想写出好的商业提案，试试Effie

《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。

Effie、幕布、为知笔记、谁才是超好用的商业提案工具？

商业提案，观点严谨，有说服力，是商业人士日常交流或者满足商业客户需求的文件。前期需要大量的商业分析，后期再经头脑风暴，输出文章，给出前瞻性的建设性意见，展望未来。
商业人士都知道，只要商业提案做得好，升职加薪不是梦。个人作为“社畜”多年，一开始只是在Word里面胡乱填鸭式的填充文字，到后来通过专业的商业提案工具撰写提案。这几年也使用过不少的工具软件，比如幕布，为知笔记，Effie等。使用过不少软件，同时也踩过很多坑，为了帮助更多的商业人士，下面我就将这三款软件从软件设计、支持版本、思维导图三个方面做横向

《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。

【CISC7021】基于RNN的下一个单词预测系统

【UM】CISC7021 - Applied Natural Language Processing

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

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”。

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。

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

AI 洪水预测实战：LSTM、Transformer 与多模型融合，把洪峰预报 MAE 压到 10 cm

2024 年我们接手汉江流域预报系统升级。老系统用马斯京根法提前 6 小时预报水位，突发暴雨时洪峰误差最高 30%，防汛调度根本不敢用。本文完整记录我们用深度学习重构预报模块的过程：从 20 年小时级水文数据的清洗与特征工程，到 TensorFlow 实现 LSTM、PyTorch 实现 Transformer，再到多模型融合把洪峰预报 MAE 从 0.35 m 降到 0.10 m。

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。

深度学习——PyTorch MNIST 手写数字识别

你可以把神经网络想象成一个「超级猜谜机器」。我们给它看一张手写数字的图片，它要猜出这个数字是几。一开始它完全是瞎猜，猜错的概率很高。但没关系，我们每次告诉它「猜错了，正确答案是 5」，它就会悄悄调整自己内部的参数，让自己下次更接近正确答案。这个过程反复进行成千上万次，它就越猜越准，最后变成一个「手写数字识别专家」。神经网络之所以叫「网络」，是因为它内部有很多层，每一层又有很多个「神经元」（你可以理解成一个个小计算单元）。数据从第一层进去，一层一层往后传，每一层都做一点简单的计算，最后在输出层给出答案。

深度学习入门：初识深度学习

本文是“深度学习入门”系列的第一篇。从本章开始，我们将正式进入深度学习的领域。如果说机器学习是让计算机从数据中学习规律，那么深度学习就是让计算机自己发现数据中的规律。它通过模拟人脑神经网络的结构，让机器能够自动提取特征，在图像识别、语音识别、自然语言处理等领域取得了革命性的突破。

基于 Python + PyQt5 的水果目标检测与分割可视化系统——水果深度学习识别可视化大屏

本程序面向水果图像智能识别场景，将计算机视觉算法与可视化大屏相结合：左侧/中部展示原图、识别结果、分割图、分割识别图四宫格右侧展示准确率、召回率、精确率、识别明细与类别分布图顶部导航切换识别、日志、图表、参数、管理、配置、样式七大页面识别结果、日志、参数、图片按日期目录 + SQLite双重持久化未配置 YOLO 权重时，系统自动使用OpenCV HSV 颜色分割演示引擎，保证开箱可运行；配置自定义/通用 YOLO 权重后，可切换为深度学习推理。

高炉炉况智能诊断与预警实战~系列文章16：时序深度学习诊断：LSTM 与 Transformer 捕捉炉况演化

炉况诊断的本质是捕捉"演化信息"而非孤立状态。本文从时序建模的必要性出发，对比 LSTM 与 Transformer 在炉况诊断中的原理、选型与配置要点，梳理样本稀缺、多变量组织、静态模型融合等关键工程问题，并以 LSTM 悬料预警为例给出完整落地流程与实测收益，最后明确时序深度学习的边界，帮助读者建立从原理到工程的全链路认知。来自华北理工大学段一凡的博客文章

用C++17从零手搓一个深度学习张量引擎：自动微分、广播、神经网络全打通

张量内存：用 shape + strides + offset 实现零拷贝视图，transpose/reshape 不花一分钱自动微分：动态建图 + 迭代DFS拓扑排序 + 梯度累加，支持任意复杂的计算图广播：NumPy兼容的前向广播和反向还原，数学上严谨神经网络：从线性层到Adam优化器，能直接跑通XOR训练如果你一直想搞清楚 PyTorch 底层是怎么工作的，但又不想啃几十万行源码，这就是一个很好的切入点。代码量可控、结构清晰、测试完善，读完之后你会对"自动微分"四个字有完全不同的理解。