- 深度学习在文本情感分析中的应用 深度学习在文本情感分析中的应用
- Daily_and_Sports_Activities数据集的详细介绍及训练 Daily_and_Sports_Activities数据集的详细介绍及训练
- 机器学习与大数据分析的结合：智能决策的新引擎 机器学习与大数据分析的结合：智能决策的新引擎
- MindSpeed大模型训练前置知识之大并行加速算法 并行为什么对大模型训练这么重要？从chatgpt大模型爆发，尤其因规模定律作用下，大模型展现出涌现能力，AI模型的天花板被一步步摸高。大模型规模定律与模型参数量、训练数据量、算力大小呈幂律正相关性。大模型训练过程中需要面对“模型参数量大、训练数据量大、算力量有限”的挑战，大模型参数量由十亿到百亿、千亿甚至万亿的增长量级，同时预训练数据量... MindSpeed大模型训练前置知识之大并行加速算法 并行为什么对大模型训练这么重要？从chatgpt大模型爆发，尤其因规模定律作用下，大模型展现出涌现能力，AI模型的天花板被一步步摸高。大模型规模定律与模型参数量、训练数据量、算力大小呈幂律正相关性。大模型训练过程中需要面对“模型参数量大、训练数据量大、算力量有限”的挑战，大模型参数量由十亿到百亿、千亿甚至万亿的增长量级，同时预训练数据量...
- 在大数据时代，异常检测（Anomaly Detection）是数据科学和机器学习中的一个重要问题。异常检测旨在从大量的数据中识别出不符合正常模式的异常数据点，这对于很多实际应用场景非常重要，如欺诈检测、设备故障预测、健康监测等。本文将介绍如何使用Python实现大数据的异常检测。我们将展示几种常见的异常检测方法，并结合实际案例进行演示。通过Python的科学计算库（如pandas、numpy... 在大数据时代，异常检测（Anomaly Detection）是数据科学和机器学习中的一个重要问题。异常检测旨在从大量的数据中识别出不符合正常模式的异常数据点，这对于很多实际应用场景非常重要，如欺诈检测、设备故障预测、健康监测等。本文将介绍如何使用Python实现大数据的异常检测。我们将展示几种常见的异常检测方法，并结合实际案例进行演示。通过Python的科学计算库（如pandas、numpy...
- 情感分析（Sentiment Analysis）是自然语言处理（NLP）中的一个重要任务，旨在从文本中识别出情感的极性（如正面、负面或中立）。在实际应用中，情感分析广泛应用于社交媒体监测、品牌舆情分析、客户反馈分析等领域。当处理大规模文本数据时，如何高效地进行情感分析成为了一个挑战。本博客将详细介绍如何使用Python进行大数据的情感分析，包括数据预处理、模型构建、优化技术以及如何在大数据环... 情感分析（Sentiment Analysis）是自然语言处理（NLP）中的一个重要任务，旨在从文本中识别出情感的极性（如正面、负面或中立）。在实际应用中，情感分析广泛应用于社交媒体监测、品牌舆情分析、客户反馈分析等领域。当处理大规模文本数据时，如何高效地进行情感分析成为了一个挑战。本博客将详细介绍如何使用Python进行大数据的情感分析，包括数据预处理、模型构建、优化技术以及如何在大数据环...
- 在机器学习和深度学习领域，TensorFlow与Keras是最常用的框架之一。TensorFlow提供了一个高效且可扩展的计算图，而Keras则作为高级API提供了简洁且易用的接口，特别适合快速构建和训练深度学习模型。在本博客中，我们将介绍如何使用TensorFlow与Keras分析大规模数据集，重点介绍数据预处理、模型构建、训练和评估的全过程。项目背景随着深度学习技术的广泛应用，处理和分析... 在机器学习和深度学习领域，TensorFlow与Keras是最常用的框架之一。TensorFlow提供了一个高效且可扩展的计算图，而Keras则作为高级API提供了简洁且易用的接口，特别适合快速构建和训练深度学习模型。在本博客中，我们将介绍如何使用TensorFlow与Keras分析大规模数据集，重点介绍数据预处理、模型构建、训练和评估的全过程。项目背景随着深度学习技术的广泛应用，处理和分析...
