个候选序列，平衡效率与精度，通过评分公式优选最佳输出。
2025-05-05 11:02:49
185
3
原创 【现代深度学习技术】现代循环神经网络07：序列到序列学习（seq2seq）
本文讲解现代循环神经网络中的序列到序列学习。seq2seq模型采用RNN编码器将变长序列编码为隐状态，解码器基于隐状态逐步生成输出。训练时使用遮蔽损失忽略填充词元，BLEU评估翻译质量。应用于机器翻译，通过教师强制策略训练，预测时逐词生成并用注意力机制优化结果。
2025-05-05 10:24:21
296
2
原创 【现代深度学习技术】现代循环神经网络06：编码器-解码器架构
本文讲解现代循环神经网络的“编码器-解码器”架构。“编码器-解码器”架构可以将长度可变的序列作为输入和输出，因此适用于机器翻译等序列转换问题。将长度可变的序列作为输入，并将其转换为具有固定形状的编码状态。将具有固定形状的编码状态映射为长度可变的序列。
2025-05-04 12:18:18
1027
28
原创 【现代深度学习技术】现代循环神经网络05：机器翻译与数据集
本文讲解现代循环神经网络地机器翻译与数据集。机器翻译指的是将文本序列从一种语言自动翻译成另一种语言。使用单词级词元化时的词表大小，将明显大于使用字符级词元化时的词表大小。为了缓解这一问题，我们可以将低频词元视为相同的未知词元。通过截断和填充文本序列，可以保证所有的文本序列都具有相同的长度，以便以小批量的方式加载。
2025-05-04 12:06:22
919
32
原创 【现代深度学习技术】现代循环神经网络04：双向循环神经网络
本文讲解了双向循环神经网络。从序列学习扩展场景切入，详述隐马尔可夫模型动态规划解法，引申双向循环神经网络架构、定义、计算代价、典型应用，并给出错误应用示例与风险警示，凸显实践要点。
2025-05-03 08:00:00
1553
38
原创 【现代深度学习技术】现代循环神经网络03：深度循环神经网络
本文讲解深度循环神经网络。通过堆叠多个隐藏层增强表达能力，每层隐状态传递至下一时间步和相邻层，使用激活函数处理输入及前序状态，PyTorch实现多层LSTM时因参数增多导致训练速度下降。
2025-05-02 08:00:00
1209
43
原创 【现代深度学习技术】现代循环神经网络02：长短期记忆网络（LSTM）
本文讲解现代循环神经网络中的长短期记忆网络（LSTM），通过输入门、遗忘门、输出门和记忆元解决长短期依赖问题，结构较GRU复杂但提出更早，支持从零实现和框架简洁调用。
2025-05-01 11:35:30
1189
31
原创 【现代深度学习技术】现代循环神经网络01：门控循环单元（GRU）
本文讲解现代循环神经网络中的门控循环单元（GRU），包括原理、数学表达、从零实现及简洁实现，以解决RNN梯度问题。
2025-05-01 10:58:04
860
32
原创 【现代深度学习技术】循环神经网络07：通过时间反向传播
本文讲解循环神经网络的通过时间反向传播。RNN梯度分析及BPTT是理解其原理的关键，通过深入分析RNN的梯度计算过程，我们可以更好地理解梯度爆炸和梯度消失的问题，BPTT可有效训练RNN捕捉序列依赖。
2025-04-28 09:43:20
1334
51
原创 【现代深度学习技术】循环神经网络06：循环神经网络的简洁实现
本文讲解循环神经网络的简洁实现。展示用深度学习框架高级API高效实现循环神经网络语言模型，包括模型定义、训练及预测，效果优于从零实现。
2025-04-25 09:54:39
1976
57
原创 【现代深度学习技术】循环神经网络05：循环神经网络的从零开始实现
本文讲解循环神经网络的从零开始实现。基于《时间机器》数据集，从零实现字符级循环神经网络语言模型。涵盖独热编码、参数初始化、RNN前向传播、梯度截断及训练过程。通过顺序和随机采样策略，演示模型训练与文本生成，使用困惑度评估性能，对比不同方法的收敛效果。
2025-04-21 09:47:39
1608
65
原创 【现代深度学习技术】循环神经网络04：循环神经网络
本文讲解现代深度学习技术的循环神经网络。RNN通过隐状态捕获序列历史信息，避免传统n元语法参数指数增长问题。其隐状态由当前输入和前步状态计算，用于语言模型等任务，困惑度衡量预测质量，值越低模型越优。
2025-04-19 09:29:48
1534
58
原创 【现代深度学习技术】循环神经网络03：语言模型和数据集
本文讲解循环神经网络中的语言模型和数据集。语言模型估计序列概率，传统n元语法受数据稀疏性限制，转向深度学习。随机采样和顺序分区处理长文本，词频遵循齐普夫定律，长尾分布挑战模型训练。
2025-04-16 13:29:09
1839
63
原创 【ComfyUI】蓝耘元生代 | ComfyUI深度解析：高性能AI绘画工作流实践
