深度学习_人工智能博客-专业IT技术发表平台

【人工智能之深度学习】20. 交通流量预测实战：用GCN构建城市路网预测模型（PeMS数据集+PyTorch Geometric全流程）摘要：城市交通流量预测是智慧交通的核心任务，传统LSTM/CNN模型因忽视路网拓扑结构（如传感器间的道路连接关系），难以精准捕捉拥堵传播规律。本文以公开PeMSD4数据集（旧金山湾区交通数据）为基础，采用图卷积网络（GCN）构建预测模型——通过将交通传感器视为“节点”、道路连接视为“边”，结合PyTorch Geometric工具实现端到端时空预测。

阅读 2.0k

72赞

晟曦毅君(◦˙▽˙◦)

深度学习（Deep Learning）全面详解：从原理到应用深度学习通过 “层级化特征学习” 和 “端到端优化”，彻底改变了人工智能的发展轨迹，从图像识别、语音助手到自动驾驶、大语言模型，深度学习已渗透到生产生活的方方面面，成为推动 “智能化革命” 的核心技术。然而，深度学习并非 “万能钥匙”，仍面临数据依赖、可解释性差、鲁棒性不足等挑战。

阅读 2.7w

114赞

软件科学-郝学胜

深度学习核心：损失函数完全解析 —— 从原理到 PyTorch 实战本文系统解析了深度学习中损失函数的原理与应用。首先阐明损失函数的核心作用：衡量模型预测与真实标签的差异，指导参数优化。文章分类介绍了5种常用损失函数，重点剖析了多分类交叉熵损失的特性：自带Softmax激活、仅需原始Logits输入。通过流程图和公式详细说明其计算过程，并给出PyTorch实现代码，强调预测值无需额外Softmax处理的关键要点。最后总结工程选型建议：分类任务使用BCE/CrossEntropy，回归任务优选SmoothL1。掌握损失函数是深度学习模型训练的核心技能。

阅读 1.7k

90赞

云边有个稻草人

从源到目标：深度学习中的迁移学习与领域自适应实践迁移学习是一种通过借用源领域的知识来解决目标领域任务的方法，尤其适用于目标领域数据有限的情况。通过迁移学习，深度学习模型能够在标注数据少的目标任务上进行训练，利用预先训练好的源领域模型进行微调，显著加快训练速度并提高模型的性能。领域自适应是迁移学习的一个关键子领域，旨在解决源领域和目标领域之间数据分布的差异。当我们拥有标注的源领域数据，却在目标领域缺乏标注数据时，领域自适应通过减少这两个领域之间的分布差异，使得模型能够在目标领域上表现得更好。

阅读 3.4k

158赞

csdddn

TypeScript 编程中的环境变量类型安全：dotenv 与 t3-env 的结合应用在 TypeScript 项目中，利用 dotenv 和 t3-env 可以实现环境变量的类型安全。dotenv 负责从.env文件中加载环境变量，而 t3-env 则用于定义环境变量的类型和验证规则。通过这种方式，我们可以在编译时捕获环境变量相关的错误，提高代码的可靠性和可维护性。同时，类型推导和代码提示功能也能帮助开发者更高效地编写代码，减少错误的发生。

阅读 243

5赞

渡我白衣

登堂入室——深度学习的工程化实践与调优本文探讨了深度学习从理论研究到工程化实践的关键过渡。首先强调了数据管道的重要性，指出专业数据管道需解决内存效率、计算效率和代码可维护性三大问题，并详细介绍了PyTorch中DataLoader和Dataset的最佳实践配置。其次深入分析了学习率这一核心超参数，比较了Step Decay、ReduceLROnPlateau和One Cycle Policy三种调度策略的特点，特别推荐了先增后减的单周期策略。全文聚焦如何将深度学习模型从"能跑通"提升到"能用好"的工程化阶

阅读 1.5k

104赞

小林说AI

人工智能：深度学习中的卷积神经网络（CNN）实战应用本文介绍了卷积神经网络(CNN)的核心原理与实战应用。重点讲解了卷积层和池化层的工作原理，以及经典LeNet-5网络架构的实现方法。通过MNIST手写数字识别任务，展示了CNN模型的搭建、训练和评估流程。文章还探讨了过拟合问题的解决方案，如使用Dropout层、ReLU激活函数和批量归一化等技术优化模型性能。最后总结了CNN在图像分类任务中的关键技术和应用价值，为深度学习实践提供了实用指导。

