2048 AI社区

2048 AI社区

AI资讯 AI造物社区 MCP

话题讨论活动竞赛科技篇产业对接

去全站搜索看看？

登录社区云

登录社区云，与社区用户共同成长

2048 AI社区

邀请您加入社区

欢迎加入社区

欢迎加入社区

lstm

时序预测、深度强化学习与蒙特卡洛模拟融合：LSTM、GRU、Attention、DQN及多策略智能体的股票交易决策体系构建——以Google股价为例 | 附代码数据

通过本次对Google股价的深度剖析，我们验证了深度学习模型在时序预测上的强大能力，同时也揭示了预测与交易之间的鸿沟。单纯的预测模型（如Dilated-CNN）能取得95%以上的方向准确率，但在转化为实际交易信号时，需要考虑交易成本、滑点以及市场冲击。而强化学习智能体则直接以“盈利”为目标，学习出的策略往往更鲁棒，尽管其收益率可能不如预测模型回测时那般亮眼。我们的研究团队认为，未来的方向在于将预测

 拓端研究室
2026-03-06 14:41:10

 491

 9

#lstm #gru #人工智能
计算机毕业设计PySpark+Hadoop+Hive+LSTM模型美团大众点评分析+评分预测美食推荐系统(源码+论文+PPT+讲解视频)

本项目基于大数据与深度学习技术构建美团/大众点评用户评分预测系统，整合PySpark、Hadoop、Hive和LSTM模型实现海量评论数据的存储、清洗、特征工程及评分预测。系统通过分布式计算框架处理10TB级数据，运用TF-IDF和Word2Vec进行文本特征提取，结合用户历史行为构建LSTM时序预测模型，有效解决冷启动问题。实验结果显示该方案预测准确率达89%，优于传统协同过滤方法。项目提供完整

 haochengxu2022
2026-03-06 10:34:50

 46

#hadoop #hive #人工智能 +3
HoRain云--LSTM：序列处理的利器与局限

【摘要】LSTM作为RNN的改进版本，在序列数据处理中具有显著优势：通过门控机制有效解决长期依赖问题，擅长处理长序列和非线性关系，兼容多模态数据，在金融预测、机器翻译等领域应用效果突出。但其局限性也很明显：计算复杂度高、训练时间长、数据依赖性高、模型解释性差且对噪声敏感。改进方向包括模型简化（如GRU）、计算优化、数据增强及结合注意力机制。实际应用中需根据任务需求权衡选择，同时注意LSTM正逐渐被

 HoRain 云小助手
2026-03-03 10:00:00

 1204

 30

#lstm #深度学习 #rnn
MeetingMind AI: 基于BERT的智能会议纪要生成与摘要系统

要训练一个会议纪要生成模型，我们需要高质量的数据集。遗憾的是，公开的大型会议数据集较少。我们将采用迁移学习的策略：先使用通用的新闻摘要数据集（CNN/DailyMail）进行预训练，然后使用一个小型的会议数据集进行微调。

算法魔法师
2026-03-02 10:43:26

 364

 7

#机器学习 #深度学习 #人工智能 +2
构建你自己的AI虚拟播报员：从文本到3D数字人的全栈实现

在2023年的今天，打开抖音、B站或任何一个新闻客户端，你可能已经遇到过这样的场景：一个面容精致的主播正在24小时不间断地直播带货，或者在深夜播报最新的财经资讯。但仔细观察，你会发现他们并非真人，而是由人工智能驱动的虚拟主持人。虚拟主持人，或称AI播报员，是利用计算机图形学、语音合成、自然语言处理等技术创造的数字化人物。朗读文本：将新闻稿、商品介绍转化为流畅的语音。匹配口型：声音与嘴唇动作保持同步

