- 博客(18)
- 收藏
- 关注
RSS订阅原创 2025必读！多Agent大模型协作全景图：一文速读未来趋势
*《Scaling Large Language Model-based Multi-Agent Collaboration》**是这一方向的代表性工作，它深入分析了多Agent系统在规模化过程中面临的挑战，并提出了相应的解决方案。这一研究方向的核心关注点包括：Agent数量与系统性能的关系、通信开销的优化、协作网络的拓扑结构设计、以及动态Agent管理机制。随着技术的不断成熟和应用的不断深入，多Agent技术将成为人工智能领域的重要发展方向，为构建更智能、更协调、更高效的未来社会提供技术支撑。
2025-08-07 16:28:33
1009
原创 刚入门深度学习？先别急着学框架！0 基础必看的学习顺序（从 Python 到数学再到实战）
整个阶段，我建议可以做小项目，或者实现小案例为目标，比如“做一个识别手写数字的小程序”、“用图像识别识别猫狗”，有目标比盲学有效很多。确实很多时候学习完基础知识点，很快会忘记，所以也要多多记录。《机器学习+深度学习》和人工智能60G入门学习包【1.超详细的人工智能学习大纲】：一个月精心整理，快速理清学习思路！【2.基础知识】：Python基础+高数基础【3.机器学习入门】：机器学习经典算法详解【4.深度学习入门】：神经网络基础（CNN+RNN+GAN）扫码获取。
2025-08-06 17:34:38
267
原创 第一次参加Kaggle比赛一定要看！（附kaggle8、9月最新比赛推荐）
从丰富简历的角度来看，Kaggle比赛在全球的认可度都很高，一个好看的比赛排名绝对是申请利器!kaggle是全球顶级的权威性数据科学竟赛平台，也是当今最大的数据科学家、机器学习开发者社区，其行业地位独一无二。如果你曾经玩过什么让人上瘾的游戏，你就知道循序渐进的目标的重要性。开始的时候，我们建议你独自工作。此外，一旦你掌握了机器学习的技术技能，你就可以与其他可能比你有更多领域知识的人合作，进一步扩展你的机遇。最后，我们将介绍几个参与 Kaggle 的最受欢迎的诀窍，希望能帮你享受你的 Kaggle 时光。
2025-08-05 17:51:23
1166
原创 讲透一个强大算法模型，Transformer ！！！
哈喽，大家好~咱们今天结合ARIMA，好好聊聊Transformer与ARIMA结合的混合时间序列建模问题~传统的方法（比如ARIMA）像是用老式温度计，比较擅长抓住天气的总体趋势和季节性变化，也就是那种“直觉上认为今天比昨天热一点”的感觉。但天气其实既有简单的趋势，也有一些突发的、复杂的变化。Transformer 就像是一个“超级侦探”，能通过分析大量历史数据找出隐藏在数据中的复杂模式和依赖关系，尤其是那些非线性的、看起来有点“捉摸不定”的变化。当你把两者结合时，思路是这样的：先用ARIMA：捕捉数据中
2025-08-04 14:43:04
918
原创 人工智能领域，目前有哪些热门方向，什么方向比较好发论文？
深度神经网络（Deep Neural Networks，DNNS）：包括卷积神经网络（CNNS）、循环神经网络（RNNS）、Transformer等新型网络结构的设计与优化，以及预训练模型（如BERT、GPT系列等）及其迁移学习应用等。人工智能领域，作为近年来的热点！然而，论文的质量和影响力不仅仅取决于研究方向本身，还与研究的实际贡献、实验验证的有效性、理论深度和解决问题的独特性等因素密切相关。同时，密切关注国际顶级会议和期刊的最新动态，了解研究趋势与热点，也是提升论文发表成功率的关键所在。
2025-04-22 19:47:57
1003
原创 YOLO已经悄悄来到v12，首个以Attention为核心的YOLO框架问世
在相同的计算预算下，基于 CNN 的架构比基于 attention 的架构快约 2-3 倍，这极大限制了 attention 在 YOLO 系统中的应用，由于 YOLO 体系高度依赖高推理速度。首先，作者提出了一种简单而高效的区域注意力模块（area attention, A2），该模块在保持大感受野的同时，以最简单直接的方式降低了 attention 的计算复杂度，从而提升了计算速度。其次，作者引入了残差高效层聚合网络（R-ELAN），以解决 attention（主要是大规模模型）带来的优化难题。