阅读 2.2w

82赞

2401_82749999

深度学习03(黑马)-神经网络基础人工神经网络（Artificial Neural Network，简写为ANN）也简称为神经网络（NN），是一种模仿生物神经网络结构和功能的计算模型。它由多个互相连接的人工神经元（也称为节点）构成，可以用于处理和学习复杂的数据模式，尤其适合解决非线性问题。人工神经网络是机器学习中的一个重要模型，尤其在深度学习领域中得到了广泛应用。人脑可以看做是一个生物神经网络，由众多的神经元连接而成。各个神经元传递复杂的电信号，树突接收到输入信号，然后对信号进行处理，通过轴突输出信号。

阅读 1.1k

8赞

框框框子

音频处理中的AI革命：深度学习如何改变声音的未来本文探讨了深度学习在音频处理领域的革命性影响，从语音识别到音乐生成，AI技术正在重塑声音技术的未来。文章详细介绍了端到端学习、多模态融合等核心突破，以及语音克隆、音乐生成等创新应用，展示了AI在音频增强、边缘计算等方向的最新进展。

阅读 780

13赞

csdddn

表单处理：React Hook Form 类型集成在 TypeScript 项目中的应用 React Hook Form 是一个专注于性能和开发者体验的表单库。它利用 React 的 Hook 机制，提供了一种简洁的方式来管理表单状态、验证输入以及处理提交。与传统的表单库相比，React Hook Form 减少了不必要的重新渲染，提高了应用的性能。除了基本的必填验证，还可以实现更复杂的自定义验证。例如，验证密码长度是否至少为 8 个字符。const {();

阅读 74

0赞

Francek Chen

【深度学习计算机视觉】13：实战Kaggle比赛：图像分类 (CIFAR-10) 本文讲解实战Kaggle比赛：图像分类。如何参与CIFAR-10图像分类Kaggle竞赛，包括数据获取、预处理、模型训练及验证，最终生成submission.csv文件并提交结果至Kaggle。

阅读 3.2k

90赞

落花不写码

手把手教你完成基于YOLOv11+CNN车牌识别系统，Opencv车牌矫正，基于深度学习的车牌识别系统车牌识别系统是智能交通、安防监控等领域的关键技术，结合深度学习方法可提升识别模型准确率。传统方法依赖手工特征提取，而OpenCV的车牌矫正技术进一步优化倾斜或变形车牌的预处理，为后续识别提供高质量输入，基于 YOLOv11的目标检测与 CNN 分类器的结合，能够实现端到端的车牌定位与字符识别。

阅读 1.1w

79赞

绝不原创的飞龙

Tinyml：TensorFlow Lite 深度学习（四）在本章中，我们深入探讨了典型嵌入式机器学习模型的架构。这种卷积模型是对时间序列数据进行分类的强大工具，你将经常遇到它。到目前为止，希望你已经了解了嵌入式机器学习应用程序的外观，以及它们的应用代码如何与模型一起工作来理解周围的世界。当你构建自己的项目时，你将开始组建一个熟悉模型的工具箱，可以用来解决不同的问题。您可能会问的第一个问题是该框架实际上是做什么的。要理解这一点，有助于稍微解释一下（相当长的）名称并解释组件。完成本章后，您可能感觉自己像是在尝试从消防栓中喝水。

阅读 1.8k

4赞

Francek Chen

【深度学习计算性能】03：自动并行本文讲解深度学习计算性能中的自动并行。以PyTorch为例，展示GPU并行计算、并行计算与通信操作，凸显基于图的计算后端自动优化调度的优势。

阅读 1.8k

86赞

斌擎科技

基于深度学习的奶牛行为检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型） YOLOv10奶牛行为检测系统是一个基于YOLOv10（You Only Look Once version 10）目标检测算法的智能系统，专门用于检测奶牛的行为状态。该系统能够自动识别并分类奶牛的三种主要行为：站立、行走和卧倒。通过该系统，用户可以实时监控奶牛的行为状态，帮助养殖场管理者优化奶牛的健康管理、提高生产效率，并为动物福利提供数据支持。

阅读 846

29赞

如果树上有叶子

【神经网络与深度学习】五折交叉验证（5-Fold Cross-Validation）五折交叉验证（5-Fold Cross-Validation）是一种广泛应用于机器学习模型性能评估的技术，通过多次实验确保模型的评估结果更加稳定、可靠，同时最大限度地利用有限的数据资源。它将数据分成若干子集，交替作为训练集和测试集，从而减少因数据划分偶然性带来的偏差，并为模型的选择和优化提供科学依据。本文将详细探讨五折交叉验证的具体流程、目的及其实际应用场景，为理解和实施这一方法提供全面的参考。