 算法魔法师
2026-03-02 10:42:51

 193

 4

#transformer #深度学习 #机器学习 +2
从误报率30%到0.5%！XGBoost+LSTM双模型融合动态行为指纹反爬全实战

本教程仅用于网络安全技术学习与研究，所有内容均针对公开可访问的合规数据与正常业务防护，请勿用于非法爬取、攻击网站、突破防护等违规行为。请严格遵守《中华人民共和国网络安全法》《个人信息保护法》《数据安全法》等相关法律法规，尊重用户隐私与网站规则。最后想说，AI驱动的行为反爬，从来不是拼模型有多复杂，而是拼对用户行为的理解，拼数据的质量，拼落地的细节。只有真正贴合业务场景的模型，才是有价值的模型。

shanwei_spider
2026-02-28 08:08:44

 1153

 9

#lstm #人工智能 #rnn +4
AI赋能反爬｜2026基于XGBoost/LSTM构建爬虫行为检测模型，误报率0.3%以下（企业级落地实战）

2026年，爬虫和反爬的对抗，已经从“规则对抗”升级为“AI对抗”——传统反爬靠人工更新规则，根本跟不上爬虫的升级速度，而AI反爬能自动学习爬虫行为，实现“自适应反爬”，既能挡住大部分爬虫，又能将误报率压到极低，这也是未来反爬的核心方向。本文分享的「XGBoost+LSTM双模型融合方案」，是我经过15天实战落地、反复优化的企业级方案，实测误报率0.28%、准确率99.72%，可直接复现、直接部署

 shanwei_spider
2026-02-27 07:04:47

 1200

 6

#人工智能 #lstm #爬虫 +4
为什么你的输入法这么聪明？揭秘 LSTM 的记忆魔法

LSTM（长短期记忆网络）是一种能记住长期信息的神经网络，解决了传统RNN"记性差"的问题。它通过三个智能门控机制（遗忘门、输入门、输出门）和一条信息传送带，选择性记住重要信息并丢弃无用信息。这种设计让LSTM能理解上下文关联，广泛应用于输入法预测、语音识别、机器翻译等领域。相比简单RNN的"传话游戏"式记忆，LSTM更像一个高效的记忆管理系统，使AI能够处

 棉花糖没甜
2026-02-24 15:26:21

 593

 13

#lstm #人工智能 #rnn
深度学习篇---Attention

Attention机制是AI处理序列数据的革命性突破，其核心思想是让模型能够动态聚焦于输入中的关键信息。通过查询(Q)、键(K)、值(V)三个角色，Attention实现了三步计算：相似度比对、权重分配和加权聚合。Self-Attention允许词之间相互关注，Multi-Head机制则从多角度理解关系。虽然Attention本身不区分顺序，但通过位置编码解决了这一问题。相比传统RNN，Atten

Ronin-Lotus
2026-02-21 23:46:18

 730

 8

#深度学习 #lstm #rnn +3
Matlab基于CNN-LSTM-Attention的锂电池剩余寿命预测

一、引言：锂电池剩余寿命预测的核心价值与技术挑战在新能源汽车、储能系统、便携式电子设备等领域，锂电池作为核心能量来源，其剩余寿命（Remaining Useful Life, RUL）预测直接关系到设备运行安全性、维护成本与用户体验。传统基于经验的寿命评估方法（如固定周期更换、容量阈值判断）存在精度低、资源浪费等问题，难以满足复杂场景下的动态管理需求。

Matlab科研工作室
2025-10-17 21:51:13

 700

 17

#matlab #cnn #lstm
AI大模型：python舆情分析系统情感分析 CNN算法 LSTM算法卷积神经网络网络可视化 Django框架 Echarts可视化毕业设计✅

AI大模型：python舆情分析系统情感分析 CNN算法 LSTM算法卷积神经网络网络可视化 Django框架 Echarts可视化毕业设计✅

vx_biyesheji0002
2026-01-07 13:15:00

 1108

 40

#人工智能 #python #cnn +2
AI大模型：Python交通分析预测可视化系统大数据毕业设计 Python+Tensorflow+LSTM+Flask+SQLite+Echarts✅

AI大模型：Python交通分析预测可视化系统大数据毕业设计 Python+Tensorflow+LSTM+Flask+SQLite+Echarts✅

源码之家
2026-01-08 14:30:00

 1164

 42

#人工智能 #python #大数据 +3
Scrum冲突调解决策框架：多智能体工具如何提升50%测试效率

敏捷开发中Scrum迭代的核心冲突源于开发效率与测试质量的博弈。通过多智能体决策工具的三层架构（感知层数据同步、决策层智能调解、执行层自动化协议），可有效解决目标错位问题，如某电商平台应用后版本争议减少70%。三大实战策略包括：工具链配置指南缩短测试周期40%、合规避坑方案、技术债量化管理。实施后调解效率提升50%，测试覆盖率增至85%。未来趋势指向一人公司模式和政策适配需求，如2026年AI测试