- 多智能体近端策略优化算法MAPPO（Multi-Agent Proximal Policy Optimization）是PPO（Proximal Policy Optimization）在多智能体环境中的一种扩展，它通过在多智能体系统中引入PPO的策略优化机制，实现了在协作和竞争环境中更加高效的策略学习。MAPPO是一种基于策略梯度的多智能体强化学习算法，特别适用于混合协作和竞争的多智能体场景。 多智能体近端策略优化算法MAPPO（Multi-Agent Proximal Policy Optimization）是PPO（Proximal Policy Optimization）在多智能体环境中的一种扩展，它通过在多智能体系统中引入PPO的策略优化机制，实现了在协作和竞争环境中更加高效的策略学习。MAPPO是一种基于策略梯度的多智能体强化学习算法，特别适用于混合协作和竞争的多智能体场景。
- 多智能体强化学习（MARL, Multi-Agent Reinforcement Learning）中，一个关键挑战是如何在多个智能体的协作环境下学习有效的策略。价值分解网络（VDN, Value Decomposition Network）是解决这一问题的一种重要方法，特别是在 集中训练，分散执行 多智能体强化学习（MARL, Multi-Agent Reinforcement Learning）中，一个关键挑战是如何在多个智能体的协作环境下学习有效的策略。价值分解网络（VDN, Value Decomposition Network）是解决这一问题的一种重要方法，特别是在 集中训练，分散执行
- MATD3（Multi-Agent Twin Delayed Deep Deterministic Policy Gradient）是基于TD3（Twin Delayed DDPG）算法的多智能体版本。TD3是深度确定性策略梯度（DDPG）算法的一个改进版本，主要针对其在确定性策略学习中的一些不稳定性进行了增强。MATD3则扩展了TD3，使其能够在多智能体环境下进行训练和执行。 DDPG算法用于连 MATD3（Multi-Agent Twin Delayed Deep Deterministic Policy Gradient）是基于TD3（Twin Delayed DDPG）算法的多智能体版本。TD3是深度确定性策略梯度（DDPG）算法的一个改进版本，主要针对其在确定性策略学习中的一些不稳定性进行了增强。MATD3则扩展了TD3，使其能够在多智能体环境下进行训练和执行。 DDPG算法用于连
- 基于MADRL的单调价值函数分解（Monotonic Value Function Factorisation for Deep Multi-Agent Reinforcement Learning）QMIX是一种用于多智能体强化学习的算法，特别适用于需要协作的多智能体环境，如分布式控制、团队作战等场景。QMIX 算法由 Rashid 等人在 2018 年提出，其核心思想是通过一种混合网络（Mix 基于MADRL的单调价值函数分解（Monotonic Value Function Factorisation for Deep Multi-Agent Reinforcement Learning）QMIX是一种用于多智能体强化学习的算法，特别适用于需要协作的多智能体环境，如分布式控制、团队作战等场景。QMIX 算法由 Rashid 等人在 2018 年提出，其核心思想是通过一种混合网络（Mix
- MADDPG (Multi-Agent Deep Deterministic Policy Gradient) 是一种用于多智能体强化学习环境的算法。它由2017年发布的论文《Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments》提出。MADDPG结合了深度确定性策略梯度（DDPG）算法的思想，并对多智能体场 MADDPG (Multi-Agent Deep Deterministic Policy Gradient) 是一种用于多智能体强化学习环境的算法。它由2017年发布的论文《Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments》提出。MADDPG结合了深度确定性策略梯度（DDPG）算法的思想，并对多智能体场
- 1.【MADRL】多智能体深度强化学习《纲要》 2.【MADRL】独立Q学习（IQL）算法 3.【MADRL】基于MADRL的单调价值函数分解（QMIX）算法 4.【MADRL】多智能体深度确定性策略梯度（MADDPG）算法 5.【MADRL】多智能体双延迟深度确定性策略梯度（MATD3）算法 6.【MADRL】多智能体近似策略优化（MAPPO）算法 7.【MADRL】反事实多智能体 1.【MADRL】多智能体深度强化学习《纲要》 2.【MADRL】独立Q学习（IQL）算法 3.【MADRL】基于MADRL的单调价值函数分解（QMIX）算法 4.【MADRL】多智能体深度确定性策略梯度（MADDPG）算法 5.【MADRL】多智能体双延迟深度确定性策略梯度（MATD3）算法 6.【MADRL】多智能体近似策略优化（MAPPO）算法 7.【MADRL】反事实多智能体
- AMD ROCm平台是一个开放的、基于GPU的高性能计算平台，为人工智能计算提供卓越加速能力。结合C++这一高效编程语言，ROCm平台在深度学习、计算机视觉和自然语言处理等领域展现出巨大潜力。C++对底层硬件的精细控制与庞大的生态系统，使其在ROCm平台上实现更低延迟和更高吞吐量，适用于实时性要求高的任务。尽管面临编程复杂性和兼容性挑战，通过持续优化和技术支持，ROCm与C++的组合将在更多领域推 AMD ROCm平台是一个开放的、基于GPU的高性能计算平台，为人工智能计算提供卓越加速能力。结合C++这一高效编程语言，ROCm平台在深度学习、计算机视觉和自然语言处理等领域展现出巨大潜力。C++对底层硬件的精细控制与庞大的生态系统，使其在ROCm平台上实现更低延迟和更高吞吐量，适用于实时性要求高的任务。尽管面临编程复杂性和兼容性挑战，通过持续优化和技术支持，ROCm与C++的组合将在更多领域推
- 本文探讨了如何用C++实现强化学习中的Q-learning算法。强化学习通过智能体与环境的交互来学习最优策略，Q-learning则通过更新Q函数估计动作回报。C++凭借高效的内存管理和快速执行，在处理大规模数据和复杂计算时表现出色。文章详细介绍了环境建模、Q表初始化、训练循环及策略提取等关键步骤，并分析了其在游戏开发、机器人控制等领域的应用前景，同时指出了可能面临的挑战及应对策略。 本文探讨了如何用C++实现强化学习中的Q-learning算法。强化学习通过智能体与环境的交互来学习最优策略，Q-learning则通过更新Q函数估计动作回报。C++凭借高效的内存管理和快速执行，在处理大规模数据和复杂计算时表现出色。文章详细介绍了环境建模、Q表初始化、训练循环及策略提取等关键步骤，并分析了其在游戏开发、机器人控制等领域的应用前景，同时指出了可能面临的挑战及应对策略。
上滑加载中
推荐直播
-
仓颉编程语言开源创新人才培养经验分享2025/08/06 周三 19:00-20:00
张引 -华为开发者布道师-高校教师
热情而富有活力的仓颉社区为学生的学习提供了一个充满机遇和挑战的平台。本次直播探讨如何运用社区的力量帮助同学们变身为开源开发者，从而完成从学生到工程师身份的转变。
回顾中 -
“全域洞察·智控未来” ——云资源监控实战2025/08/08 周五 15:00-16:00
星璇 华为云监控产品经理，霄图 华为云监控体验设计师，云枢 华为云可观测产品经理
本期直播深度解析全栈监控技术实践，揭秘华为云、头部企业如何通过智能监控实现业务零中断，分享高可用系统背后的“鹰眼系统”。即刻预约，解锁数字化转型的运维密码！
即将直播
热门标签