《鱿鱼游戏》开场了|谁才是影评人的御用写作工具

《深度学习理论及实践》全套PPT课件（北京邮电大学）

获取 《深度学习理论及实践》全套PPT课件（北京邮电大学）：：https://download.csdn.net/download/m0_54748666/93346307。第7章 典型的深度神经网络模型.pptx。第1章人工智能与深度学习概述.pptx。第5章深层神经网络的训练方法.pptx。第2章机器学习之回归任务.pptx。第3章机器学习之分类任务.pptx。第4章神经网络与深度学习.pptx。第6章卷积神经网络.pptx。第8章强化学习算法.pptx。第9章深度强化学习.pptx。

写作生产力工具|评论家写作软件大评测

生产力工具，顾名思义可有助于生产。一般的写作笔记类应用软件和写作生产力工具并不相同，它们更多的是关注记录，笔记，信息收藏等功能，而写作生产力工具，只关注写作。 作为一名长期与评论类型文章打交道的人，随着在各投稿平台投稿文章数量的增多，发现想要让评论文章的结论更客观公正，更冷静和理性且更具有说服力，借助能有助于逻辑思考的写作生产力工具更容易达到目标，码字也会更高效，写作也更轻松。
为此，今天特地整理了三款（为知笔记，熊掌记，Effie）写作辅助工具，并做简单的评测，希望能帮助到正在寻找写作生产力工具的你。

《深度学习全景：技术与应用解析》全套PPT课件

获取 《深度学习全景：技术与应用解析》全套PPT课件：：https://download.csdn.net/download/m0_54748666/93346317。《深度学习全景：技术与应用解析》全套PPT课件。第四章 Transformer.pptx。第六章时间序列预测技术.pptx。第七章自然语言处理技术.pptx。第一章 深度学习基础.pptx。第三章 循环神经网络.pptx。第五章计算机视觉技术.pptx。第二章卷积神经网络.pptx。第八章多模态技术.pptx。

三款学生必备的学习笔记工具，让你暑假变学霸

暑假是学生最容易实现弯道超车的假期，复盘，整理笔记，让凌乱的学习路径更清晰，更有逻辑。借助一款学习笔记类的工具会达到事半功倍的效果。
相信大家一开始也对暑假制定了大致的目标，可是暑假已经过了一半，回头一看貌似什么都没做。 本文就给学生小伙伴们安利三款学习笔记类的工具，用于快速提升自我，把握住暑假的尾巴，给自己充电。以免暑假已过，又出现重复式的后悔没有认真学习。 话不多说，直接给大家上干货。 Effie Effie, 相信很多小伙伴也都用过这款软件，即便是没用过也有可能听说过。用过的小伙伴一般都用来写小说

注意力稀缺的时代，写作软件如何选择？

作为一名在写作领域摸爬滚打数十年，从码字报酬难以果腹到如今月入稳定在 2w＋水平的网文作者，我在写作软件的使用方面也算是个资深老鸟了。 每天码字 5000＋，我对于写作工具的要求在这些年里也随着创作激情的 up 而不断提高。 史蒂芬平克的《风格感觉》是我的写作启蒙之书，书里有一个观点令我印象非常之深刻：“写作之难，在于把网状的思考用树状的语法结构，转换成线性字符串。” 写作并不是单行道，我们先是要用“上帝视角”进行网状的谋篇布局，再用树状的语法结构架构起来，最后才使用线性的字符串表词达意。 但在具体

诚之和:《鱿鱼游戏》普通人与恶的距离，究竟有多远

最近，韩剧《鱿鱼游戏》成了爆款。为何这部剧会爆火呢？ 它虚构了一个封闭环境中的比赛系统，乍看是对“一二三木头人”、拔河、打弹珠等童年游戏的复刻，实际上这个比赛系统却借此进行了残酷的杀戮竞赛。 ▲《鱿鱼游戏》剧照。 于是我们看到，每一个像主角成奇勋这样的小人物刚开始都是抱着半好奇半侥幸的心态参与的，可是加入比赛系统后，逐渐做出种种违反道德、背离伦理的举动。例如，骗朋友去送死，欺负病弱的老人，甚至亲自将深爱的妻子推向绝路...... 有时，系统的规则也让人联想到历史上的惨剧。比如在赛前默许乃至鼓励参

【CISC7021】基于RNN的下一个单词预测系统

【UM】CISC7021 - Applied Natural Language Processing

【人工智能训练师】卷积神经网络（CNN）

CNN通过局部连接、权值共享和层次化特征提取，以极少的参数高效学习图像的层次特征。从MNIST的90%+准确率到ImageNet的99%+，CNN证明了它在视觉任务中的统治地位，也是理解现代深度学习（ResNet、Transformer、Diffusion Model等）的最佳起点。

