深度学习标签_开源鸿蒙跨平台开发者社区

深度学习

【Bug已解决】[Mobile] unimodule.json makes Expo exclude onnxruntime-react-native from autolinking - Nati…

在 React Native + Expo 项目里集成注意：这是问题，不是 ORT 推理 bug。Expo 的 autolinking 依据某些配置文件决定哪些原生模块参与链接，被漏掉了。

步入烟尘
2026-08-13 19:29:44

 183

 4

#深度学习
【Bug已解决】[JS/React Native] iOS crash on bridge teardown: OnnxruntimeModule dealloc segfaults clearin…

在 React Native iOS 应用里集成 ONNX Runtime 的 RN 绑定（或自研 TurboModule），当应用退到后台、或 RN bridge 重建/销毁时，进程直接崩溃，崩溃栈指向的dealloc，并在清空一个静态的jsi::Env；而且只在 iOS 上稳定复现，Android 几乎不崩。这是典型的“静态全局对象在 teardown 阶段被重复清、或访问已死的 JSI 运行

 一键难忘
2026-08-12 20:58:15

 223

#深度学习
鸿蒙三方库生态与实战：从安装到发布全链路指南

HarmonyOS NEXT（API 12+）的生态正以前所未有的速度繁荣发展，其中三方库是提升开发效率的关键一环。与传统的 Android 或 iOS 开发不同，鸿蒙生态拥有自己独立的包管理工具——ohpm（OpenHarmony Package Manager）。许多从其他平台转来的开发者习惯性地使用 npm，却在鸿蒙项目中频频碰壁，原因正是混淆了 npm 与 ohpm 的边界。本文将围绕三个

 解局易否结局
2026-07-11 20:28:08

 439

 2

#harmonyos #华为 #深度学习
React Native 鸿蒙环境搭建完整实战：从 RN 工程到 RNOH 运行

React Native 鸿蒙环境搭建要点本文总结了React Native在OpenHarmony平台运行的环境搭建关键步骤，揭示了RN工程与鸿蒙工程协同工作的原理。搭建过程涉及四个核心环节：基础环境配置：需安装Node.js、DevEco Studio及SDK工具链，特别注意hdc调试工具和端口的环境变量设置（如HDC_SERVER_PORT=7035） RN工程改造：创建RN项目后，需安

 Vanbin.Mr
2026-07-06 00:03:19

 603

 7

#react native #harmonyos #react.js +1
（DQN）Deep Q Learning深度学习神经网络优化解决二维栅格地图路径规划研究（Matlab代码实现）

本文聚焦于二维栅格地图路径规划问题，深入探讨深度Q学习（DQN）算法在该领域的应用及神经网络优化策略。通过构建基于DQN的路径规划模型，结合经验回放、目标网络等关键技术，有效解决了传统路径规划算法在复杂环境中的局限性。实验结果表明，优化后的DQN模型在路径规划效率、准确性和适应性方面均表现出显著优势，为智能机器人在复杂环境中的自主导航提供了理论支持与实践参考。

吃兔子的大脑腐
2026-01-03 10:40:13

 563

 27

#深度学习 #神经网络 #matlab +1
Vision Transformer原理及代码学习【新芽第四周】

对于RNN，通过前一时间步的隐藏状态和历次输入的共同作用来得到输出，对于简单的文本序列比较友好，由于参数量少，其推理速度快，但是面对长文本序列时，如针对大篇幅的文章摘要，开头关键词的重要性会随着文章段落的增长而逐渐被稀释。其实简单来讲，有点类似于分组卷积，本质就是将参数矩阵给拆分成head数量，分别组成不同组的V、K和Q来各自做self-attention，最后合并后和一个可训练的参数。，需要注意

 21020007092
2025-08-10 22:16:26

 1091

 25

#transformer #学习 #深度学习 +2
你的聚类模型靠谱吗？5大外部指标彻底揭秘

本文介绍了几种常见的聚类性能外部评估指标，包括Jaccard 系数FM 指数Rand 指数DB 指数和Dunn 指数。有真实标签时：优先使用（平衡随机性）无真实标签时：使用DB或Dunn小规模数据：可计算所有指标综合判断通过灵活组合这些指标，可以全面评估聚类模型的表现！原创作者: wang_yb转载于: https://www.cnblogs.com/wang_yb/p/188838941.【sc