 2501_94480392
2026-02-14 08:46:22

 508

 11

#scrum #lstm #人工智能 +3
AI应用架构师用XGBoost+LSTM做组合预测：实战与架构解析

时序预测是AI落地最广泛的场景之一——小到电商销量、大到电网负荷，精准预测能直接驱动业务决策。但单一模型总有“短板”：XGBoost擅长从结构化特征中抓关键，却搞不定长序列的时间依赖；LSTM能记住“时间线”，却对促销、节假日这类“突变因素”不敏感。作为AI应用架构师，我的任务不是“选最好的模型”，而是搭“互补的系统”。本文将用「XGBoost+LSTM组合模型」为案例，从原理互补→架构设计→实战

 ⁵²º᭄424
2026-02-13 02:50:22

 922

 17

#人工智能 #lstm #架构
因果推断：破解测试活动价值评估的“黑箱”困局

《因果推断：破解测试活动价值评估困境的新范式》摘要：在敏捷开发成为主流的背景下，软件测试团队面临价值证明难题。本文提出采用工业级因果推断技术构建量化评估体系，解决传统关联分析受混杂变量干扰的问题。通过四步法（构建因果图、倾向分匹配、双重稳健估计、敏感性分析）和平台化实践案例，展示如何准确识别测试活动真实价值。某电商平台应用该方案后，将无效测试投入从37%降至9%。随着AI技术发展，因果推断正成为测

 2501_94480392
2026-02-12 11:56:01

 339

 4

#lstm #人工智能 #rnn +2
机器人算法十年演进

摘要： 2015–2025年，机器人算法经历了从预设脚本到具身智能的跨越式发展。2015–2018年依赖高精度传感器与数学模型（如SLAM），但环境适应性差；2019–2022年深度学习主导，通过仿真训练实现柔性控制与视觉导航；2025年进入具身智能时代，多模态大模型（VLA）实现自然语言交互，eBPF内核技术保障物理级安全，触觉神经网络提升精细操作能力。核心跨越包括决策从数学方程转向意图理解，安

 jzwspace
2026-02-12 10:16:44

 1621

 10

#机器人 #算法 #人工智能 +3
流数据测试：LSTM-Kafka在消息积压阈值预测的监控插件‌

摘要：针对Kafka消息积压问题，传统静态阈值监控难以应对动态负载。AI驱动的LSTM模型通过时序分析预测积压阈值，准确率达90%以上。文章介绍LSTM-Kafka监控插件的分层设计，包括数据采集、LSTM核心处理和动态告警推送，并分享电商平台应用案例：大促期间积压故障下降70%，预警时间从15分钟缩短至2分钟。该方案契合AI测试趋势，建议结合生成式AI实现智能阈值管理，为流数据测试提供可靠解决方

 2501_94456679
2026-02-10 08:33:28

 847

 18

#lstm #kafka #人工智能 +4
豆瓣电影数据采集分析推荐系统 | Python Vue Flask框架 LSTM Echarts可视化大数据毕业设计源码 AI

摘要：本文介绍了一个基于Python开发的豆瓣电影数据采集分析推荐系统，整合Vue前端、Flask后端、LSTM情感分析、双协同过滤推荐算法及Echarts可视化技术。系统通过Scrapy爬虫采集数据，利用MySQL存储，实现电影数据的多维分析（如年份、类型、国家分布）与情感预测，并提供个性化推荐。功能涵盖主页展示、电影检索、数据分析（折线图、词云等）、用户管理（登录/注册/信息设置）及数据采集