2025-04-22 19:36:16
297
原创 如何从浅入深理解transformer？
首先 transformer 的输入是所有的文字序列一齐输入的，而且这个序列在变换成矩阵后，会有一个很大的维度数据，也就是从一个单一的 Token 变成了512、1024、2048 维以上的数据，这样在实际的训练中，i可能很容易得到某一个 token 与其它的token 数据的关联关系。接下来我们要谈的就是 Transformer 要怎么优化了，因为这个东西要消耗大量的计算资源，从简单的结构上看，这个计算是与输入的数量，通常称为 context length，也就是上下文的长度成平方级的关系。
2025-04-21 21:00:53
969
原创 卷积神经网络（CNN）原理深度剖析，带你彻底搞懂CNN！
将第二次全链接的结果进行最后一次运算，这种运算可能是线性的也可能是非线性的，最终每个位置（一共十个位置，从0到9）都有一个概率值，这个概率值就是将输入的手写数字识别为当前位置数字的概率，最后以概率最大的位置的值作为识别结果。而我们只考虑第一个通道，也就是从第一个7×7的二维矩阵中提取特征，那么我们只需要使用每组卷积核的第一个卷积核即可，这里可能有读者会注意到Bias，其实它就是偏置项，最后计算的结果加上它就可以了，最终通过计算就可以得到特征图了。但是我们人眼看到的图像和计算机处理的图像是一样的么？
2025-04-19 16:24:38
937
原创 这次终于能把深度学习学会了！零基础60天学习计划分享！
这是一份学长根据自己学习的经验，和踩过的坑，肝了几个大夜修改了n多次，肝出来的AI人工智能零基础学习大礼包（包含深度学习、机器学习、CV、NLP、大模型等等）。函数、极限与连续、导数与微分、微分中值定理与导数的应用、函数的积分、定积分的应用、向量与空间解析几何、多元函数微分学、多元函数微分学的应用、常微分方程。学习这部分需要 Python和数学基础、Python函数、Python面向对象编程、推荐跟着 Python菜鸟教程学习，学到内置函数这章就可以了。左边是注释，右边是代码，对初学者非常友好。
2025-04-19 16:17:40
623
原创 全网最全！大家经常说的大模型，到底什么是大模型，大模型的具体应用，一文说清楚
大模型通常有超多的参数。参数就像是模型的 “大脑细胞”，参数越多，它能记住和处理的信息就越多。SAM（Segment Anything Model，2023）：Meta 家的 “图像分割神器”，用鼠标在图片上点一下，就能精准圈出物体轮廓，不管是天上飞的鸟、地上跑的车，还是复杂的建筑结构，都能一键分割。Sora（2023）：Google 的 “魔法视频生成器”，输入文字描述就能生成短视频，比如 “一只会飞的粉色大象在彩虹上跳舞”，它能生成流畅的动画，连大象翅膀煽动的频率都很自然，未来可能颠覆短视频创作行业。
2025-04-19 15:35:41
502
原创 写给程序员的一封信：程序员2025年Q1季度真实求职感受反馈及职业发展建议！
如果你在边缘业务或者创新孵化部门，建议你积极争取转到公司核心业务部门，因为一旦环境再差，大概率边缘业务或者创新孵化部门会被砍掉，等到那个时候就基本上只能被动离职了。人一旦进入了舒适区就很容易放松，不想主动学习，但是要记住没有一家公司能让你待一辈子，不管腾讯、阿里还是华为，都有工作10年的老员工被裁的案例。如果你的行业是创新性质比较强的行业，那么你就需要不断的坚持学习，总是赶在别人的前面，把该学习的东西全部学会，成为公司的中流砥柱。如果企业耍赖不给赔偿，该仲裁仲裁，该起诉起诉，一般企业都会怂。
2025-04-18 20:05:45
328
原创 28张图全解深度学习知识！
然后分割训练、开发和测试集，并预期可能到达的优化水平。ReLU：可以理解为阈值激活（spiking model 的特例，类似生物神经的工作方式），该函数很常用，基本是默认选择的激活函数，优点是不会导致训练缓慢的问题，并且由于激活值为零的节点不会参与反向传播，该函数还有稀疏化网络的效果。右边：深度网络的特点是需要大量的训练数据和计算资源，其中涉及大量的矩阵运算，可以在 GPU 上并行执行，还包含了大量的超参数，例如学习率、迭代次数、隐藏层数、激活函数选择、学习率调整方案、批尺寸大小、正则化方法等。