蓝耘元生代平台依托ComfyUI节点式AI工作流引擎，以高自由度、灵活定制和高效生成能力为核心，提供可视化编程与GPU算力云服务，支持AI绘画、科研实验及内容创作等场景，其组件化架构与扩展性优势显著，赋能用户实现高效定制化AI开发。
2025-04-14 12:09:02
2496
65
原创 【PySpark大数据分析概述】03 PySpark大数据分析
本文介绍了PySpark大数据分析。PySpark是Apache Spark为Python提供的API，结合Python库与Spark能力，支持单机与集群运行，包含多个核心类与模块，如公共类、SQL模块、Streaming模块、MLlib和ML包等。
2025-04-12 15:14:14
1635
51
原创 【现代深度学习技术】循环神经网络02：文本预处理
本文讲解了循环神经网络中文本预处理的四个步骤：加载文本数据并清洗，拆分为词元，构建词表，转换为数字序列。通过《时光机器》示例，展示了代码实现，包括数据读取、正则处理、词频统计及索引转换，为模型提供数值化输入。
2025-04-09 12:03:17
6950
72
原创 【现代深度学习技术】循环神经网络01：序列模型
本文讲解循环神经网络中的序列模型。时间序列分析中，自回归模型利用历史数据预测未来，单步预测效果良好，但多步预测因误差累积导致准确性显著下降，突显序列动态变化及预测挑战。
2025-04-07 10:32:44
1269
50
原创 【PySpark大数据分析概述】02 Spark大数据技术框架
本文讲解Spark大数据技术架构。Spark是开源通用并行计算框架，具多种特性，有特定运行架构与流程，核心是RDD，生态圈以Spark Core为中心，满足多样计算需求。
2025-04-06 10:06:59
2108
20
原创 【现代深度学习技术】现代卷积神经网络07：稠密连接网络（DenseNet）
本文讲解现代卷积神经网络中的稠密连接网络(DenseNet)。DenseNet通过稠密连接各层输出，促进特征重用，减少参数量。其结构包含稠密块和过渡层，有效控制复杂度。相比ResNet的相加，连接操作增强信息流动，提升模型性能。实验显示在Fashion-MNIST上训练高效。
2025-04-03 09:00:00
1846
61
原创 【现代深度学习技术】现代卷积神经网络06：残差网络（ResNet）
ResNet通过残差块设计解决深层网络训练难题，允许跨层恒等映射，缓解梯度消失。其核心为残差学习，每个块拟合目标与输入的差值，使优化更易。ResNet-18等模型通过堆叠残差块实现，在ImageNet等任务中表现优异，推动深度学习发展。
2025-03-31 10:09:05
2081
73
原创 【现代深度学习技术】现代卷积神经网络05：批量规范化
本文讲解现代卷积神经网络中的批量规范化。批量规范化通过标准化每层输入并引入可学习参数γ和β，加速深层网络收敛。应用于全连接或卷积层后、激活函数前，分训练和预测模式，有效控制中间层变量分布，提升训练稳定性。
2025-03-30 09:58:00
1315
40
原创 【PySpark大数据分析概述】01 大数据分析概述
本文讲解大数据分析概述。大数据指具有海量、多样、高速、低价值密度等特征的数据，需先进技术处理。其分析流程涵盖采集、预处理、建模评估，应用于个性化推荐、预测分析等领域，核心技术包括Hadoop、Spark等分布式框架。
2025-03-28 14:46:42
1217
12
原创 【现代深度学习技术】现代卷积神经网络04：含并行连接的网络（GoogLeNet）
本文讲解现代卷积神经网络中的GoogLeNet模型及其核心组件——Inception块。GoogLeNet通过在同一层中使用不同大小的卷积核来提取多尺度信息，并通过并行路径减少模型复杂度。文章详细描述了GoogLeNet的结构，包括多个Inception块、最大汇聚层和全局平均汇聚层的堆叠。最后，通过实现一个简化版的GoogLeNet模型并在Fashion-MNIST数据集上进行训练，展示了其高效性和性能。
2025-03-26 09:49:11
1670
63
原创 【现代深度学习技术】现代卷积神经网络03：网络中的网络（NiN）
本文讲解现代卷积神经网络中的NiN网络。NiN网络创新性地使用由卷积层和多个1×1卷积层组成的块结构，增强每像素非线性。通过用通道数等于类别数的全局平均池化层替代全连接层，有效减少过拟合和参数量。
2025-03-24 09:41:43
1268
57
原创 【海螺AI视频】蓝耘智算 | AI视频新浪潮：蓝耘MaaS与海螺AI视频创作体验
蓝耘MaaS平台与海螺AI视频深度融合，前者以智能算力中枢、多模态模型工场赋能AI开发，后者通过零门槛创作和影视级视效革新视频制作。二者结合打造出低代码开发与开放式创作生态，为多领域用户提供安全高效的智能服务体验，开启AI技术普惠新篇章。
2025-03-19 09:00:00
3316