 vx_biyesheji0001
2026-02-06 21:30:12

 1052

 35

#python #人工智能 #vue.js +3
豆瓣电影数据采集分析推荐系统| Python Vue LSTM 双协同过滤大模型人工智能毕业设计源码

本文介绍了一个基于Python技术的豆瓣电影数据分析与推荐系统。该系统采用Vue+Flask前后端架构，整合了Scrapy爬虫、LSTM情感分析、双协同过滤推荐算法和Echarts可视化等技术。主要功能包括：电影数据采集与展示、多维数据分析（年份/类型/国家）、影评情感预测、个性化推荐以及丰富的可视化呈现（词云、热力图等）。系统通过爬虫获取豆瓣电影数据，利用LSTM分析影评情感，结合协同过滤算法实

 q_3375686806
2026-02-06 21:23:28

 778

 15

#人工智能 #python #vue.js +3
基于 FPGA 与多模态 AI 的医用红外热成像辅助诊断系统（全栈解析）

本项目研发了一套基于FPGA与多模态AI的医用红外热成像辅助诊断系统"热脉智诊"。系统采用640×480高清红外模组，通过FPGA实现实时预处理，结合YOLOv11穴位定位和双流网络疾病诊断，构建从硬件采集到云端智能的闭环解决方案。创新性地提出2000级HSV伪彩增强技术，显著提升图像质量。临床验证显示早期筛查准确率超90%，同时硬件成本降低40%以上。系统实现了中医穴位自动定

 得之我幸，失之我命
2026-02-02 16:23:10

 872

 17

#目标检测 #pytorch #fpga开发 +2
深度剖析CNN/RNN/LSTM等传统大模型与GPT/BERT等大模型的核心差异

传统序列模型（CNN/RNN/LSTM）与大语言模型（GPT/BERT）并非替代关系，而是互补关系：传统模型是序列数据处理的基础，解决了“从0到1”的序列特征提取问题，在低算力、小数据场景仍不可替代；大模型是语言理解的革命，通过Transformer和预训练范式解决了“从1到100”的通用语义建模问题，在复杂语言任务中展现出碾压性优势。作为开发者，需根据任务需求、数据规模、算力资源三者平衡选型：在

 AI资源库
2026-01-30 09:00:33

 1082

 21

#rnn #cnn #lstm +4
异常检测算法解析：Isolation Forest 与 LSTM 的应用场景对比

孤立森林和LSTM是AIOps异常检测中互补性极强的两类算法，核心差异源于底层逻辑的不同孤立森林是**“无监督的异常点孤立者”，轻量、高效、无标注，擅长非时序/弱时序数据的点异常检测，是海量数据的“高效初筛工具”**；LSTM是**“时序规律的拟合者”，高精度、强建模、需标注，擅长强时序数据的全类型异常检测，是核心业务场景的“高精度精检工具”**。在实际AIOps落地中，无需纠结“选哪一个”，而是

 ececec12
2026-01-29 15:35:35

 1003

 19

#算法 #lstm #人工智能 +1
AI应用架构师用LSTM做房地产市场预测：实战案例与架构解析

AI应用架构师需先明确预测目标和数据边界核心任务价格趋势预测（如“未来6个月某区域二手房均价涨幅”）；需求预测（如“未来3个月某户型的成交量”）；库存周转预测（如“当前库存需要多久卖完”）。数据来源内部数据：房源交易记录（价格、面积、户型）、库存数据；外部数据：宏观经济（GDP、CPI、LPR利率）、人口数据（净流入、年龄结构）、政策文件（限购令、房贷政策）、地理数据（地铁站点、学区划分）；

⁵²º᭄424
2026-01-29 01:13:53

 667

 8

#人工智能 #lstm #架构
PHM数据集轴承寿命预测！Transformer-LSTM组合模型轴承寿命预测MATLAB代码实现！

1 研究背景与意义轴承作为旋转机械的核心零部件，其运行状态直接决定设备可靠性与生产安全性，在航空航天、智能制造、轨道交通等领域具有不可替代的作用。PHM 轴承数据集记录了轴承全生命周期的振动、温度等监测数据，基于该数据的剩余寿命（Remaining Useful Life, RUL）预测是设备预防性维护的关键技术，核心挑战在于：退化特征复杂性：轴承退化过程呈现非线性、非平稳特性，从正常状态到失效阶

