#深度学习
共 63 篇相关文章
深度学习杂波抑制：多基地ISAC实现高精度定位测速
解读多基地ISAC最新研究：针对5G及未来信号感知中稠密动态杂波导致定位测速误差的问题，对比传统信号处理基线，引入残差与注意力增强的深度学习杂波抑制方法，在多样杂波条件下显著提升目标位置与速度估计精度。
手算Transformer前向传播：逐矩阵理解大模型
一位Reddit用户分享通过手算Transformer前向传播的每个矩阵来理解大模型内部机制的方法，涵盖位置编码、编码器形状不变性以及BERT与编码器的关系，并附有分步练习资源。
PreCap激活函数：无归一化百层MLP匹敌SELU
独立研究者发布PreCap激活函数，在100层MLP上无归一化匹配SELU性能，采用预注册和严格统计，诚实报告负面结果，并提供CUDA与MLX实现。
扩散模型入门到精通：原理推导与DiT源码实战
扩散模型仍是论文创新与模型改良的热门方向。本文整理零基础学习路径：从理清前向扩散与反向生成的核心逻辑，到用DiT轻量化工具包逐行吃透源码，再到结合精选论文摸清加速与轻量化创新思路，避免只会跑代码不懂原理的常见弯路。
零基础吃透扩散模型：从加噪到去噪的完整推导
零基础也能看懂的扩散模型原理详解：从GAN的局限讲起，完整推导前向加噪与反向去噪公式，解释为什么需要神经网络预测噪声，附UNet结构与代码实现要点。
零基础学扩散模型：原理、工具与创新路径全解析
基于B站热门教程，系统梳理扩散模型零基础学习路径：从核心理论推导的取舍，到DiT工具包源码实操，再到模型加速与轻量化创新思路，帮助读者避开只啃理论或只跑代码的常见误区。
AI如何模仿“混乱”的人类心智？从随机性到幻觉的启示
助理教授Benjamin Lindquist研究早期AI工程师如何刻意注入随机性，催生深度学习模型并导致幻觉。本文分析随机性如何模仿人类心智的“混乱”，探讨AI幻觉的起源与启示。
深度学习FYP选题指南：Reddit社区建议与实战思路
Reddit社区热议深度学习FYP选题：如何平衡教授偏好与职业发展？本文汇总计算机视觉、NLP、生成模型等热门方向及避坑指南，助你选出高分毕业设计。
LLM训练到底做了什么？从随机噪声到智能的底层逻辑
深入解析LLM训练的本质：从随机噪声到智能的底层循环。涵盖反向传播、梯度下降、GPT-3和Llama系列训练数据，揭示模型如何通过数十亿次更新学会预测。
Mila开放2027秋季硕博申请：导师招生流程与建议
Mila开放2027年秋季MSc和PhD申请，年度导师监督请求流程已启动。一位研究人员表示本轮不招收新学生，申请者需关注导师招生状态并通过官方渠道获取申请指南。
CNN模型对比：Pequi树枝枯病检测研究
研究比较AlexNet、Inception、LeNet、VGG16和MobileNet五种CNN架构在Pequi树枝枯病检测中的表现，利用计算机视觉技术分析叶片、枝条和花穗的病理模式，为农业AI病害诊断提供架构选型依据。
免费机器学习工作坊：从传统ML到图神经网络
数学Discord服务器正在举办完全免费的机器学习工作坊，课程覆盖传统机器学习、深度学习（含Transformer）和图神经网络三大部分，每周讲座加实验课，讲师会review代码。本文整理课程大纲、前置要求和参与方式。
神经网络激活函数全解析：Sigmoid、Tanh、ReLU、GELU
为什么神经网络需要激活函数？本文用通俗语言解释 Sigmoid、Tanh、ReLU、GELU 和 Softmax 的原理与选择方法，附对比表和 Python 代码示例。
4GB显卡从零训练语言模型：失败比成功更有价值
一位开发者用4GB显存的GTX 1650从零训练了2200万参数的语言模型，经历CUDA崩溃、生成死循环与斐波那契失败。本文解析在极限硬件约束下训练LLM的完整工作流、评估方法与教训。
一步到位的神经网络校准：联合优化精度与可靠性
一篇研究提出通过双层Stackelberg博弈将神经网络校准嵌入端到端训练，仅增加一个超参数即可联合优化准确率与校准质量，无需单独校准集，性能超越SOTA校准方法。
设了随机种子却训出不同模型？PyTorch可复现性真相
设置了随机种子，训出来的模型却不一样？本文通过 ResNet18 实测揭示 PyTorch 可复现性的真相：浮点运算与 GPU 并行调度导致训练从第 1 步就分叉，并给出 use_deterministic_algorithms 的修复方法与仅 16% 的真实性能开销。
ECGWmark：面向心电信号的深度水印技术新框架
ECGWmark 是一套面向心电信号（ECG）的全卷积、无量化深度水印框架，通过帧级机制和可微分生理损失兼顾抗时序失同步鲁棒性与诊断保真度。在 MIT-BIH 数据库上提取准确率超 90%，但跨患者诊断评估显示类别级影响喜忧参半。
SADL：面向慢性卒中病灶分割的尺寸自适应决策层
SADL 是面向 ISLES 2026 挑战赛的尺寸自适应决策层，通过十一成员 nnU-Net 集成与自适应阈值后处理，解决慢性卒中病灶分割难题，在 91 例留出集上达到 Dice 0.7322、lesion-F1 0.7461，小病灶场景增益显著。
