深度学习

parall scan（并行扫描）通俗理解今天，看b站的论文解读，Mamba涉及到了一个parallel scan，是一个并行计算的机制。说实话，最开始这个点我确实没听懂。“这个加这个，然后再加那个”——这套逻辑从我个人视角看，不太容易转过来。我觉得主要原因在于人脑的思维习惯：人脑本身是一套极其复杂的并行系统，但注意力的切换和维持是有成本的[1]。正因如此，在面对某些具体的小问题时，人脑的思考路径和计算机的实际执行方式之间，会出现一种“割裂感”。理解 parallel scan 的过程，恰好就踩在了这道裂缝上。

CANN 昇腾训练食谱全景解读：cann-recipes-train 架构与使用指南深度学习模型训练是一个复杂的过程，涉及数据预处理、模型定义、训练循环、性能优化等多个环节。昇腾 CANN 的 cann-recipes-train 仓提供了丰富的训练优化食谱，覆盖图像分类、目标检测、自然语言处理等多个领域。本文深入解析 cann-recipes-train 的架构设计、核心内容和实际应用方法。

DeepSeek-R1 在 CANN 上的推理部署本文基于昇腾CANN和昇腾NPU，围绕 cann-recipes-infer 仓库的相关技术展开。DeepSeek-R1 是个 MoE 模型——671B 总参数但每次推理只激活 37B。这对推理系统是个结构性的挑战：MoE 的路由选择和 Expert 调度依赖通信，CANN 的集合通信库 HCCL 和单边通信库 hixl 构成了 MoE 推理的通信底座。

努力学习_小白

Inception V1——学习记录2014年，Google团队在ImageNet大规模视觉识别挑战赛（ILSVRC 2014）中提出了一种代号为“Inception”的深度卷积神经网络架构，即GoogLeNet（InceptionV1），一举斩获分类与检测双料冠军。该架构以500万参数量达到了top-5错误率6.67%的优异性能，参数量仅为AlexNet（6000万）的1/12，计算量仅15亿次浮点运算，却拥有22层的深度，远超过AlexNet的8层。

星河耀银海

人工智能：注意力机制与Transformer模型实战💡 学习目标：掌握注意力机制的核心原理、经典注意力算法，以及Transformer模型的架构设计与实战应用。 💡 学习重点：理解自注意力与多头注意力的计算逻辑，学会使用TensorFlow搭建Transformer模型，完成机器翻译任务。

生成论实验室

用事件关系网络重新理解AI：自注意力机制、词向量、CNN、GAN、强化学习、Dropout、知识蒸馏在前几篇文章中，我提出了一个核心命题：智能的本质不是“知道什么”，而是“知道在发生什么”。要实现这种智能，我们的AI系统必须从处理“实体”转向处理“事件”。事件不是孤立的存在者，而是在关系网络中确定自身意义的发生。事件之间的关系——因果的、依赖的、冲突的、共振的——构成了认知的基本语法。

详解大模型DPO训练数据格式DPO（Direct Preference Optimization，直接偏好优化）是 2023 年由斯坦福与谷歌提出的、替代 RLHF 的 LLM 人类对齐算法；核心是无需奖励模型、无需 PPO，用偏好对数据结合特殊损失函数，直接把 SFT 模型微调成符合人类偏好的模型，训练更快、更稳、更省显存。

认识 Prithvi：NASA × IBM 的遥感基础模型HuggingFace 上最受欢迎的遥感 AI 模型。读完你会用 Prithvi 提取卫星图像特征，用于分类、分割、变化检测。

编译无关的漏洞检测：基于 Transformer 的 LLVM-IR 与汇编鲁棒建模“在真实软件开发与部署环境中，同一份源代码可能因编译器版本、优化级别或目标架构的不同,而生成差异显著的中间表示或汇编代码。这种“编译差异”会导致现有漏洞检测模型在一个编译配置下有效，却在另一个配置下迅速失效。针对这一问题，研究团队提出了一种面向多编译结果的鲁棒漏洞检测方法，系统比较了LLVM-IR与 Assembly两种表示在跨编译场景下的稳定性，并基于 Transformer 架构构建统一检测模型，为“编译无关漏洞检测”提供了新的实证与方法论支撑。

