- 深度学习的工程化落地，早已不是纸上谈兵的事。从卷积神经网络到Transformer，从目标检测到大模型私有化部署，技术栈不断延伸，工程师面临的知识体系也越来越庞杂。现根据中际赛威工程师培训老师的一份深度学习进阶的技术路线图，来分析解读一下从基础原理到前沿应用的多个关键节点。一、从基础到进阶：构建深度学习的完整认知深度学习的起点，是对神经网络基本结构的理解。BP神经网络、卷积神经网络（CNN）... 深度学习的工程化落地，早已不是纸上谈兵的事。从卷积神经网络到Transformer，从目标检测到大模型私有化部署，技术栈不断延伸，工程师面临的知识体系也越来越庞杂。现根据中际赛威工程师培训老师的一份深度学习进阶的技术路线图，来分析解读一下从基础原理到前沿应用的多个关键节点。一、从基础到进阶：构建深度学习的完整认知深度学习的起点，是对神经网络基本结构的理解。BP神经网络、卷积神经网络（CNN）...
- 下面开始系统的学习一下tutorials.先看下基本概念。Tensor的形状，以(D0, D1, … ,Dn-1)的形式表示，D0到Dn是任意的正整数。如形状(3,4)表示第一维有3个元素，第二维有4个元素，是一个3行4列的矩阵数组。 张量 形状 1 (0,) [1,2,3] (3,) [[1,2],[3,4]] (2,2) [[[1,2],[3,4]], [[5,6],[... 下面开始系统的学习一下tutorials.先看下基本概念。Tensor的形状，以(D0, D1, … ,Dn-1)的形式表示，D0到Dn是任意的正整数。如形状(3,4)表示第一维有3个元素，第二维有4个元素，是一个3行4列的矩阵数组。 张量 形状 1 (0,) [1,2,3] (3,) [[1,2],[3,4]] (2,2) [[[1,2],[3,4]], [[5,6],[...
- MindSpore 快速入门：从零到第一个神经网络 MindSpore 快速入门：从零到第一个神经网络
- 你的模型真的“懂”吗？用 Captum / SHAP 把神经网络扒开给你看 你的模型真的“懂”吗？用 Captum / SHAP 把神经网络扒开给你看
- 从 0 到 1 写一个神经网络训练循环：别再只会 `model.fit()` 了 从 0 到 1 写一个神经网络训练循环：别再只会 `model.fit()` 了
- 现有方法往往因依赖于强烈的外观线索和清晰的边界而失效。为解决这些局限，我们提出了SEP-YOLO，一个新颖的框架，它集成了双域协同机制用于透明物体实例分割。 现有方法往往因依赖于强烈的外观线索和清晰的边界而失效。为解决这些局限，我们提出了SEP-YOLO，一个新颖的框架，它集成了双域协同机制用于透明物体实例分割。
- 线性回归是用于数据拟合的常规手段，其任务是优化目标函数：h(θ)=θ+θ1x1+θ2x2+....θnxn线性回归的求解法通常为两种：①解优化多元一次方程（矩阵）的传统方法，在数值分析里通常被称作”最小二乘法"，公式θ=(XTX)−1XTY②迭代法：有一阶导数（梯度下降）优化法、二阶导数（牛顿法）。方程解法局限性较大，通常只用来线性数据拟合。而迭代法直接催生了用于模式识别的神经网络诞生。最先... 线性回归是用于数据拟合的常规手段，其任务是优化目标函数：h(θ)=θ+θ1x1+θ2x2+....θnxn线性回归的求解法通常为两种：①解优化多元一次方程（矩阵）的传统方法，在数值分析里通常被称作”最小二乘法"，公式θ=(XTX)−1XTY②迭代法：有一阶导数（梯度下降）优化法、二阶导数（牛顿法）。方程解法局限性较大，通常只用来线性数据拟合。而迭代法直接催生了用于模式识别的神经网络诞生。最先...