阅读 5.2k

7赞

斌擎科技

YOLO26骑手佩戴头盔检测系统：同时检测骑手、头盔、车牌，助力智能交通监管（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）随着摩托车、电动车等两轮交通工具的普及，骑手交通安全问题日益受到关注。其中，头盔的正确佩戴是保障骑手生命安全的关键因素。然而，传统的人工巡检方式效率低下，难以实现全天候、大规模的监管。为此，本文基于YOLO目标检测算法，设计并实现了一种骑手佩戴头盔识别检测系统。该系统能够同时检测骑手、头盔及车牌三类目标，为交通管理部门提供智能化监管手段。系统采用YOLO26作为基础框架，使用1563张图像进行训练，140张图像进行验证，100张图像进行测试。实验结果表明，模型在测试集上的mAP@0.5达到0.957，其中骑

阅读 808

19赞

YMWM_

深度学习中的CLIP介绍深度学习中的CLIP介绍

阅读 793

13赞

Atticus-Orion

深度学习篇---Transformer解码器 Transformer解码器详解：解码器是Transformer的核心组件，负责自回归生成目标序列。其核心结构包括：1)输入嵌入和位置编码；2)带掩码的多头注意力层（确保自回归特性）；3)编码器-解码器注意力层（连接源语言信息）；4)前馈网络和归一化层。解码器通过逐步预测（如机器翻译中逐个生成目标词）完成序列生成，典型工作流程为：基于起始符预测首个词，再基于已生成内容预测后续词，直至结束符。关键特性包括自回归生成、掩码机制和跨语言注意力，这些使Transformer成为GPT等大模型的基础架构。

阅读 1.0k

20赞

岑梓铭

YOLO深度学习—旋转框obb数据集快速打标签自动化快速打标签

阅读 1.0k

13赞

Z深度求索

基于深度学习的情绪识别检测系统【完整版】多模态情绪识别融合人脸、语音等多源数据，通过CNN、LSTM等模型提取视觉（表情）与听觉（语音语调）特征，经融合算法综合分析情绪。可实现图片、视频、实时摄像头的静态/动态检测，输出情绪类别及百分比，提升复杂场景识别精度，广泛应用于智能交互、心理分析等领域。

阅读 9.3k

89赞

私信我自动获取源码

计算机毕业设计Python+LLM大模型深度学习垃圾邮件分类与检测系统大数据毕业设计(源码+LW文档+PPT+讲解) 计算机毕业设计Python+LLM大模型深度学习垃圾邮件分类与检测系统大数据毕业设计(源码+LW文档+PPT+讲解)

阅读 970

19赞

作者推荐

元算子: 聚焦人工智能与工业智能融合领域，深耕软件开发、工控自动化核心技术，专注工厂数字化转型与智能化升级落地实践。持续输出工业智能化、AI 工程化、工控开发等方向的实战型技术干货、方案解析与开发教程，以工程化视角分享技术落地经验，助力工业领域数字化、智能化技术落地与行业开发者共同成长。

关注

Loop学长: 深圳大学研二研究生在读，目前腾讯实习，爱分享，爱开源

关注

北斗猿: 硕士，计算机视觉领域新星创作者，博客专家认证，发表论文多篇，主要研究方向为计算机视觉图像处理、视觉SLAM、激光SLAM、北斗短报文通信、RAIM算法、RTK算法、低照度图像增强

关注

Ai学术叫叫兽: 从自身发文经验出发，具有多年科研辅导经验！从学术成果的角度看算法改进，或许更有趣儿！ Ai棒棒牛

关注

Mr.D学长: Mr.D学长，保研竞赛项目与经验分享

关注

云博士的AI课堂: 前华为数据科学家/高级软件工程师/项目主管，哈佛大学高级访问学者/博后，浙江大学计算机专业博士，德国包豪斯大学媒体学院高级访问学者/博后，人工智能与计算机视觉行业专家，AI技术实践超20年。

关注

Together_CZ: 欲戴其冠，必承其重

关注

Francek Chen: 征途漫漫，惟有奋斗！CSDN大数据领域优质创作者，2025博客之星TOP25，2024博客之星TOP47，阿里云社区专家博主，华为云云享专家。热爱学习大数据与人工智能的相关知识，专注Hadoop、Spark实战，打造了《大数据技术基础》《Python机器学习》等热门专栏，助力行业技术落地。多篇热文登榜TOP，开源项目解析广受好评。以代码为笔，记录成长；以博客为媒，传递价值。关注我，一起畅游于数据变化的世界中，发现更多精彩~~

关注

Coding茶水间: 专注于人工智能、计算机视觉、全栈开发（Web&移动端），硬件开发，致力于技术实践与知识分享。程序定做：gitee.com/codingtea/contact_codingtea

关注

毕胜客源码: 分享深度学习相关的项目，包括图像识别、目标检测、图像检索、目标分割等

关注