果汀儿
2025-06-29 17:06:44

 52

#聚类 #算法 #人工智能 +2
Day 43 训练和测试的规范写法

nn.Flatten确保在送入全连接层前展平图像（保留 batch 维度）。线性层 + ReLU 的组合即可完成一个简单的分类器。return x # 输出 logits，后续交给交叉熵损失展平后的输入是 3072 维，堆叠两层隐藏层并加入 Dropout。训练时 Dropout 生效，测试阶段调用会自动关闭。return x。

haiyu_y
2025-12-19 10:42:53

 847

 28

#深度学习 #人工智能
揭秘书匠策AI：毕业论文写作的“智慧导航员”

在学术的浩瀚海洋中，每一位即将毕业的大学生或研究生都像是勇敢的航海家，而毕业论文则是他们探索未知、展现研究成果的“旗舰”。然而，面对茫茫的学术文献和复杂的写作规范，许多学子常常感到迷茫和无助。幸运的是，随着人工智能技术的飞速发展，一款名为书匠策AI的智能工具应运而生，它如同一位经验丰富的“智慧导航员”，为学子们的毕业论文写作之旅提供了强有力的支持。今天，就让我们一起揭开书匠策AI的神秘面纱，探索它

 书匠策AI学术
2026-04-01 10:17:48

 187

 5

#人工智能 #python #深度学习 +4
基于脑可穿戴设备的用户行为感知的研究与展望

本文探讨了基于脑可穿戴设备的用户行为感知与情感交互系统。系统通过多模态信号融合（脑电、生理和行为数据）实现用户状态精确感知，采用时序建模方法（HMM、DBN、RNN）构建个性化生活模式。研究提出了实时处理架构（边缘计算、自适应采样）和智能干预策略，并展望了在医疗、教育、养老等领域的应用前景。系统设计包含硬件模块（传感器、处理器）和算法框架（多模态融合、强化学习），实现了从数据采集到情感交互的完整闭

 fpga和matlab
2025-06-18 17:32:12

 982

 9

#机器人 #人工智能 #深度学习
PyTorch使用教程(5)-优化器

SGD是最基本的优化算法之一。它每次从训练集中随机选择一个样本来计算梯度，并更新参数。SGD的优点是计算速度快，但缺点是可能会因为样本的随机性导致梯度更新不稳定，收敛速度慢，甚至可能陷入局部最优。参数lr（learningrate）：学习率，控制参数更新的步长。momentum：动量，用于加速SGD在相关方向上的收敛，同时抑制震荡。dampening：动量的衰减系数，通常和momentum一起使用

 深图智能
2025-01-17 22:27:41

 1252

 31

#深度学习 #pytorch #人工智能
深度学习周报（1.05~1.11）

本周首先阅读了 U-Net 的论文，了解了 U-Net 的背景、架构、创新点与优势，同时分析了它的局限性；其次学习了Sinkhorn 算法，拓展了最优传输问题的表示形式，了解了算法的目标、步骤、优缺点以及应用场景。总的来说，实验结果不仅定量证明了U-Net的卓越性能，还定性展示了其在保留细节和正确处理复杂拓扑结构方面的能力，为后续的医学图像分割研究设立了新的基准。但尽管 U-Net 取得了巨大成功

 m0_57788739
2026-01-11 20:57:44

 790

 17

#深度学习 #人工智能
大语言模型综述与展望

1、自监督学习（Self-Supervised Learning）是“让数据自己标注自己”；自监督学习并不是没有监督，而是监督来自数据内部结构，不是人工标签。“监督信号”指的是：模型自己设计的预测任务（即“预任务”或“proxy task”）中被隐藏、被预测的那部分数据。2、半监督学习（Semi-Supervised Learning）是“少量人标注 + 大量无标注数据协作学习”。数据分两类—

