- 推荐系统[八]算法实践总结V0：腾讯音乐全民K歌推荐系统架构及粗排设计 推荐系统[八]算法实践总结V0：腾讯音乐全民K歌推荐系统架构及粗排设计
- 本文从一个最简单的标注系统出发，陆续引入新的功能场景（如“物体检测”、“语义分割”、“实例分割”、“视频分割”等等），对整个标注系统的模型进行调整和拓展，得到了最终的系统领域建模图，并在整个领域模型的调整的过程中，对一些可能遇到的决策点进行了探讨分析，给出了一些笔者个人的思考。 本文从一个最简单的标注系统出发，陆续引入新的功能场景（如“物体检测”、“语义分割”、“实例分割”、“视频分割”等等），对整个标注系统的模型进行调整和拓展，得到了最终的系统领域建模图，并在整个领域模型的调整的过程中，对一些可能遇到的决策点进行了探讨分析，给出了一些笔者个人的思考。
- 推荐系统[八]算法实践总结V1：淘宝逛逛and阿里飞猪个性化推荐：召回算法实践总结【冷启动召回、复购召回、用户行为召回等算法实战】 推荐系统[八]算法实践总结V1：淘宝逛逛and阿里飞猪个性化推荐：召回算法实践总结【冷启动召回、复购召回、用户行为召回等算法实战】
- 国内“谁”能实现chatgpt，短期穷出的类ChatGPT简评（算法侧角度为主），以及对MOSS、ChatYuan给出简评，一文带你深入了解宏观技术路线。 国内“谁”能实现chatgpt，短期穷出的类ChatGPT简评（算法侧角度为主），以及对MOSS、ChatYuan给出简评，一文带你深入了解宏观技术路线。
- 总结 YOLOv3 的改进点如下： 使用金字塔网络来实现多尺度预测，从而解决小目标检测的问题。 借鉴残差网络来实现更深的 Darknet-53，从而提升模型检测准确率。 使用 sigmoid 函数替代 softmax 激活来实现多标签分类器。 位置预测修改，一个 gird 预测 3 个 box。 总结 YOLOv3 的改进点如下： 使用金字塔网络来实现多尺度预测，从而解决小目标检测的问题。 借鉴残差网络来实现更深的 Darknet-53，从而提升模型检测准确率。 使用 sigmoid 函数替代 softmax 激活来实现多标签分类器。 位置预测修改，一个 gird 预测 3 个 box。
- FPN(feature pyramid networks) 是何凯明等作者提出的适用于多尺度目标检测算法。本篇文章是论文阅读笔记和网络理解心得总结而来，部分资料和图参考论文和网络资料。 FPN(feature pyramid networks) 是何凯明等作者提出的适用于多尺度目标检测算法。本篇文章是论文阅读笔记和网络理解心得总结而来，部分资料和图参考论文和网络资料。
- SLAM 是Simultaneous Localization and Mapping的缩写，中文译作“同时定位与地图构建”。它是指搭载特定传感器（单目、双目、RGB-D相机、Lidar）的主体。 SLAM 是Simultaneous Localization and Mapping的缩写，中文译作“同时定位与地图构建”。它是指搭载特定传感器（单目、双目、RGB-D相机、Lidar）的主体。
- 基于深度学习的主流单目3D目标检测算法可以分为两个过程：2D目标检测 + 基于投影几何原理的回归网络设计。本文首先介绍了单目 3D 目标检测的理论基础-投影几何原理和算法原理，并解读了几个主流模型。 基于深度学习的主流单目3D目标检测算法可以分为两个过程：2D目标检测 + 基于投影几何原理的回归网络设计。本文首先介绍了单目 3D 目标检测的理论基础-投影几何原理和算法原理，并解读了几个主流模型。
- 本文总结分类和回归任务的常用损失函数，比如重点解析了交叉熵损失函数的由来，并给出详细计算公式和、案例分析、代码，同时也描述了 MAE 和 MSE 损失函数。 本文总结分类和回归任务的常用损失函数，比如重点解析了交叉熵损失函数的由来，并给出详细计算公式和、案例分析、代码，同时也描述了 MAE 和 MSE 损失函数。
- 本文分析了激活函数对于神经网络的必要性，同时讲解了几种常见的激活函数的原理，并给出相关公式、代码和示例图。 本文分析了激活函数对于神经网络的必要性，同时讲解了几种常见的激活函数的原理，并给出相关公式、代码和示例图。
- 神经网络模型一般是依靠随机梯度下降优化算法进行神经网络参数更新的，而神经网络参数的学习是非凸问题，利用梯度下降算法优化参数时，网络权重参数的初始值选取十分关键。 神经网络模型一般是依靠随机梯度下降优化算法进行神经网络参数更新的，而神经网络参数的学习是非凸问题，利用梯度下降算法优化参数时，网络权重参数的初始值选取十分关键。
- > 本文大部分内容来自《深度学习》（花书）第三章概率与信息论，从中抽取重要的知识点，并对部分概念和原理加以自己的总结，适合当作原书的补充资料阅读，也可当作快速阅览机器学习原理基础知识的参考资料。 > 本文大部分内容来自《深度学习》（花书）第三章概率与信息论，从中抽取重要的知识点，并对部分概念和原理加以自己的总结，适合当作原书的补充资料阅读，也可当作快速阅览机器学习原理基础知识的参考资料。
- 首先所谓过拟合，指的是一个模型过于复杂之后，它可以很好地“记忆”每一个训练数据中随机噪音的部分而忘记了去“训练”数据中的通用趋势。训练好后的模型过拟合具体表现在：模型在训练数据上损失函数较小，预测准确率较高；但是在测试数据上损失函数比较大，预测准确率较低。 首先所谓过拟合，指的是一个模型过于复杂之后，它可以很好地“记忆”每一个训练数据中随机噪音的部分而忘记了去“训练”数据中的通用趋势。训练好后的模型过拟合具体表现在：模型在训练数据上损失函数较小，预测准确率较高；但是在测试数据上损失函数比较大，预测准确率较低。
- 内容包含深度学习算法常见的面试题。在只有一个通道的情况下，“卷积核”（“kernel”）就相当于滤波器（“filter”），这两个概念是可以互换的。一个 “Kernel” 更倾向于是 2D 的权重矩阵。而 “filter” 则是指多个 kernel 堆叠的 3D 结构。如果是一个 2D 的 filter，那么两者就是一样的。 内容包含深度学习算法常见的面试题。在只有一个通道的情况下，“卷积核”（“kernel”）就相当于滤波器（“filter”），这两个概念是可以互换的。一个 “Kernel” 更倾向于是 2D 的权重矩阵。而 “filter” 则是指多个 kernel 堆叠的 3D 结构。如果是一个 2D 的 filter，那么两者就是一样的。
- Pytorch 中，张量的操作分为结构操作和数学运算，其理解就如字面意思。结构操作就是改变张量本身的结构，数学运算就是对张量的元素值完成数学运算。 Pytorch 中，张量的操作分为结构操作和数学运算，其理解就如字面意思。结构操作就是改变张量本身的结构，数学运算就是对张量的元素值完成数学运算。
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签