- 本节书摘来自华章计算机《Keras深度学习实战》一书中的第3章，第3.2.1节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译. 本节书摘来自华章计算机《Keras深度学习实战》一书中的第3章，第3.2.1节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译.
- 本节书摘来自华章计算机《Keras深度学习实战》一书中的第3章，第3.1.1节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译. 本节书摘来自华章计算机《Keras深度学习实战》一书中的第3章，第3.1.1节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译.
- 本节书摘来自华章计算机《Keras深度学习实战》一书中的第2章，第2.9.2节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译. 本节书摘来自华章计算机《Keras深度学习实战》一书中的第2章，第2.9.2节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译.
- 本节书摘来自华章计算机《Keras深度学习实战》一书中的第2章，第2.6.2节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译. 本节书摘来自华章计算机《Keras深度学习实战》一书中的第2章，第2.6.2节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译.
- 本节书摘来自华章计算机《Keras深度学习实战》一书中的第2章，第2.6.1节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译. 本节书摘来自华章计算机《Keras深度学习实战》一书中的第2章，第2.6.1节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译.
- 本节书摘来自华章计算机《Keras深度学习实战》一书中的第2章，第2.5节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译. 本节书摘来自华章计算机《Keras深度学习实战》一书中的第2章，第2.5节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译.
- 本节书摘来自华章计算机《Keras深度学习实战》一书中的第2章，第2.1节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译 本节书摘来自华章计算机《Keras深度学习实战》一书中的第2章，第2.1节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译
- 本节书摘来自华章计算机《Keras深度学习实战》一书中的第1章，第1.2节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译。 本节书摘来自华章计算机《Keras深度学习实战》一书中的第1章，第1.2节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译。
- 本节书摘来自华章计算机《Keras深度学习实战》一书中的第1章，第1.1节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译。 本节书摘来自华章计算机《Keras深度学习实战》一书中的第1章，第1.1节，作者是拉蒂普·杜瓦（Rajdeep Dua）[印] 曼普里特·辛格·古特（Manpreet Singh Ghotra） 著 罗 娜 祁佳康 译。
- 大模型记忆系统设计与实现 摘要：本文针对大模型上下文窗口有限的痛点，提出了一套完整的记忆系统解决方案。系统采用三层架构设计（瞬时记忆、短期记忆、长期记忆），通过记忆压缩、去重、更新、衰减和冲突处理等机制实现全生命周期管理。关键技术包括：基于LLM的语义压缩算法、向量相似度去重策略、版本化更新机制、指数衰减遗忘模型，以及多维度冲突消解方案。文章详细阐述了各模块实现原理，并提供了包含数据模型、处理流水 大模型记忆系统设计与实现 摘要：本文针对大模型上下文窗口有限的痛点，提出了一套完整的记忆系统解决方案。系统采用三层架构设计（瞬时记忆、短期记忆、长期记忆），通过记忆压缩、去重、更新、衰减和冲突处理等机制实现全生命周期管理。关键技术包括：基于LLM的语义压缩算法、向量相似度去重策略、版本化更新机制、指数衰减遗忘模型，以及多维度冲突消解方案。文章详细阐述了各模块实现原理，并提供了包含数据模型、处理流水
- 作者：yumking | 2026 年 8 月 28 日 | 技术标签：RAG / 检索增强 / 向量数据库 / AI Agent 摘要大模型"一本正经地胡说八道"的顽疾，根源在于它的知识被冻结在训练截止日期，且无法访问私有数据。检索增强生成（Retrieval-Augmented Generation，RAG）通过"先检索、后生成"的方式，让模型在回答前先从外部知识库"查资料"。本文从 R... 作者：yumking | 2026 年 8 月 28 日 | 技术标签：RAG / 检索增强 / 向量数据库 / AI Agent 摘要大模型"一本正经地胡说八道"的顽疾，根源在于它的知识被冻结在训练截止日期，且无法访问私有数据。检索增强生成（Retrieval-Augmented Generation，RAG）通过"先检索、后生成"的方式，让模型在回答前先从外部知识库"查资料"。本文从 R...