 Matlab科研工作室
2026-01-22 10:37:56

 489

 11

#transformer #lstm #matlab
PHM数据集轴承寿命预测！Transformer-LSTM组合模型轴承寿命预测MATLAB代码实现！

1 研究背景与意义轴承作为旋转机械的核心零部件，其运行状态直接决定设备可靠性与生产安全性，在航空航天、智能制造、轨道交通等领域具有不可替代的作用。PHM 轴承数据集记录了轴承全生命周期的振动、温度等监测数据，基于该数据的剩余寿命（Remaining Useful Life, RUL）预测是设备预防性维护的关键技术，核心挑战在于：退化特征复杂性：轴承退化过程呈现非线性、非平稳特性，从正常状态到失效阶

 荔枝科研工作室
2026-01-22 10:37:54

 385

 10

#transformer #lstm #matlab
PHM数据集轴承寿命预测！Transformer-LSTM组合模型轴承寿命预测MATLAB代码实现！

1 研究背景与意义轴承作为旋转机械的核心零部件，其运行状态直接决定设备可靠性与生产安全性，在航空航天、智能制造、轨道交通等领域具有不可替代的作用。PHM 轴承数据集记录了轴承全生命周期的振动、温度等监测数据，基于该数据的剩余寿命（Remaining Useful Life, RUL）预测是设备预防性维护的关键技术，核心挑战在于：退化特征复杂性：轴承退化过程呈现非线性、非平稳特性，从正常状态到失效阶

 matlab科研助手
2026-01-22 10:37:52

 357

 7

#transformer #lstm #matlab
解码LSTM：给初学者的长短期记忆网络全景指南

学习LSTM时，请记住这不仅是掌握一个算法，更是理解序列建模的核心思想——如何让机器具备时间维度上的理解能力。即使未来新的架构不断涌现，这种思想仍然宝贵。从理解RNN的局限开始，到领悟LSTM的门控智慧，再到认识其在新时代的定位，这条学习路径将为你打开深度学习序列建模的大门。LSTM可能不再是技术前沿的代名词，但它作为连接过去与现在的桥梁，将帮助你更好地理解从循环网络到注意力机制再到现代大模型的技

 黑客思维者
2026-01-20 20:17:17

 1114

 34

#lstm #人工智能 #rnn
对比分析：BERT vs LSTM在AI原生应用意图预测中的表现

在当今的AI世界里，意图预测就像是给计算机装上了“读心术”，能让计算机理解用户想要做什么。BERT和LSTM是两种非常厉害的模型，我们这篇文章的目的就是对比它们在AI原生应用意图预测中的表现，看看谁更胜一筹。范围主要涵盖了这两种模型的原理、代码实现、实际应用等方面。接下来，我们会先讲讲BERT和LSTM的核心概念，就像认识两个新朋友一样。然后详细说说它们的算法原理和操作步骤，还会给出代码示例。之后

 数据结构与算法学习
2026-01-18 00:14:43

 914

 10

#bert #lstm
基于LSTM的心理健康分析系统设计与实现

本项目实现了一个从数据到模型、从前端到后端的完整心理健康分析系统，具备较强的实用性和可扩展性。通过LSTM与BERT的融合，系统不仅具备高准确率，还保留了较好的可解释性。我们希望通过开源该项目，推动AI在心理健康领域的合规、可信、有温度的应用。

weixin_55114428
2026-01-15 15:25:27

 696

 13

#lstm #人工智能 #rnn
对两种不同AI范式——Transformer 和 LSTM 进行解剖和对比

这种转移的催化剂是。

xixixi77777
2026-01-14 09:51:33

 1003

 36

#transformer #lstm #深度学习 +1
计算机毕业设计hadoop+spark+hive招聘大数据分析可视化招聘推荐系统大数据毕业设计(源码+LW文档+PPT+讲解)