一切皆是因缘际会

人工智能从对话工具向自主生产力跃迁近两年，大众对人工智能的认知正在发生根本性转变。曾经的AI，无论模型参数多大、对话多流畅，本质上都属于“被动响应式工具”，人类下达指令，模型执行输出，无法突破人机单向交互的局限。而2025至2026年，人工智能正式告别聊天辅助阶段，进入AI智能体（Agent）规模化落地的全新周期。AI不再只做回答者，而是成为具备自主规划、任务拆解、工具调用、闭环纠错能力的独立智能单元，完成了从“对话AI”到“行动AI”的关键进化。

【实战评测】华为云 MaaS 平台 DeepSeek 大模型推理服务 + Dify 一键部署全攻略2025 年以来，DeepSeek 系列模型凭借其出色的推理能力和极具竞争力的价格，迅速成为国内开发者社区的热门选择。无论是 DeepSeek-V3 的综合能力，还是 DeepSeek-R1 在数学推理与代码生成方面的惊艳表现，都让人看到了国产大模型的真正实力。

CANN 数据流水线优化：从数据加载到模型输入的端到端加速一个完整的推理请求，数据要经过这样的旅程：在优化之前，先要搞清楚瓶颈在哪里。盲目优化错误的环节，只会浪费时间。

AI街潜水的八角

PyTorch框架——基于深度学习PmrNet神经网络AI去噪图像增强系统(含训练代码、数据集和GUI交互界面)PmrNet是一种基于U-Net架构改进的深度学习网络，来自于论文《Practical Deep Raw Image Denoising on Mobile Devices》，这个网络聚焦于在移动设备上实现高效的原始图像（RAW）去噪（本文用来做去噪），解决了传统方法在计算资源受限的移动端难以部署的问题。

对话：模型推理慢，怎么调A：模型上线了，推理延迟 280ms，比预期高了一倍。B：280ms 是什么模型？输入多大？A：BERT-base，序列长度 512，batch=1。

z小猫不吃鱼

12 从 ViT 到 Swin：视觉 Transformer 主干网络的发展脉络总结到目前为止，我们已经整理了视觉 Transformer 发展中的几个关键模型：ViT DeiT PVT PVTv2 Swin Transformer

02-大模型智能体开发工程师：Transformer架构核心原理系列文章导航：AI系列文章导航目录-持续更新中📝 本文摘要：本文从RNN的局限性出发，详解Transformer的核心架构：输入表示层（Token Embedding + 位置编码）、Transformer Block（多头自注意力 + FFN + 残差连接 + 层归一化）、输出层；重点拆解了Self-Attention计算过程、多头注意力、FFN的"升维-激活-降维"本质（模式匹配+知识检索）、MoE演进、以及Encoder-only vs Decoder-only的分野和KV Cache加速原理。

EXCEL实现MLP实例本文档详细分析计算示例.xlsx 中展示的多层感知器(MLP)前向传播与反向传播计算过程。输入数据:

段一凡-华北理工大学

2026 高炉炼铁智能化技术全景与演进路径~系列文章04：云-边-端协同架构：高炉智能化底层支撑体系导言：智能化系统的"智商"再高，也需要"强健的体魄"来支撑。本期我们将深入探讨高炉智能化系统的底层架构——如何通过"云-边-端"三层协同，实现海量工业数据的实时处理与智能推理，并确保系统的可靠性、实时性与可扩展性。

昔日AI绘画框架王者Stable Diffusion WebUI，已死【WeThinkIn出品】栏目分享Rocky的认知思考与经验感悟，范围涵盖但不限于AI行业。欢迎大家关注Rocky的公众号：WeThinkIn 欢迎大家关注Rocky的知乎：Rocky Ding AIGC算法工程师面试面经秘籍分享：WeThinkIn/Interview-for-Algorithm-Engineer欢迎大家Star～获取更多AI行业的前沿资讯与干货资源

解局易否结局

GE 和 Runtime：不是上下游，是协同决策你以为 GE 做完融合决策，交给 Runtime 执行就行了？其实它们是一个协同系统——GE 决定"融什么"，Runtime 决定"怎么跑"，但 GE 的融合决策必须考虑 Runtime 的调度约束，Runtime 的调度策略也必须参考 GE 的融合结果。