- 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第1章，第1.7.1节，作者是李玉鑑、张婷、单传辉、刘兆英等。 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第1章，第1.7.1节，作者是李玉鑑、张婷、单传辉、刘兆英等。
- 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第1章，第1.4节，作者是李玉鑑、张婷、单传辉、刘兆英等。 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第1章，第1.4节，作者是李玉鑑、张婷、单传辉、刘兆英等。
- 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.4.5节，作者是肖智清。 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.4.5节，作者是肖智清。
- 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.4.1节，作者是肖智清。 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.4.1节，作者是肖智清。
- 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.3.3节，作者是肖智清。 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.3.3节，作者是肖智清。
- 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.3.2节，作者是肖智清。 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.3.2节，作者是肖智清。
- 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.3.1节，作者是肖智清。 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.3.1节，作者是肖智清。
- 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.1.1节，作者是肖智清。 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.1.1节，作者是肖智清。
- 本书摘自《神经网络与PyTorch实战》——书中第2章，第2.3节，作者是肖智清。 本书摘自《神经网络与PyTorch实战》——书中第2章，第2.3节，作者是肖智清。
- 本书摘自《神经网络与PyTorch实战》——书中第1章，第1.2.4节，作者是肖智清。 本书摘自《神经网络与PyTorch实战》——书中第1章，第1.2.4节，作者是肖智清。
- 本书摘自《深度学习之图像识别核心技术与案例实战》一书中的第1章，第1.2.2节，作者是言有三 。 本书摘自《深度学习之图像识别核心技术与案例实战》一书中的第1章，第1.2.2节，作者是言有三 。
- 本书摘自《深度学习之图像识别核心技术与案例实战》一书中的第1章，第1.1.1节，作者是言有三 。 本书摘自《深度学习之图像识别核心技术与案例实战》一书中的第1章，第1.1.1节，作者是言有三 。
- 在自然语言处理（NLP）领域，传统的语言模型主要聚焦于处理文本数据。然而，随着技术的发展和应用需求的扩展，多模态学习逐渐成为了一个热门的研究方向。多模态学习指的是同时处理和理解多种类型的数据，如文本、图像、音频、视频等，进而结合这些数据来完成复杂的任务。例如，通过结合图像与文本，模型能够进行更精确的图像描述生成、视觉问答、情感分析等任务。多模态学习的核心挑战在于如何有效地融合不同模态的数据，... 在自然语言处理（NLP）领域，传统的语言模型主要聚焦于处理文本数据。然而，随着技术的发展和应用需求的扩展，多模态学习逐渐成为了一个热门的研究方向。多模态学习指的是同时处理和理解多种类型的数据，如文本、图像、音频、视频等，进而结合这些数据来完成复杂的任务。例如，通过结合图像与文本，模型能够进行更精确的图像描述生成、视觉问答、情感分析等任务。多模态学习的核心挑战在于如何有效地融合不同模态的数据，...
- AMSR-E/Aqua level 3 global monthly Surface Soil Moisture Averages V005 (AMSRE_AVRMO) at GES DISCGES DISC 的 AMSR-E/Aqua 第 3 级全球地表土壤水分月平均值 V005 (AMSRE_AVRMO)AMSR-E/Aqua level 3 global monthly Surfac... AMSR-E/Aqua level 3 global monthly Surface Soil Moisture Averages V005 (AMSRE_AVRMO) at GES DISCGES DISC 的 AMSR-E/Aqua 第 3 级全球地表土壤水分月平均值 V005 (AMSRE_AVRMO)AMSR-E/Aqua level 3 global monthly Surfac...
- AMSR-E L2 Rainfall Subset, collocated with CloudSat track V002 (AMSERR_CPR) at GES DISCAMSR-E L2 降雨子集，与位于 GES DISC 的 CloudSat 轨道 V002 (AMSERR_CPR) 位于同一地点 简介这是沿云卫星视场轨迹的 AMSR-E 雨率产品子集。子集的目标是选择并返回云卫... AMSR-E L2 Rainfall Subset, collocated with CloudSat track V002 (AMSERR_CPR) at GES DISCAMSR-E L2 降雨子集，与位于 GES DISC 的 CloudSat 轨道 V002 (AMSERR_CPR) 位于同一地点 简介这是沿云卫星视场轨迹的 AMSR-E 雨率产品子集。子集的目标是选择并返回云卫...
上滑加载中
推荐直播
-
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中 -
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中
热门标签