[QMT量化交易小白入门]-104、QMT平台运行深度学习模型，预测期货价格

电阻的基本原理、参数、应用与选型

电阻的基本原理、电阻的分类、参数，应用与选型，0欧姆电阻的介绍等。

【Agent】大模型（LLM）介绍

本文系统介绍了大语言模型（LLM）的核心概念与应用。从传统模型的局限性出发，阐述了LLM基于大规模神经网络、自监督学习，具备超大规模参数、通用性强、无需标注数据等优势。其四大核心能力——语言生成、知识整合、逻辑推理与代码实现、多模态处理，正深刻变革生产力与人机交互模式。通过CO-STAR框架、思维链提示、少样本示例等技巧，可显著提升提示效果。大模型作为新型基础设施，正推动各行各业智能化升级，成为人类认知与创造力的重要增强工具。

F280049C_HRPWM_死区时间高精度控制与MEP技术实战解析

本文深入解析了F280049C的HRPWM模块及其基于MEP技术的死区时间高精度控制。通过实测数据与TI官方代码对比，详细阐述了DBREDHR和DBFEDHR寄存器的配置技巧、精度优化方法及常见问题调试，为电源管理和电机控制应用提供了实用的实战指南。

深度学习中食物图像分类项目讲解

该代码实现20类食物图像分类闭环流程：通过train_test_file()生成标签索引，确保训练与测试标签一致；数据增强包括随机旋转、翻转、色彩调整及灰度转换，提升模型鲁棒性；自定义Dataset读取路径与标签，统一转为三通道RGB并标准化；CNN模型采用三层卷积+池化结构，最终展平分类；使用CrossEntropyLoss与Adam优化器训练，保存最优模型，并支持灰度图测试。

深度学习：我用YOLO11-L做了一个水下垃圾检测系统 对比YOLOv8-L/Faster R-CNN【计算机毕业设计选题推荐】

基于 YOLO11-L 的水下垃圾检测系统，Vue 3 + Django + MySQL 全栈实现，支持单图/批量/视频/摄像头四种检测模式，3 模型对比，DeepSeek 智能问答，附完整训练部署流程。

深度学习（一）

用最通俗的话说，深度学习就是“让机器从海量数据中自动学规律”的一种方法。它模仿人脑的结构，搭起一层又一层的“人工神经元”，数据从输入层一路传下去，每一层都在提炼更高层次的要点，最终给出答案。想象你在教一个三岁小孩认猫。你不会去背“猫的百科定义”，而是带他多看几只猫和狗，让他自己琢磨：哦，尖耳朵、圆脸、长胡须，多半是猫。深度学习就是干这件事的——不靠人工编写规则，而是靠“看例子”自己总结规律。区别只在于：它看的是海量图片、文字和声音，而且看得比你快得多。

初识深度学习——迁移学习

本文基于PyTorch，使用预训练ResNet18模型实现食物分类任务，通过迁移学习技术显著提升小数据集下的分类性能。核心步骤包括：加载ImageNet预训练权重、冻结卷积层参数、替换全连接层为20类输出，并仅训练新层。结合数据增强与学习率调度，实现高效训练。该方法在参数量少、数据有限的情况下仍可获得高准确率，充分体现了迁移学习在图像分类中的优势。

深度学习-图像分类到目标检测与SSD-129-134集精讲

李沐《动手学深度学习》129–134集系统解析小数据图像分类与目标检测核心技术：第129集复盘树叶分类竞赛，提炼“预训练微调+数据增广+模型集成”制胜公式；第130–131集深入目标检测范式，详解锚框、IoU、NMS三件套及两阶段（精度高）与单阶段（速度快）算法对比；第132–134集聚焦多尺度锚框设计与SSD模型实现，揭示如何通过多特征图生成不同尺寸锚框，实现高效精准检测。完整学习路径清晰呈现，助力从分类到检测的进阶突破。 👉 可分享摘要页：李沐129–134集可视化摘要

初识OpenCV——Dlib CNN人脸检测

本文详解Dlib中基于MMOD的CNN人脸检测器，对比HOG检测器在准确率、侧脸/遮挡处理及小脸检测上的优势。通过代码示例展示模型加载、人脸检测、框绘制与置信度过滤等核心操作，并结合实战案例说明其在静态图像、视频实时检测及关键点定位中的应用。强调了CNN检测器在精度上的提升，同时指出其对计算资源的需求，提出根据场景（如CPU/GPU、实时性/精度）合理选择检测器的建议。

第16课：PyTorch｜循环神经网络RNN与序列数据处理【让模型拥有“记忆”】

图像是静态的，但语言、音频、股票价格等数据天然具有时间顺序。全连接网络和卷积神经网络无法处理这种“前后依赖”关系，而循环神经网络（RNN）通过隐藏状态在时间步之间传递信息，赋予了模型“记忆”能力。本课将深入讲解RNN的核心原理：循环单元如何在序列上展开、隐藏状态如何更新、为什么RNN能够处理变长序列。通过PyTorch代码实战，你将学会使用`nn.RNN`和`nn.RNNCell`构建循环层，理解输入输出形状的含义，掌握序列数据的加载与填充技巧，并完成一个基于Sine波预测的简单时序预测任务。