70
原创 【通义千问】蓝耘智算 | 智启未来：蓝耘MaaS×通义QwQ-32B引领AI开发生产力
蓝耘MaaS平台深度融合通义千问QwQ-32B模型，以模型即服务模式赋能AI开发，通过高效调参与多模态支持，加速智能编程、文案生成等场景落地，推动产业智能化升级。
2025-03-17 10:23:24
1885
63
原创 【DeepSeek】蓝耘智算 | 中国AI新范式：蓝耘智算云+DeepSeek R1部署实战教程
本文介绍基于蓝耘智算平台部署DeepSeek R1模型。DeepSeek R1大模型通过量化压缩与轻量化设计，实现低算力本地部署，结合蓝耘智算云弹性算力支持，打破技术门槛，推动AI平民化与产业智能化，彰显中国AI创新突破与全球竞争力。
2025-03-15 09:00:00
1860
17
原创 【现代深度学习技术】现代卷积神经网络02：使用块的网络（VGG）
本文讲解现代卷积神经网络中使用块的网络(VGG)。VGG网络通过堆叠多个相同结构的卷积块(含3x3卷积、ReLU和最大池化)构建深层架构。块设计提升模块化，训练时缩减通道数以适应数据集，使用高学习率优化，实现高效特征提取。
2025-03-14 09:36:44
1018
57
原创 【现代深度学习技术】现代卷积神经网络01：深度卷积神经网络（AlexNet）
本文讲解深度卷积神经网络(AlexNet)。AlexNet在2012年ImageNet竞赛中突破，标志深度学习崛起。相比LeNet，其采用更大卷积核、ReLU激活函数和Dropout正则化，利用GPU加速和大规模数据训练，首次证明端到端学习特征优于传统手工设计，解决了深层网络训练难题，开启了CV领域新纪元。
2025-03-12 10:01:40
1050
57
原创 【现代深度学习技术】卷积神经网络06：卷积神经网络（LeNet）
本文讲解深度学习中的卷积神经网络(LeNet)。在卷积神经网络中，我们组合使用卷积层、非线性激活函数和汇聚层。为了构造高性能的卷积神经网络，我们通常对卷积层进行排列，逐渐降低其表示的空间分辨率，同时增加通道数。
2025-03-11 10:23:10
1589
25
原创 【现代深度学习技术】卷积神经网络05：汇聚层
本文讲解了卷积神经网络的汇聚层在图像处理中的作用，主要包括最大汇聚层和平均汇聚层，它们能够降低卷积层对位置的敏感性并减少空间降采样表示的敏感性。还讨论了填充、步幅以及多个通道的处理方法，并通过代码示例展示了这些操作的效果。
2025-03-10 09:34:20
1268
57
原创 【通义万相】蓝耘智算 | 开源视频生成新纪元：通义万相2.1模型部署与测评
文章主要介绍了阿里云通义万相2.1视频生成模型的发展历程、功能特点、技术优势以及如何通过蓝耘智算平台进行部署和测试。内容涵盖了模型的技术背景、应用场景、开源策略、部署步骤和实际测试案例。
2025-03-07 10:00:00
4488
72
原创 【现代深度学习技术】卷积神经网络04：多输入多输出通道
本文讲解卷积神经网络中的多输入多输出通道。多输入多输出通道可以用来扩展卷积层的模型。当以每像素为基础应用时，1×1卷积层相当于全连接层。1×1卷积层通常用于调整网络层的通道数量和控制模型复杂性。
2025-03-04 09:00:00
1724
67
原创 【现代深度学习技术】卷积神经网络03：填充和步幅
本文讲解卷积神经网络中的填充和步幅。填充可以增加输出的高度和宽度。这常用来使输出与输入具有相同的高和宽，步幅可以减小输出的高和宽。填充和步幅可用于有效地调整数据的维度。
2025-03-03 09:14:02
1262
24
原创 【大模型科普】AIGC技术发展与应用实践（一文读懂AIGC）
本文介绍了AIGC（生成式人工智能）的概念、应用场景及其对行业和职业的影响，涵盖文本、图片、语音、视频等领域的实践案例，并探讨了AIGC在编程、搜索和智能办公中的应用。
2025-02-27 10:00:00
7993
65
原创 【机器学习与数据挖掘实战】案例15：基于LDA模型的电商产品评论数据情感分析
本案例介绍了如何通过情感分析和LDA主题模型对京东商城中美的电热水器的用户评论进行深入分析，以挖掘用户的需求、意见及产品的优缺点。正面评价聚焦安装、物流和质量，负面评价涉及安装费、售后和加热性能，建议改进加热功能和服务。
2025-02-26 15:48:39
876
40
【机器学习&数据挖掘】离群点检测-源代码+数据集
2025-01-13
【机器学习&数据挖掘】时间序列算法-源代码+数据集
2024-12-31
【机器学习&数据挖掘】智能推荐算法-源代码+数据集
2024-12-28
Python数据分析实验三(基于Scikit-Learn构建数据分析模型)数据集
2024-05-16
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人