深度学习Pytorch下载推荐（笔记，仅记录学习）

推荐B站up“我是土堆”的下载教程，并提醒新版PyCharm配置环境用python而非conda，通过运行输出验证配置正确。

深度学习26转置卷积

矩阵V是\(m\times n\)，它的转置\(V^T\)就是把行和列互换，变成 \(\boldsymbol{n\times m}\)。原来矩阵 V：n 个输入 → m 个输出（n 大 m 小，图片缩小）转置后的矩阵\(V^T\)：m 个输入 → n 个输出（m 小 n 大，图片放大！转置卷积等价 \(Y'=V^T X'\)普通卷积 = 矩阵 V，图片缩小；转置卷积 = 矩阵 V 的转置V^T，用一样的超参数，把特征图尺寸再放大回去。

深度学习-手写数字识别

代码逻辑非常清晰，完全按照深度学习的标准流程走：数据加载 -> 定义模型 -> 训练 -> 测试。首先导入代码所用到的相关模块代码root="data"是数据存放路径；train=True是加载训练集；transform=ToTensor()是将图片转换为pytorch能够处理的张量，并进行归一化。这是一种三层全连接神经网络（MLP）：nn.Flatten()(展平层)：MNIST 的原始图片是一个二维的 28×28 的像素矩阵。但全连接神经网络不认识二维数组，它只认一维的向量。所以第一件事就是把这 784

【深度学习】模型选择、过拟合与欠拟合

一个模型最多能"打散（shatter）"多少个数据点——即不管这些点的标签怎么排列（正/负），模型都能找到一个参数把这组点完全分开。

深度学习-神经网络是如何训练的

对该概率取 -log，得到约 0.28，这就是本次预测的损失。取 -log 的原因：softmax 已经把输出归一化到 0~1 之间，概率越接近 1，-log 越接近 0，损失越小；输入 x = [1, 1, 1, 1]，有两种权重：w1 = [1, 0, 0, 0] 和 w2 = [0.25, 0.25, 0.25, 0.25]，它们与 x 的乘积都为 1。常用的损失函数有：0-1 损失函数、均方差损失（MSE，公式为 loss = 1/n·Σ(ŷ - y)²）、平均绝对差损失、交叉熵损失、合页损失。

银行回单识别系统融合计算机视觉、深度学习和自然语言处理三大AI技术，实现银行回单自动转化为可直接入账的结构化数据

它把计算机视觉的“眼睛”、深度学习的“大脑”和自然语言处理的“理解力”结合在一起，把困扰财务行业几十年的“回单难题”变成了一个秒级完成的自动化流程。比如数字“0”和字母“O”长得几乎一样，系统单独看一个字符可能分不清，但它会结合上下文来判断——在金额这个位置，出现的应该是数字“0”而不是字母“O”。系统会利用自然语言处理（NLP） 技术，对识别出的文本进行语义理解——比如判断“借方”和“贷方”是什么意思，“转账”“工资”“缴费”分别代表什么类型的交易。识别出文字只是第一步，更关键的是让这些文字“有用”。

PyQt基于卷积神经网络的智慧校园的设计与实现

摘要： 在数字化时代，智慧校园建设成为教育现代化进程中的关键一环，旨在通过先进技术提升校园管理效率与教学质量，为师生创造更智能、便捷的校园环境。随着人工智能技术的迅猛发展，卷积神经网络（CNN）以其强大的特征提取与模式识别能力，在智慧校园的多领域应用中展现出巨大潜力。 本文聚焦于基于 CNN 的智慧校园系统的设计与实现，着重探讨了人脸识别系统与学生情绪识别系统在智慧校园场景下的创新应用。人脸识别系统依托 Keras 框架搭建，充分利用 CNN 强大的图像处理能力，实现了精准的人脸检测与识别功能。从校园门禁管

深度学习24物体检测算法R-CNN、SSD、YOLO

每次选择的锚框的大小是不同的，在这种情况下，怎样使这些大小不一的锚框变成一个batch？Mask R-CNN 是基于 Faster R-CNN 修改而来的，改进在于。兴趣区域汇聚层（RoI Pooing）与一般的汇聚层有什么不同？Fast R-CNN 相对于 R-CNN 更快的原因。Faster R-CNN 和 Mask R-CNN。Faster R-CNN 的改进。Faste R-CNN 的改进。

深度学习中如何通过阈值搜索平衡 Precision 和 Recall

阈值搜索就是在验证集上测试一系列候选阈值，并分别计算每个阈值对应的 Precision、Recall、Dice、IoU 等指标，最后根据任务需求选择最合适的阈值。阈值PrecisionRecallDice0.300.7800.9100.8400.400.8300.8800.8540.500.8700.8200.8440.600.9100.7500.822当阈值为 0.30 时，Recall 较高，但误检较多，因此 Precision 偏低。

深度学习在剩余寿命预测（RUL）中的应用综述

剩余寿命预测是预测性维护里最难啃的骨头之一。我用C-MAPPS涡扇发动机数据集跑了CNN、LSTM和CNN-LSTM三套方案，也踩过真实产线上RUL标签失真的坑。这篇聊聊深度学习做RUL的主流路线、各自的坑，以及我对"回归还是分类"这个争议的切身看法。