2301_78175966
2025-10-11 10:11:16

 1146

 9

#人工智能 #机器学习 #深度学习
标题：图神经网络：探索发散创新的无限可能=======================引言--在当今这个数据驱动的时代，图神经网络（Graph Neural Networks，简称GNN）已经成为处理

图神经网络是一种适用于图结构数据的深度学习技术。通过借鉴卷积神经网络（CNN）和循环神经网络（RNN）的思想，图神经网络能够在图结构上进行高效的节点分类、边预测和图级别分类等任务。其核心思想是通过逐层传播，学习节点的嵌入表示，进而挖掘图结构中的复杂模式。图神经网络作为一种新兴的深度学习技术，在处理复杂图结构数据方面展现出了巨大的潜力。本文介绍了图神经网络的原理、应用领域以及创新发展方向，并通过实践

 2501_91769822
2025-06-20 11:32:26

 85

#神经网络 #人工智能 #深度学习
Recurrent World Models Facilitate Policy Evolution(文章精读)

摘要：本文探讨了基于世界模型的强化学习方法，提出了一种由视觉编码器(V)、预测模型(M)和控制器(C)组成的智能体架构。V通过变分自编码器压缩视觉输入，M使用混合密度RNN预测未来状态，而简单的线性控制器C则基于这些表征做出决策。实验表明，该方法在CarRacing和VizDoom环境中取得了优异表现，并能在完全由模型生成的虚拟环境中训练策略后成功迁移到真实环境。研究还发现，通过调整温度参数控制模

 Dynhmilu
2025-09-15 16:08:17

 1155

 17

#深度学习 #人工智能
TensorFlow2 Python深度学习 - 循环神经网络（RNN）- 简介

TensorFlow2 Python深度学习 - 循环神经网络（RNN）- 简介

 java1234_小锋
2025-10-17 08:50:52

 961

 20

#python #深度学习 #tensorflow
Collaborative Transformer-CNN Learning

where Aiu,v_i^{u,v}iu,v denotes the element作者未提供代码且表格中的FL意义不明

 宇来风满楼
2025-06-25 15:49:44

 171

 2

#算法 #人工智能 #神经网络 +1
循环神经网络（RNN）：从序列数据难题到实战落地的完整指南

循环神经网络（RNN）是专为处理序列数据设计的深度学习模型，解决了传统神经网络无法捕捉序列依赖关系的核心问题。RNN通过记忆状态（Hidden State）实现短期记忆功能，在处理文本、时间序列等数据时能够保留前序信息。其核心结构包括输入层、循环单元和输出层，通过共享权重参数实现序列元素的连续处理。然而，传统RNN存在梯度消失/爆炸的缺陷，导致长序列处理能力受限。为此，LSTM和GRU等改进模型引

 倔强的石头_
2025-12-01 10:59:51

 1719

 39

#rnn #人工智能 #深度学习
深度学习项目训练环境效果可视化：matplotlib动态绘图+seaborn评估报告生成实录

本文介绍了如何在星图GPU平台上自动化部署深度学习项目训练环境镜像，并利用其预置的matplotlib和seaborn库，实现训练过程的动态可视化与专业评估报告生成。该环境可广泛应用于图像分类等深度学习项目的效果监控与结果分析，显著提升模型调试与展示效率。

黄冈新学爸
2026-02-16 00:32:47

 384

 5

#深度学习 #数据可视化
使用机器学习和深度学习对城市声音进行分类（Matlab代码实现）

2.6 算例6：使用小波分析和深度学习对城市声音进行分类部分代码：Fs = 44100;endendendendwhile trueendreturnendendend🎉3参考文献文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

然哥依旧
2025-01-29 09:47:55

 861

 17

#机器学习 #深度学习 #分类
RNN里的embeddings层

要看一下embedding如何工作，我们看一下预测航空公司客户sentiment的数据库，基于客户tweets

lishaoan77
2025-08-06 08:35:10

 936

 23

#rnn #人工智能 #深度学习
降AIGC必备！2万字论文AI率快速降低的秘方

论文AI率过高是当前许多学生面临的问题。本文详细介绍了中国知网、Turnitin等检测平台的优劣，并提供针对性的降AIGC方法，帮助你选择合适的平台并有效降低AI率。

