15分钟完成CNN图像分类的Homework3：步骤与代码详解 - 飞书文档
https://docs.feishu.cn/v/wiki/Ckraw5bgYiU5wnkZhCTc9vEHnDc/a2这段代码实现了一个图像分类模型的训练和验证循环，目的是通过多轮训练（epochs）逐步优化模型的参数，以提高其在验证集上的性能，并保存效果最好的模型。训练阶段通过前向传播 ...
飞搜侠
热门搜索
深度学习：强大的神经网络学习 - 飞书文档
https://docs.feishu.cn/v/wiki/Af76wZbh4i4YvtkOkDvc56D2nZc/a7它生成代码的能力依然是来自于语言模型的下一词预测，它是预训练LM被fine-tune后实现的针对代码生成的下游应用。 ... 如果想到了这一步而且觉得好奇的话，可以参考：详解大模型 ...
跟李宏毅学深度学习(进阶) - 学习说明 - 飞书文档
https://docs.feishu.cn/article/wiki/FfmVwc5YwiUvp5k3aiRcONlInsh内容说明 · 学习深度学习基础：线性模型自适应学习率（文字+视频） · 学习深度学习基础：分类（文字+ 视频） · 《深度学习详解》第三章串讲&QA答疑直播 · 跑通实践任务CNN代码.
深入探究Transformer：从架构到应用的全面解析
https://docs.feishu.cn/v/wiki/CHGRwwbIkiQTGok06ATcBAjVnhg/a1... 编码器负责处理输入序列，解码器则负责生成输出序列。与传统的Seq2Seq模型不同，Transformer完全基于注意力机制构建，没有使用循环神经网络（RNN）或卷积神经网络（CNN）15。
从语言智能到代码智能，您想知道如何实现吗？ - 飞书文档
https://docs.feishu.cn/v/wiki/Lml5w06zRiM8WBk29k8caIZXn1d/ay历史文章列表硬核！深度学习中的Normalization必知必会四万字全面详解| 深度学习中的注意力机制数据不平衡问题都怎么解？ 高效深度学习：让模型更小、更快、更好！
Transformer及其attention机制详解 - 飞书文档
https://docs.feishu.cn/v/wiki/SjjKwIqSDiNFdQkiLADcQZ3jnOf/a1Transformer中包括了编码器和解码器各6 层，总共12 层的Encoder-Decoder。Transformer 中的核心机制就是Self-Attention。Self-Attention 机制的本质来自于人类视觉注意力 ...
（4）多模态的大一统之路 - 飞书文档
https://docs.feishu.cn/article/wiki/ReVzwZUr0ivgWfkaQ91cXrYUnoh2023年7月8日 ... ... 实现了patch窗口内的信息交换，做完之后重新reshape回到输入的$(56, 56 ... CNN堆叠stage增大感受野，Swin也引入了多stage概念，每个stage中间会 ...
YOLO数据集格式详解 - 飞书文档
https://docs.feishu.cn/v/wiki/KnKhwLbeHiLMo4k7FSncw7iwnCe/a3候选区域生成：在某些检测算法中，如基于区域的卷积神经网络（R-CNN）及其变体，首先需要生成图像中的候选区域，这些区域可能包含感兴趣的物体。 区域分类和边界框回归：对于每个 ...
Allegro的模型架构：VideoVAE详解 - 飞书文档
https://docs.feishu.cn/v/wiki/UgkzwNsTFiB3MyktNWwclvhHn6f/a2在编码器和解码器的开头和结尾添加1D temporal CNN层，并且在VAE的每个ResNet块之后插入一个由四个3D CNN temporal层组成的temporal block。在temporal block中，通过 ...
自然语言处理 - 飞书文档
https://docs.feishu.cn/article/wiki/UrskwcLz6iTWUlkat7Ycn0mpnud【NLP保姆级教程】手把手带你CNN文本分类(附代码) · 【NLP保姆级教程】手把手带你 ... 实现精准问答与智能创作。如果你想深入了解请访问DeepSeek R1 满血版.