本文综述了Hadoop+Spark+Hive技术在招聘大数据分析可视化中的应用进展。该技术栈通过HDFS分布式存储、Spark内存计算和Hive数据仓库，有效解决了PB级招聘数据处理难题。文章从技术架构、功能实现和优化策略三方面展开：1）分布式框架实现高效存储与计算，Spark处理2.4亿日志比传统方法快85%；2）应用场景包括智能推荐系统（NDCG@10达0.78）、趋势分析和实时监控；3）通过

 haochengxu2022
2026-01-14 09:32:59

 591

 11

#hadoop #大数据 #hive +2
算法研究员十年演进（2015–2025）

算法研究员十年演进（2015–2025）摘要 2015至2025年，算法研究员从手工调参的“竞赛刷分仔”跃升为定义智能范式的“文明级科学家”。2015年以CNN和ImageNet刷榜为主，薪资50–100万；2019年转向预训练大模型（BERT/GPT），中国华为、阿里领跑千亿参数研究；2021年MoE和分布式训练兴起，薪资突破800万。2023年进入多模态VLA时代，统一视觉语言动作；2025年

 jzwspace
2026-01-12 09:46:44

 627

 18

#算法 #机器人 #人工智能 +4
云计算十年演进（2015–2025）

摘要： 2015-2025年，云计算从IaaS虚拟机手工运维时代演进为AI原生智能云时代，中国从跟随者跃升为全球领跑者。2015-2018年以IaaS为主，2019-2022年容器化与Serverless技术大幅提升效率并降低成本80%。2023-2025年进入大模型云原生与量子混合加速阶段，支持十万亿参数训练，成本降至1%。中国云厂商（阿里云、华为云等）主导技术创新，推动AI从实验室走向普惠化，

jzwspace
2026-01-11 22:52:28

 1109

 6

#云计算 #机器人 #算法 +4
模型预测控制（MPC）十年演进（2015–2025）

摘要： 2015-2025年，模型预测控制（MPC）从传统线性优化（手工建模、秒级求解）演进至端到端VLA大模型时代（可微MPC、量子加速、社交博弈）。中国实现从跟随到领跑（小鹏XNGP、华为ADS等），实时性从秒级突破至20μs，预测时域扩展至100+步，鲁棒性升级为全场景自愈。MPC推动智驾/机器人从刚性轨迹优化迈向意图级社交预测控制，完成技术范式跃迁。

jzwspace
2026-01-11 22:51:31

 1038

 20

#机器人 #算法 #人工智能 +4
智能驾驶决策控制十年演进（2015–2025）

摘要： 2015至2025年，智能驾驶决策控制技术经历了从规则状态机到端到端VLA大模型的跨越式发展。2015年以手工调参的PID/MPC为主，决策时延达秒级；2019年后引入博弈优化和强化学习，实现社交交互；2023年进入VLA大模型时代，时延降至50ms以下，控制精度达厘米级。中国厂商（如小鹏、华为、比亚迪）从跟随到全球领跑，推动技术从“被动执行”向“主动社交”跃迁，预计2030年全域社交级控

 jzwspace
2026-01-11 22:47:17

 898

 13

#机器人 #算法 #人工智能 +4
目标检测十年演进（2015–2025）

摘要：目标检测技术在2015-2025年间实现跨越式发展，从早期基于手工特征的两阶段R-CNN（mAP约40-50%）演进为多模态VLA大模型驱动的智能检测系统（mAP>98%）。中国科技企业（华为、小鹏等）从跟随者成长为全球领跑者，推动检测技术实现三大跃迁：1）检测范式从单/两阶段转向端到端统一架构；2）应用场景从静态图像扩展到动态意图理解；3）性能指标实现零样本全场景覆盖与毫秒级实时响

 jzwspace
2026-01-11 22:42:23

 724

 7

#目标检测 #人工智能 #计算机视觉 +4
机器人算法十年演进（2015–2025）

摘要： 2015–2025年，机器人算法经历了从规则控制到智能自进化的革命性跃迁。2015年以PID+ZMP平衡为主，仅支持实验室慢走；2017–2022年深度强化学习（RL）和万级并行仿真推动性能突破（12m/s奔跑、体操动作）；2023年后多模态VLA大模型实现意图级零样本交互，2025年量子鲁棒算法进一步实现16.8m/s高速运动与全域自愈。中国从跟随者跃升为领跑者，宇树、银河通用等企业主导