毕业就用毕业宝
2025-06-04 12:07:21

 329

 4

#人工智能 #AIGC #深度学习
base-llm Task01注意力机制: 从autoencoder到seq2seq, 再到attention和transformer

seq2seq 核心思想，先完整阅读所有内容，形成一个结果，这个结果叫语义表示，然后基于这个结果，根据任务要求的语言，进行逐词的翻译。形成语义表示的的功能，是编码器完成的，面向任务语言进行逐词翻译的功能，是解码器完成的。生成每一个词元时，允许它看一遍完整的输入序列，并根据需求，自主给输入序列的每个部分分配不同的注意力权重，然后基于权重将输入信息加权求和，生成一个。在多对多+输出输入长度不等的问

 yulinlinlighter
2026-01-14 23:55:06

 61

#transformer #深度学习 #人工智能
计算机毕业设计之基于深度学习的文章人物关系和情感分析系统

摘要：本文提出了一种基于深度学习的文章人物关系和情感分析系统，采用CNN和RNN模型处理文本数据，通过词向量转换、特征提取和序列建模实现高精度分析。系统包含Vue前端、Django后台和爬虫模块，利用Hadoop进行数据存储，提供数据可视化展示（如折线图、热力图）。实验表明系统在准确率和效率上优于传统方法，可应用于文学创作、新闻分析等领域。点赞量统计功能通过折线图直观展示人物关系与情感倾向的点赞趋

 2301_80247256
2025-09-10 16:00:11

 370

 9

#深度学习 #人工智能
监督学习（Supervised Learning）与无监督学习（Unsupervised Learning）

监督学习与无监督学习是机器学习的两大核心范式

 豆芽819
2025-04-23 15:45:17

 1261

 10

#学习 #人工智能 #深度学习 +1
Genome Research | 俄亥俄州立于忠堂组-结合深度学习与蛋白质数据库系统探究反刍动物真核微生物...

结合深度学习与蛋白质数据库系统探究反刍动物真核微生物Probing the eukaryotic microbes of ruminants with a deep-learning classifier and comprehensive protein databases期刊：Genome ResearchDOI：https://doi.org/10.1101/gr.279825.124第一作

 刘永鑫Adam
2025-01-04 07:01:51

 1465

 10

#深度学习 #数据库 #人工智能
深度学习：微调RNN和CNN模型

本文深入探讨了使用循环神经网络（RNN）进行单词预测训练的过程，以及微调卷积神经网络（CNN）模型的实践。介绍了训练神经网络的关键阶段，包括数据的前向传播、损失计算、权重调整及反向传播。特别强调了超参数（如隐藏层和神经元的数量、学习率、批量大小）的微调对于模型性能优化的重要性，并通过示例代码展示了如何应用这些微调技术。

顾凯之
2025-04-03 10:05:00

 547

 5

#深度学习 #神经网络
RNN、LSTM和ELMo

笔记来源：Transformer、GPT、BERT，预训练语言模型的前世今生（目录） - B站-水论文的程序猿 - 博客园ShusenWang的个人空间-ShusenWang个人主页-哔哩哔哩视频（RNN模型与NLP应用）传统的神经网络无法获取时序信息，然而时序信息在自然语言处理任务中非常重要。上图左边部分称作 RNN 的一个 timestep，在这个 timestep 中可以看到，在 푡 时刻

 xiao-chong
2025-02-07 17:48:24

 1458

 31

#rnn #lstm #深度学习
稀疏表示与字典学习：让数据“瘦身”的魔法

稀疏表示和字典学习是机器学习中非常有用的工具，它们可以帮助我们简化数据，提取关键特征，提高模型的性能。不过，我们也要注意稀疏表示的两面性，它的优点是计算高效、抗噪、可解释；由此带来的局限在于可能丢失弱特征、且不适合密集关联数据。因此，实际使用时，需要通过通过交叉验证来选择合适稀疏度。原创作者: wang_yb转载于: https://www.cnblogs.com/wang_yb/p/189140

