首页
学习
活动
专区
圈层
工具
发布
首页标签深度学习

#深度学习

机器学习的分支,试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法

深大团队UNeMo框架:让机器人学会“预判”,效率提升40%

CoovallyAIHub

仅用30%的参数规模,就能在陌生环境中实现72.5%的导航成功率,这个新框架正在重新定义视觉-语言导航的智能边界。

2500

后台数据的“毒警”:指标噪声和空洞指标不治理,你的监控就永远是个“聋子”

Echo_Wish

兄弟姐妹们,今天咱聊一个在运维圈子里“人人骂、人人忍、人人又离不开”的老大难:监控指标噪声(Noise Metrics)和空洞指标(Hollow Metrics...

1300

超越深度学习:量子优化如何通过算法与硬件重塑AI

CoovallyAIHub

2025年底,若论及科技领域被提及最多、承载最多未来想象的关键词,“量子计算”必定位列前茅。它不再仅仅是实验室中的深奥概念,而是作为一股切实的变革力量,开始叩击...

9610

南京理工大学联手百度、商汤科技等团队推出Artemis:用结构化视觉推理革新多模态感知

CoovallyAIHub

近年来,大语言模型(LLM)在推理能力上突飞猛进,特别是通过强化学习(RL)激发的“思维链”(Chain of Thought)技术,使模型能够进行多步推理以解...

6010

别再把 Collector 当黑箱:OpenTelemetry Collector 拓展与自定义处理器实战指南

Echo_Wish

先打个比方:OpenTelemetry Collector 就像数据管道中的“门卫”和“搬运工”。接收(receiver)是门口把人接进来,处理器(proces...

4600

超越YOLOv8!动态卷积+注意力机制,DSS-YOLO实现高精度实时火灾检测

CoovallyAIHub

随着深度学习与计算机视觉技术的发展,基于图像的火灾检测方法逐渐成为研究热点。然而,普通目标检测模型在面对小火焰、遮挡目标时性能仍显不足,且往往计算成本较高,难以...

11110

AI真能看懂你在做什么吗?计算机视觉如何驱动人类动作识别

CoovallyAIHub

为了实现这一点,人类动作识别综合运用了机器学习、深度学习模型、计算机视觉和图像处理等多种技术,共同分析身体运动,从而更准确地解读人类行为。

10910

监控不是摆设:把 SLA 写进监控后,SRE 的决策终于有了“方向盘”

Echo_Wish

很多团队做监控做了十几年,面板一个比一个花,Grafana 图一个比一个炫,但真正出问题时大家依旧一脸懵:“到底算不算故障?”“要不要触发应急?”“这是不是要背...

7800

解码笔迹:手写体文字识别技术驱动阅卷系统智能化变革

中科逸视OCR专家

在数字化浪潮席卷教育领域的今天,一份份承载着学生思考与汗水的手写试卷,正经历着一场静默的革命。传统人工阅卷方式受限于效率、成本与主观性,难以满足大规模、高时效的...

9710

交叉熵损失到底在“惩罚”什么?——给机器学习新手的概率直觉课

阿飞爱Coding

12510

当直觉遇见概率:贝叶斯定理如何纠正我们的判断偏差

阿飞爱Coding

你在某平台花 200 元买了一瓶知名品牌的洗发水。 收到货后,你发现瓶身印刷模糊、气味也和以前不一样。

8310

NAN-DETR:集中式噪声机制如何让检测更“团结”?

CoovallyAIHub

目标检测是机器人视觉领域的核心技术,它不仅要识别出图像中有什么物体,还要精确地定位它们的位置。随着自动驾驶、智能监控、工业质检等应用的快速发展,对目标检测的精度...

10710

何必先OCR再LLM?视觉语言模型直接读图,让百页长文档信息不丢失

CoovallyAIHub

视觉语言模型是功能强大的模型,它以图像而非传统大语言模型(LLM)所用的文本作为输入。这带来了许多可能性——我们可以直接处理文档内容,而不必先通过OCR提取文本...

9910

百万 QPS 不是洪水猛兽:高流量服务的采样、聚合与可视化,咱得这么干!

Echo_Wish

大家好,我是 Echo_Wish。今天咱聊一个很多同学一想到就头皮发麻的话题——百万 QPS 服务的追踪与可观测性建设。

6400

怎么理解线性模型的“线性”?它到底“线”在哪里?

阿飞爱Coding

这意味着,无论模型看起来多么复杂,只要最终的预测值可以表示为这些参数的加权和(即每个参数乘以某个系数然后相加),那么这个模型就可以被称为线性模型。这里的关键在于...

9810

为什么大模型还在用 Softmax?从概率归一化到注意力机制的底层逻辑

阿飞爱Coding

今天的大模型动辄拥有上千亿参数,架构复杂如迷宫。 但如果你掀开 Transformer 的最后一层,会发现一个熟悉的身影:

30910

从感知机到 Transformer:线性如何孕育非线性?

阿飞爱Coding

多元线性回归之所以成为机器学习的起点,是因为它在可解性、可解释性与实用性之间达到了历史最优平衡。

12510
领券