 jzwspace
2026-01-11 22:35:55

 734

 7

#机器人 #算法 #人工智能 +4
多模态大语言模型（MLLM）十年演进（2015–2025）

摘要： 2015-2025年，多模态大语言模型（MLLM）从单模态孤岛跃升至万亿级具身智能系统。2015-2018年以VQA手工对齐为主，参数规模百万级；2019-2022年CLIP革命推动对比学习与融合预训练，实现零样本分类；2023-2025年进入VLA端到端自进化时代，华为、阿里等中国厂商主导十万亿级模型研发，零样本泛化率超99%，赋能智驾、机器人等实时多模态交互。中国从技术跟随者发展为全球

 jzwspace
2026-01-10 19:49:02

 529

 24

#语言模型 #dubbo #人工智能 +4
Agent十年演进（2015–2025）

摘要： 2015至2025年，Agent技术经历了从单一规则脚本到通用智能伙伴的跨越式发展。早期Agent（2015-2018）依赖固定脚本和简单规划，任务单一；2019-2022年强化学习和大模型驱动使其具备多任务能力；2023-2025年多模态VLA（视觉语言动作）Agent实现意图级自进化与量子鲁棒协作，渗透率突破70%。中国从跟随到领跑，小鹏、华为、阿里等推出领先Agent方案，推动人类与

 jzwspace
2026-01-10 19:42:46

 853

 12

#rnn #lstm #人工智能 +4
ZeRO十年演进（2015–2025）

摘要： ZeRO（零冗余优化器）从2019年微软开源的内存优化技术，到2025年已发展为支持十万亿参数大模型训练的量子混合框架。十年间，其内存节省从70%提升至99.9%，训练效率增长超1000倍，渗透率达85%以上。中国从初期跟随（华为、DeepSeek）到主导量子ZeRO创新，推动AI从千亿瓶颈迈向实时普惠训练。关键节点包括2020年ZeRO-3支持千亿模型、2023年MoE融合、2025年量

 jzwspace
2026-01-10 19:36:42

 866

 15

#rnn #lstm #人工智能 +4
循环神经网络（LSTM）十年演进（2015–2025）

摘要： 2015-2025年间，LSTM从序列建模的巅峰技术（机器翻译/语音识别主流）彻底退出历史舞台，被Transformer/VLA大模型取代。2015年LSTM主导长序列处理，2017年引入注意力机制，2019年Transformer崛起，2021年预训练模型革命彻底淘汰LSTM。2023年后，多模态大模型（如GPT-4V）实现毫秒级全域动态意图理解，LSTM仅作为思想融入现代架构。中国厂商

 jzwspace
2026-01-09 10:12:00

 743

 18

#rnn #lstm #人工智能 +4
智能销售预测平台的时间序列模型选型：AI应用架构师教你选ARIMA还是LSTM？

在智能销售预测平台里，准确的销售预测就像是给商家们的“指南针”，能让他们知道未来的销售方向。我们这篇文章的目的就是帮助大家在众多时间序列模型中，选对ARIMA或者LSTM这两个“选手”。范围呢，主要就是围绕这两个模型的原理、怎么用、适用场景等方面，让大家清楚在什么情况下该选哪个模型。接下来的文章，先是会用故事引出ARIMA和LSTM这两个模型，然后详细解释它们是什么，有啥关系。再说说它们的算法原理

 大阳阳544
2026-01-07 23:08:50

 1022

 7

#人工智能 #lstm #rnn
LSTM优化情感计算时序特征

情感是动态的、可追踪的、可干预的。当系统能精准捕捉“从失望到希望”的微小转变，人机交互将从功能导向迈向情感共鸣。本文提出的四维优化策略，已通过医疗、客服等场景验证其落地价值，而未来5-10年，随着轻量化与跨模态融合，情感计算将从“识别情绪”升级为“共情伙伴”。关键启示：在AI技术狂潮中，我们不应追逐最热模型，而应深耕核心需求。情感计算的时序特征优化，正是这样一个被忽视却至关重要的创新支点。它提醒我

 jie_kou
2026-01-07 03:23:58

 1090

 15

#lstm #人工智能 #rnn +2
【工业AI热榜】LSTM+GRU融合实战：设备故障预测准确率99.3%，附开源数据集与完整代码

LSTM+GRU融合模型通过结构创新，破解了工业设备故障预测中"长依赖捕捉"与"实时性"的核心矛盾，99.3%的准确率与完整的实战方案为企业提供了可直接落地的技术路径。在智能制造加速推进的今天，AI驱动的预测性维护已从可选变为必选，而开源数据集与代码的共享，将助力更多企业突破技术壁垒，实现从"被动维修"到"主动预警"的转型，为制造业降本增效注入持续动力。✨ 坚持用清晰的图解+易懂的硬件架构 +硬件