TAGrace
2025-07-01 10:44:16

 40

#学习 #人工智能 #算法 +2
秩的凋零：论神经网络初始化中权重退化的收敛困局

在线性代数的视角下，一个理想的权重矩阵W∈Rn×nW∈Rn×n应当具备满秩（Full Rank）的潜力。然而，如果初始化不当，导致WWW的行列式接近于零，或者其奇异值（Singular Values）分布呈现极端的不均匀（最大奇异值与最小奇异值之比，即条件数 Condition Number极大），矩阵便趋于“奇异”。权重矩阵正在执行一种“降维打击”。它将输入的丰富特征空间强行压缩到一个极低维的子

 心瞳几何
2026-02-19 09:39:49

 597

 17

#神经网络 #人工智能 #深度学习
论文略读： CATASTROPHIC FAILURE OF LLM UNLEARNING VIA QUANTIZATION

本文研究发现当前大型语言模型(LLMs)的"遗忘"技术存在严重漏洞：被"遗忘"的信息实际上仍以高精度形式隐藏在模型参数中。通过量化实验发现，全精度模型平均保留21%的目标信息，而4-bit量化后恢复率激增至83%，表明现有方法仅"压制"而非真正删除敏感知识。研究覆盖多种量化技术(如逐层/对称量化)和精度等级(16/8/4-bit)，证实这

 UQI-LIUWJ
2025-07-23 16:06:18

 341

 9

#人工智能 #深度学习
深度学习网络结构解析：从VGGNet到LSTM

本文深入分析了卷积神经网络VGGNet-16和循环神经网络RNN，包括其在图像处理和自然语言处理中的应用，特别是详细探讨了LSTM如何有效解决传统RNN的长期依赖问题。通过代码实现，我们了解了循环网络如何通过时间反向传播进行训练，以及LSTM单元的内部机制。

喵喵蜜
2025-04-11 12:54:16

 443

 4

#深度学习 #图像处理
FRCRN开源大模型效果惊艳：演唱会后台录音中提取主持人清晰语音

本文介绍了如何在星图GPU平台上自动化部署FRCRN语音降噪工具（单麦-16k）镜像，实现高效音频处理。该工具能智能分离人声与背景噪音，典型应用场景包括从嘈杂的演唱会后台录音中提取清晰的主持人语音，显著提升音频质量，适用于内容创作、通讯增强等多种领域。

带你玩遍北海道
2026-03-03 00:25:22

 424

 4

#深度学习
深度学习项目训练环境企业实操：IT部门批量分发镜像，统一研发训练环境标准

本文介绍了如何在星图GPU平台自动化部署深度学习项目训练环境镜像，实现企业级AI研发环境的统一标准化。该预集成镜像包含PyTorch、CUDA等完整技术栈，开箱即用，支持快速开展图像识别、自然语言处理等模型的训练与微调，显著提升团队协作效率和训练结果可复现性。

爱吃红豆沙的公子
2026-04-06 04:12:48

 702

 10

#深度学习
使用 Keras Tuner 进行超参数调优

KerasTuner是一款专为深度学习设计的超参数优化工具，支持贝叶斯优化、Hyperband和随机搜索算法。开发者可轻松定义搜索空间，在模型构建代码中直接嵌入超参数采样逻辑。框架提供端到端解决方案，从模型定义（如卷积层数、滤波器数量、学习率等）到分布式训练，并支持自定义训练循环和Scikit-learn模型调优。通过内置算法自动寻找最优参数组合，显著提升模型性能，同时保持代码简洁性。其分布式架构

 小鸡吃米
2026-03-02 08:40:28

 661

 18

#keras #人工智能 #深度学习 +1
突破序列瓶颈：NPU 架构下的 DynamicRNNV2 高性能算子实现

循环神经网络（RNN）及其变体（LSTM, GRU）因其天然的时序依赖性，在并行计算架构上一直面临巨大的性能挑战。ops-nn 库中的算子并非简单的逻辑移植，而是针对 NPU 异构计算架构进行的深度定制。它通过算子融合、极致的片上内存管理以及混合精度量化策略，成功解决了序列计算中的“内存墙”问题，实现了高吞吐量的时序推理。

长安店店小二
2026-02-07 00:21:05

 554

 3

#深度学习 #人工智能