- 前面我们已经把文档切分成带有来源信息的片段，也知道 Embedding 可以把文本变成可比较的向量。下一步是把这些向量保存起来，并在用户提问时快速找出最相近的片段。向量数据库就是为这件事提供的数据层。本篇使用 Chroma 介绍集合、向量、文档和元数据的关系，并用预先写好的小向量完成一次无需模型 API 的本地检索；这样可以先验证检索流程，再接入真正的 Embedding 服务。 向量数据库... 前面我们已经把文档切分成带有来源信息的片段，也知道 Embedding 可以把文本变成可比较的向量。下一步是把这些向量保存起来，并在用户提问时快速找出最相近的片段。向量数据库就是为这件事提供的数据层。本篇使用 Chroma 介绍集合、向量、文档和元数据的关系，并用预先写好的小向量完成一次无需模型 API 的本地检索；这样可以先验证检索流程，再接入真正的 Embedding 服务。 向量数据库...
- 摘要当大语言模型（LLM）的参数量以每年10倍的速度膨胀，当“涌现能力”成为各家技术白皮书的高频词汇，人工智能正站在一个微妙的十字路口。一边是通用人工智能（AGI）的狂热预言，另一边是算力耗散与商业闭环的现实拷问。本文试图剥离炒作，从信息论、规模法则（Scaling Law）与工程经济学的交叉视角，剖析当前AI发展的结构性困境，并提出“有效智能密度”这一新度量标准，为下一代AI系统的设计提供... 摘要当大语言模型（LLM）的参数量以每年10倍的速度膨胀，当“涌现能力”成为各家技术白皮书的高频词汇，人工智能正站在一个微妙的十字路口。一边是通用人工智能（AGI）的狂热预言，另一边是算力耗散与商业闭环的现实拷问。本文试图剥离炒作，从信息论、规模法则（Scaling Law）与工程经济学的交叉视角，剖析当前AI发展的结构性困境，并提出“有效智能密度”这一新度量标准，为下一代AI系统的设计提供...
- 工业装备在运行过程中，早期微弱故障的诊断一直是一项具有挑战性的任务。由于早期故障特征微弱且极易被背景噪声淹没，传统的诊断方法往往难以取得理想的效果。为了应对这一难题，发表在期刊 Structural Health Monitoring 上的论文《Deep exponential excitation networks: toward stronger attention mechanism ... 工业装备在运行过程中，早期微弱故障的诊断一直是一项具有挑战性的任务。由于早期故障特征微弱且极易被背景噪声淹没，传统的诊断方法往往难以取得理想的效果。为了应对这一难题，发表在期刊 Structural Health Monitoring 上的论文《Deep exponential excitation networks: toward stronger attention mechanism ...
- 在工业生产中，旋转机械如齿轮箱和轴承等部件长期运行在恶劣的环境下，其振动信号往往夹杂着大量的背景噪声。传统的信号分析和深度学习方法在面对强噪声干扰时，特征提取能力往往会显著下降，导致故障诊断精度受限。为了应对这一挑战，学术界提出了一种新型的深度学习架构。发表在《IEEE Transactions on Industrial Informatics》上的论文 "Deep Residual Sh... 在工业生产中，旋转机械如齿轮箱和轴承等部件长期运行在恶劣的环境下，其振动信号往往夹杂着大量的背景噪声。传统的信号分析和深度学习方法在面对强噪声干扰时，特征提取能力往往会显著下降，导致故障诊断精度受限。为了应对这一挑战，学术界提出了一种新型的深度学习架构。发表在《IEEE Transactions on Industrial Informatics》上的论文 "Deep Residual Sh...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第三期2026/08/21 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；念擎-华为云AI开发者运营案例开发专家
本期直播内容：AI六层能力首次详细解读 + 新一代华为云开发者空间亮相 + 校园案例直播带练
回顾中 -
华为云开发者AI素养直播课·第四期2026/08/28 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；吴松明-华为云AI开发者案例开发专家
EduSwarm 是一个基于多智能体框架构建的 AI 教师团队协作平台：把备课、上课、作业、批改、学情等教学环节，交给多位专职 AI Agent（课件师、出题官、批改师、学情分析师等）协作完成。教师从「亲力亲为」变成「做决策」，学生只需凭课堂码加入即可实时跟课。
回顾中
热门标签