 2401_85083137
2025-12-29 18:12:10

 1498

 58

#人工智能 #lstm #gru
N-Gram、RNN、LSTM、Transformer发展历程

从统计到神经网络：提升了模型表达能力从有限依赖到全局依赖：更好地捕捉语言结构从顺序计算到并行计算：大幅提升训练效率从专门模型到通用架构：Transformer成为基础架构目前Transformer架构及其变体已成为自然语言处理领域的主流，并在不断推动着AI技术的发展。

徐梓麒
2025-12-27 14:08:00

 646

 10

#rnn #lstm #transformer
用深度学习生成文本：从LSTM到Transformer的演进与实践

文本生成技术已经从学术研究走向实际应用，为内容创作、对话系统、代码生成等领域提供了强大工具。然而，我们需要清醒认识到当前技术的局限性，既要充分利用其能力，也要理解其边界。随着技术的不断发展，我们期待看到更加智能、更加理解人类意图的生成模型出现。在这个过程中，掌握基本原理和实践技能将帮助我们在AI时代保持竞争力。

钢铁男儿
2025-12-15 08:49:47

 1009

 22

#深度学习 #lstm #transformer
工业设备故障预测不准后来才知道用WaveNet替代LSTM捕捉时序依赖

写完这篇文章时，我的智能音箱突然开始哼《最炫民族风》，而冰箱正在用摩斯密码发求救信号。也许这就是AI时代的日常——一半是科技奇迹，一半是大型翻车现场。最后友情提示：如果你发现AI开始给你写辞职信，别慌，很可能它只是想换个老板而已。毕竟在硅基生物眼里，人类才是那个需要升级的旧版本操作系统，不是吗？（本文部分时间线可能存在误差，比如把2024年写成2025年，但谁让记忆这玩意儿比AI还爱犯错呢？

jie_kou
2025-12-15 07:52:18

 1086

 16

#lstm #人工智能 #rnn +2
NNDL 实验16 循环神经网络（3）LSTM的记忆能力实验

横坐标代表的是序列，纵向的就是每个序列不同门的向量，，向量不同的颜色代表了取值的大小，可以看出6，7序列的取值要和后面明显不同，而后面的则差不多，有不同就是对前面序列一些维度的遗忘的变化。本节将基于RunnerV3类进行训练，首先定义模型训练的超参数，并保证和简单循环网络的超参数一致. 然后定义一个train函数，其可以通过指定长度的数据集，并进行训练. 在train函数中，首先加载长度为leng

又是忙碌的一天
2023-12-21 20:07:41

 1305

 26

#rnn #lstm #人工智能
人力成本降90%，满意度翻倍！这个Multi-Agent客服系统，是中小企业的“利润引擎”！

企业客服每天面对海量咨询:产品问题、订单查询、技术支持、投诉处理……传统客服系统要么靠人工逐一处理(成本高、响应慢),要么用简单规则匹配(体验差、解决率低)。**能否让AI像人类客服团队一样协作?**——路由员分配任务、专家解决问题、经理处理升级,这正是Multi-Agent系统的用武之地。

小天才学习机打游戏
2025-12-12 13:30:00

 683

 30

#windows #网络 #自然语言处理 +4
AI大模型实战从入门到精通，必须掌握这个！Vgent全解析，手把手教你构建“视频知识图谱”！

沙特阿卜杜拉国王科技大学和Meta AI研究团队提出Vgent框架，通过构建视频语义图谱和结构化推理机制，显著提升大型视频语言模型在长视频理解任务中的表现，在MLVU基准测试中获得3.0%-5.4%的性能提升。

小天才学习机打游戏
2025-12-12 13:15:00

 1623

 39

#人工智能 #音视频 #知识图谱 +4

加载更多

回到
顶部

提供社区服务与技术支持

提供社区服务与技术支持

©1999-2023北京创新乐知网络技术有限公司京ICP备19004658号