- 引言：人工智能的自主决策革命在人工智能的发展历程中，强化学习代表着一种根本性的范式转变——从被动学习到主动决策的跨越。与监督学习依赖标注数据不同，强化学习通过与环境的交互进行学习，这种"试错学习"机制更接近人类和动物的学习方式。从AlphaGo战胜人类围棋冠军到自动驾驶汽车的决策系统，强化学习正在重塑我们对智能系统的认知。然而，强化学习的实践应用远非理论那般优雅。智能体必须在探索未知与利... 引言：人工智能的自主决策革命在人工智能的发展历程中，强化学习代表着一种根本性的范式转变——从被动学习到主动决策的跨越。与监督学习依赖标注数据不同，强化学习通过与环境的交互进行学习，这种"试错学习"机制更接近人类和动物的学习方式。从AlphaGo战胜人类围棋冠军到自动驾驶汽车的决策系统，强化学习正在重塑我们对智能系统的认知。然而，强化学习的实践应用远非理论那般优雅。智能体必须在探索未知与利...
- 在自然语言处理（NLP）领域，Transformer架构及其变种模型如BERT（Bidirectional Encoder Representations from Transformers）和GPT（Generative Pre-trained Transformer）的出现，极大地推动了NLP技术的发展。本文将深入探讨BERT与GPT的架构差异，分析自注意力机制与卷积神经网络在处理文本数... 在自然语言处理（NLP）领域，Transformer架构及其变种模型如BERT（Bidirectional Encoder Representations from Transformers）和GPT（Generative Pre-trained Transformer）的出现，极大地推动了NLP技术的发展。本文将深入探讨BERT与GPT的架构差异，分析自注意力机制与卷积神经网络在处理文本数...
- 一引言计算机视觉是人工智能领域的重要分支，广泛应用于目标检测、图像分割、姿态估计等任务。近年来，YOLO系列模型因其高效性和实时性成为目标检测领域的标杆。YOLOv8作为YOLO系列的最新版本，进一步优化了检测性能，同时支持实例分割等多任务。为了进一步提升YOLOv8的性能，研究者们引入了变形卷积、多尺度特征融合等技术，使其在复杂场景中表现更加出色。本文将深入探讨YOLOv8的核心技术，结... 一引言计算机视觉是人工智能领域的重要分支，广泛应用于目标检测、图像分割、姿态估计等任务。近年来，YOLO系列模型因其高效性和实时性成为目标检测领域的标杆。YOLOv8作为YOLO系列的最新版本，进一步优化了检测性能，同时支持实例分割等多任务。为了进一步提升YOLOv8的性能，研究者们引入了变形卷积、多尺度特征融合等技术，使其在复杂场景中表现更加出色。本文将深入探讨YOLOv8的核心技术，结...
- 一、引言计算机视觉领域近十年来经历了深度学习的飞速发展，目标检测与实例分割等核心任务不断取得突破。YOLO系列作为业界经典的实时检测框架，持续迭代带来性能和速度的双重提升。2023年发布的YOLOv8成为新一代高效检测和分割一体化模型，在工程落地和学术研究中均表现突出。同时，变形卷积（Deformable Convolution）、多尺度特征融合等关键技术的引入极大提升了模型对复杂场景、形... 一、引言计算机视觉领域近十年来经历了深度学习的飞速发展，目标检测与实例分割等核心任务不断取得突破。YOLO系列作为业界经典的实时检测框架，持续迭代带来性能和速度的双重提升。2023年发布的YOLOv8成为新一代高效检测和分割一体化模型，在工程落地和学术研究中均表现突出。同时，变形卷积（Deformable Convolution）、多尺度特征融合等关键技术的引入极大提升了模型对复杂场景、形...
- 在这个大模型（LLM）横行的时代，我们似乎习惯了把一切都丢给 Transformer，然后期待奇迹发生。但作为一线算法工程师，我在落地项目时经常感到一种深深的无力感：模型预测准了，但我不知道为什么；稍微改一点业务规则，模型就崩了；甚至面对简单的逻辑陷阱，它依然会自信地胡说八道。这种无力感的根源，在于我们过度依赖“相关性”而非“因果性”，过度依赖“概率拟合”而忽视了“逻辑结构”。最近半年，我... 在这个大模型（LLM）横行的时代，我们似乎习惯了把一切都丢给 Transformer，然后期待奇迹发生。但作为一线算法工程师，我在落地项目时经常感到一种深深的无力感：模型预测准了，但我不知道为什么；稍微改一点业务规则，模型就崩了；甚至面对简单的逻辑陷阱，它依然会自信地胡说八道。这种无力感的根源，在于我们过度依赖“相关性”而非“因果性”，过度依赖“概率拟合”而忽视了“逻辑结构”。最近半年，我...