30天从零开始学AI应用开发（Day 1）：机器学习、深度学习、大模型，到底是个啥关系

本文用通俗语言厘清人工智能、机器学习、深度学习与大模型的关系：AI是目标，机器学习通过数据训练模型替代规则，深度学习以多层神经网络自动提取特征，大模型则是参数规模巨大的深度学习产物。作者强调零基础应选择“应用开发”路径，聚焦调用API、构建RAG与Agent，而非研究模型本身。今日作业为思考一个具体生活/工作问题，为后续实战项目铺垫。

智能客服意图识别实战：深度学习与规则引擎融合架构与落地实践

本文探讨智能客服意图识别中深度学习与规则引擎的融合架构，涵盖冷启动、长尾意图、置信度融合、工程实现与评估迭代，为技术团队提供落地参考。

【深度学习实验】—— 基于 EDA 和神经网络的天气预测

本项目使用澳大利亚天气数据集，根据地点、温度、降雨量、湿度、气压、云量和风向等气象特征，预测第二天是否下雨。模型采用 TensorFlow/Keras 实现的全连接神经网络，将任务建模为二分类问题。项目内容模型64-32 两层全连接网络，使用 ReLU、Dropout 和 Sigmoid任务二分类：预测第二天是否下雨（No / Yes）数据集原始 145,460 条记录、23 列有效样本删除缺失目标后剩余 142,193 条记录模型输入类别独热编码后得到 112 个特征数据划分。

基于灰狼算法和贝叶斯联合优化的BiLSTM(GWO-BO-BiLSTM)一维时间序列预测算法matlab仿真

本文提出GWO-BO-BiLSTM联合优化模型，用于一维时间序列预测。通过灰狼优化（GWO）进行全局搜索，缩小超参数空间；再利用贝叶斯优化（BO）在局部精细寻优，克服单一算法易陷局部最优、收敛慢的问题。BiLSTM结合双向时序特征提取能力，显著提升预测精度与稳定性。实验验证了该模型在训练集与测试集上的优异表现，均方根误差低，回归效果良好，有效提升了时间序列预测性能。

深度学习在文本情感分析中的应用

情感分析是自然语言处理（NLP）中的一个重要任务，旨在识别和提取文本中的主观信息。随着深度学习技术的发展，我们可以使用深度学习模型来提高情感分析的准确性和效率。通过上述步骤，我们构建并训练了一个用于文本情感分析的深度学习模型。随着模型复杂度的增加和数据量的扩大，深度学习模型的性能可以得到显著提升。这篇文章提供了一个深度学习在文本情感分析中的应用案例，包括环境准备、数据准备、文本向量化、模型构建、训练和评估等步骤，适合对NLP感兴趣的初学者或实践者。最后，我们将在测试集上评估模型的性能。

Deep Learning for Computer Vision——Generative Models 1

优点：拥有坚实的概率论基础（最大化 ELBO）；可以生成全新的样本；拥有平滑且结构化的潜在空间 z，方便进行插值和属性编辑。缺点：生成图像往往比较模糊（L2损失倾向于生成平均值）；优化的下界可能比较松，导致学到的分布不够精准。

深度学习（张量创建）

想要局部可复现，用 torch.Generator 单独拉一条随机流，比如训练时数据增强用一个种子、采样用另一个种子，互不干扰。torch.Tensor(3) 不是“三个元素都是 3”，而是“形状是 (3,) 的未初始化张量”，里面是没清空的垃圾值。提醒一句 torch.empty：它不是填充，是“分配内存但不清空”，打印出来可能是乱七八糟的数（内存残留的旧数据）。四种创建方式聊完了。上面这些函数够你应付绝大多数场景，遇到没见过的 API，先看它吃的是 size 还是 data，基本就能判断属于哪一类。

我是如何成为端智能专家-第三天-深度学习的符号标记

学习深度学习时，公式中的符号常令人困惑。例如，$x^{(i)}$ 表示第 $i$ 个样本，而非 $e$ 的幂次。建议建立“符号避坑清单”，区分上标 $(i)$（样本）与下标 $j$（特征），掌握粗体向量、帽子预测值等惯例。遇到复杂公式，用“拆解三步法”：先查符号、再简化为单样本、最后代入数值验证。推荐《动手学深度学习》和3Blue1Brown视频辅助理解。善用AI作为“符号翻译官”，提问时附带公式与具体需求，可高效突破数学障碍。

【Python大语言模型系列】科普文章：大模型是如何理解和生成语言的？

科普文章：大模型是如何理解和生成语言的？

深度学习数据增强有哪些常用方法？

水平翻转、随机旋转、平移、缩放、随机裁剪（分类里常用RandomResizedCrop）。亮度、对比度、饱和度、色相抖动，再加高斯噪声、高斯模糊、随机灰度。核心是模拟不同光照、不同相机、不同天气下的成像差异。先想清楚你的数据缺哪类样本——是缺光照变化、缺遮挡、还是缺角度，再针对性地加对应增强。做翻转、缩放、Mosaic时，边界框坐标必须同步变换，好在成熟框架都帮你处理好了，自己写dataset时千万别漏；但医学影像、遥感、工业质检这类颜色本身带信息的场景，色彩类增强要收着用，别把关键特征调没了。

深度学习基础：什么是上采样和下采样？

下采样通过减小特征图尺寸降低计算量、扩大感受野并提取高级语义特征，常用方法包括步长卷积和池化；上采样则用于恢复空间分辨率，常见方式有最近邻插值、双线性插值和转置卷积，后者可学习参数，常用于语义分割等任务。两者在目标检测与图像分割中协同作用，实现从低维到高维的特征重建。