2025-04-18 18:00:03
1006
原创 NLP是什么？一文带你搞懂“自然语言处理（NLP）”看这篇就够了！
从图3-7所示的循环神经网络示意图中可以看到，输入数据(绿色部分)之间是有前后关联的，在处理数据的时候每一个隐藏层的神经元(蓝色部分)都会接收从上一个时刻传来的历史信息，这也就意味着循环神经网络拥有了像人类一样的记忆能力，这是一个重要的突破!在这种情况下，BERT的出现让此前的循环神经网络和卷积神经网络等方法黯然失色，自此之后，自然语言处理领域几乎被 BERT实现了“大一统”，无论是在学术界还是工业界，自然语言处理研究和应用的突破几乎离不开BERT的变体。另一种则是“南京市长”和“江大桥"。
2025-04-18 17:56:50
669
原创 超模表现！准确率近100%！注意力机制+多尺度卷积横扫SOTA
多尺度卷积先提供丰富的特征信息，注意力机制再从中筛选出关键信息，这样结合起来，不仅可以进一步提高模型的识别精度和效率，显著提升模型性能，还可以增强模型的可解释性。多尺度卷积通过并行卷积核组与特征金字塔架构，可同步捕获微米级纹理与宏观结构变化，具有层级化的特征抽象能力。而注意力机制实现了噪声抑制与关键信号聚焦的精准平衡，可以作为高维特征空间的动态信息过滤器。未来研究或将突破超异构计算架构下的软硬件协同优化瓶颈，开辟神经形态芯片上的多尺度注意力融合新范式。相关的最新前沿研究，供大家学习与参考，
2025-04-17 18:10:26
433
原创 大模型新玩法：Transformer+因果推理，解锁可解释性新高度
当前，许多研究致力于结合二者的互补特性，如 CausaFormer利用因果图约束掩码策略，通过因果结构引导的预训练在自动驾驶轨迹预测中消除70%的伪相关性误差。这类混合架构正在重塑药物发现、智能运维等关键领域的技术范式，为因果可解释性理论带来了新的突破。Transformer 在序列建模领域构建了黄金标准，但其黑箱特性导致的因果混淆问题使得其可解释性和可靠性较差。，供大家学习与参考，
2025-04-17 18:09:01
244
原创 有口皆碑！LSTM+PINN新架构，让顶会论文比发朋友圈还简单！
在应对复杂挑战时，研究者通过融合PINN的物理建模与LSTM的时序分析能力，开创了跨领域解决方案。两者虽聚焦不同领域，却共享核心优势：将PINN的物理机理建模能力与LSTM的动态数据处理优势相结合，既保留理论严谨性，又增强数据驱动的灵活性。这种跨学科方法论突破了单一模型的局限，推动复杂系统建模从依赖经验或纯数据驱动，转向“物理+数据”的智能融合范式，为多领域难题提供了可迁移的解决方案。正成为破解复杂系统建模难题的关键技术。，大部分都是一区二区成果，且有代码，在人工智能与科学研究的交叉前沿，
2025-04-17 18:05:32
157
原创 YOLO已经悄悄来到v12，首个以Attention为核心的YOLO框架问世
在相同的计算预算下，基于 CNN 的架构比基于 attention 的架构快约 2-3 倍，这极大限制了 attention 在 YOLO 系统中的应用，由于 YOLO 体系高度依赖高推理速度。首先，作者提出了一种简单而高效的区域注意力模块（area attention, A2），该模块在保持大感受野的同时，以最简单直接的方式降低了 attention 的计算复杂度，从而提升了计算速度。其次，作者引入了残差高效层聚合网络（R-ELAN），以解决 attention（主要是大规模模型）带来的优化难题。
2025-04-16 20:28:15
240
原创 最全总结！2024时间序列领域相关顶会 ！！
特别适用于数据点之间存在时间依赖关系的情况，比如股票市场预测、气象预报等。因此在学术界与工业界都有广泛应用，研究成果丰富且多样。它是一种通用的预测范式，让预训练模型可以处理任意时序预测任务。在零样本预测中，Moirai的性能媲美甚至超越了SOTA。不仅仅是Moirai，谷歌的TimesFM、亚马逊的Chronos等都达成了革命性突破。对于时间序列领域想发论文的同学来说，学习这些优秀成果尤为必要。作为学术研究的热门方向，时间序列不仅可以。
2025-04-15 19:44:01
177
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人