- 前言：从“听清”到“听懂”的距离在人工智能的浪潮中，语音识别（ASR）似乎已经是一个“成熟”的领域。各大云厂商都提供了极其稳定的API，哪怕你的普通话里夹杂着方言，它也能在几百毫秒内给出精准的文字。然而，一旦我们将场景从通用的云服务切换到边缘侧（如车载嵌入式系统、工业手持终端），或者是复杂的高噪环境（如工厂车间、风噪中的户外），事情就会变得棘手。我们团队最近接到一个项目，为一款工业巡检机... 前言：从“听清”到“听懂”的距离在人工智能的浪潮中，语音识别（ASR）似乎已经是一个“成熟”的领域。各大云厂商都提供了极其稳定的API，哪怕你的普通话里夹杂着方言，它也能在几百毫秒内给出精准的文字。然而，一旦我们将场景从通用的云服务切换到边缘侧（如车载嵌入式系统、工业手持终端），或者是复杂的高噪环境（如工厂车间、风噪中的户外），事情就会变得棘手。我们团队最近接到一个项目，为一款工业巡检机...
- 在智能制造转型浪潮中，工业设备异常检测面临前所未有的挑战。某大型钢铁集团的生产日志显示，传统阈值监控方法误报率高达35%，导致年均停机损失超千万元。本文提出一种融合图神经网络（GNN）、异构图嵌入、动态关系推理与知识蒸馏的新型框架，创新性地将时序依赖建模与轻量化部署相结合。通过在某热轧生产线的实际部署，系统将异常检测准确率提升至97.8%，同时推理延迟压缩至85ms，较基线模型减少42%的计... 在智能制造转型浪潮中，工业设备异常检测面临前所未有的挑战。某大型钢铁集团的生产日志显示，传统阈值监控方法误报率高达35%，导致年均停机损失超千万元。本文提出一种融合图神经网络（GNN）、异构图嵌入、动态关系推理与知识蒸馏的新型框架，创新性地将时序依赖建模与轻量化部署相结合。通过在某热轧生产线的实际部署，系统将异常检测准确率提升至97.8%，同时推理延迟压缩至85ms，较基线模型减少42%的计...
- 摘要：当边缘计算遇见5G切片在工业4.0的浪潮中，工业物联网（IIoT）正面临着一个根本性挑战：如何在海量设备产生的数据洪流中实现毫秒级的智能决策。传统云中心架构已无法满足对延迟、可靠性和隐私保护日益严苛的要求。本文将深入探讨边缘计算、5G网络切片与实时AI推理三项技术的深度融合，如何构建起下一代工业智能系统的核心骨架，并特别聚焦于低延迟优化的多维策略。 一、工业物联网的延迟困境与架构演进... 摘要：当边缘计算遇见5G切片在工业4.0的浪潮中，工业物联网（IIoT）正面临着一个根本性挑战：如何在海量设备产生的数据洪流中实现毫秒级的智能决策。传统云中心架构已无法满足对延迟、可靠性和隐私保护日益严苛的要求。本文将深入探讨边缘计算、5G网络切片与实时AI推理三项技术的深度融合，如何构建起下一代工业智能系统的核心骨架，并特别聚焦于低延迟优化的多维策略。 一、工业物联网的延迟困境与架构演进...
上滑加载中
推荐直播
-
华为云码道Skill实战与极速交付，智能开发全链路实战2026/07/22 周三 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；姜浩-华为云HCDG核心组成员
直播深度解读华为云码道6月产品新特性，从Skill市场安装专家技能，带你零距离体验从需求，开发，审查，重构全链路闭环的开发过程。从零构建并交付一个完整项目，让您体验从代码提交到服务上线的“极速”之旅。
回顾中 -
聚开发者之力，创具身新未来2026/07/23 周四 15:00-17:00
张豪杰/程文/王军/刘新春/黄钦开 /张晓天
本次华为云具身智能开发平台CloudRobo培训面向具身智能开发者，带您全流程体验机器人本体R2C小时级接入、环境重建与轨迹生成仿真数据生产、PB级数据管理、数据评测、模型训推、强化学习和Benchmark一键评测等功能，并体验业界主流具身模型应用。
回顾中
热门标签