深度学习

神经网络，人类表达的革命摘要：本文简述了人类一直在追求更高效的沟通表达能力、更快速的信息传播方式和更大规模的共识协作，从语言文字时代到计算时代再到今天的智能时代，始终贯穿着表达方式的革命，越发全面、完整、准确的记录和传承着人类眼中的客观世界、主观认知和知识经验；人类文明的发展与表达方式的进化相辅相成、互为助力，推动了现代科学殿堂的构筑和现代科技的发展。基于神经网络的知识学习、认知、生成与表达是人类第三次表达革命，传统经验规则的专家光环被逐一抹去，知识祛魅将推动所有商业逻辑解构和重构，我们将走进与人工智能共同书写人类文明的新

独自归家的兔

深度学习之 CNN：如何在图像数据的海洋中精准 “捕捞” 特征？在当今数字化时代，图像数据如同浩瀚的海洋般源源不断地产生。从日常拍摄的照片到医疗影像、卫星图像等专业领域的数据，如何从这海量的图像数据中提取有价值的信息，成为了众多领域关注的焦点。深度学习中的卷积神经网络（Convolutional Neural Network，简称 CNN）就如同一位技艺高超的渔夫，能够在这图像数据的海洋中精准地 “捕捞” 特征。本文将深入探讨 CNN 是如何实现这一神奇功能的。

RAG 文本分块：七种主流策略的原理与适用场景检索是 RAG 系统的搜索引擎，分块则是这个搜索引擎的基础。分块太长、太短、有噪声、切错了位置——随便犯哪个错LLM 都会有问题。行业里有句话流传很广：“分块决定了 RAG 质量的 70%。”

ops-transformer RoPE位置编码复数旋转硬件加速实战本文将深度解析cann项目中ops-transformer的RoPE位置编码实现，聚焦/operator/ops_transformer/rope/rotary_position_embedding.cpp的关键优化技术。核心内容包括sin/cos表预计算机制、向量指令融合策略，以及如何在NPU上实现复数旋转操作的高效硬件加速。通过实测数据，在LLaMA模型推理中实现18%的吞吐提升，为AIGC推理性能优化提供实战参考。本文将结合代码级实现细节和性能分析，分享一线开发中的优化经验。

大模型架构演进：从Transformer到MoE大模型架构演进：从Transformer到MoE一、 Transformer的辉煌与局限二、 MoE：用“稀疏激活”撬动模型容量三、 MoE为何成为大模型新范式？四、典型实践：从GLaM到Qwen-MoE 五、挑战与未来方向

Flash Attention原理介绍与使用方法Flash Attention可以加速计算，节省显存。本文介绍了Flash Attention的原理，以及在GPU/NPU上的使用方式。

琅琊榜首2020

AI+编程思维：高质量短剧脚本高效撰写实操指南视频行业的飞速发展，让短剧成为内容创作的热门赛道，其“时长短、节奏快、易传播”的特点，吸引了大量创作者入局。但传统短剧撰写依赖文案功底与剧情把控能力，不仅创作周期长，还难以快速适配市场变化。AI技术的迭代突破，为短剧创作提供了全新路径——借助编程思维的结构化、模块化理念，优化Prompt设计，可让AI高效产出人设鲜明、逻辑连贯、适配镜头呈现的高质量短剧脚本，大幅降低创作门槛，提升内容产出效率。

个人思考3——世界动作模型目录一、前言二、DreamZero：世界动作模型 (World Action Model)三、Motus：统一的潜在动作世界模型

【强化学习】09周博磊强化学习纲要学习笔记——第五课上今日课程提纲：各位同学大家好，我们开始第四课下半段的内容，我们讨论了如何用函数近似来拟合我们的价值函数。接下来我将给大家介绍如何用非线性函数来拟合我们的价值函数。

告别聊天机器人！2026 智能体元年：Claude 4.6 vs GPT-5.3 vs OpenClaw 全方位对比2026年的AI领域正在经历一场从“智能问答”到“智能执行”的深刻变革。过去一年，大语言模型（LLM）在编程、创作和日常任务中的应用突飞猛进，一系列新兴应用迅速崛起，成为公众关注的焦点。Claude Opus 4.6、GPT-5.3-Codex、OpenClaw（曾用名Clawdbot、Moltbot）和Seedance等产品和模型，代表了这场变革的前沿力量。它们或以卓越的推理与编程能力著称，或以高度自主的代理能力见长，或以多模态内容生成的创新突破引人瞩目。本文将以通俗易懂的语言，系统介绍这些热点应用的产

人工智能培训

大模型架构演进：从Transformer到MoE#Transformer#MoE（混合专家）#稀疏激活#专家#模型容量

查无此人byebye

实战DDPM扩散模型：MNIST手写数字生成+FID分数计算（完整可运行版）扩散模型（Diffusion Model）作为当下生成式AI的核心技术，在图像生成领域展现出了惊人的效果。本文将从代码层面逐行拆解一个完整可运行的DDPM（Denoising Diffusion Probabilistic Models）实现，基于MNIST数据集完成手写数字生成，并集成FID（Fréchet Inception Distance）指标量化生成效果。

周红伟：SeedDance 2技术架构和技术原理视觉-语言多模态大模型我们正式发布 Seed -VL，这是一款专注于提升多模态理解与推理能力的视觉-语言基础模型。Seed -VL 不仅在视觉和视频理解任务中具有出色表现，还在智能体相关任务及复杂推理挑战中展现优异能力。模型在 60 项公开评测基准中的 38 项取得 SOTA 表现。

【VeRL】Qwen3-30B-A3B-DAPO NPU实践指导作者：昇腾实战派知识地图链接：【强化学习】知识地图-CSDN博客在大模型训练过程中，如何高效利用NPU硬件资源并保证训练稳定性是开发者面临的重要挑战。本文基于实际项目经验，分享了在NPU环境下使用VLLM+FSDP后端进行Qwen3-30B模型DAPO训练的完整实践方案。通过详细的版本配置、核心参数调优和部署指导，为开发者提供了一套可复现的高效训练方案。

大模型架构演进：从Transformer到MoE大模型架构演进：从Transformer到MoE一、 Transformer的辉煌与局限二、 MoE：用“稀疏激活”撬动模型容量三、 MoE为何成为大模型新范式？四、典型实践：从GLaM到Qwen-MoE 五、挑战与未来方向

从0开始复现nano-vllm「ModelRunner.capture_cudagraph()」为什么需要 CUDA Graph？在 LLM 推理等小算子、高频次的场景中，CPU 逐个调度任务的开销往往比 GPU 实际计算的时间还要长，导致 GPU 大量空闲等待；CUDA Graph 通过将一系列 GPU 操作“录制”为静态图，在执行时只需一次 CPU 指令即可驱动整个计算流程，从而彻底消除 CPU 调度瓶颈，填满 GPU 流水线，显著降低推理延迟。

Transformer范式改变？稀疏线性混合SALA架构发布，单卡5090跑通百万长文！在 LLM 向“超长上下文”进军的路上，我们总是面临一个残酷的二选一：要么用全注意力（Full Attention）保证效果但显存爆炸，要么用线性注意力（Linear Attention）节省资源但牺牲精度。

SoftGroup训练FORinstance森林点云数据集——从零到AP=0.506完整复现title: SoftGroup训练FORinstance森林点云数据集——从零到AP=0.506完整复现 date: 2025-01-01 tags:

火红色祥云

深度学习入门:基于Python的理论与实现笔记核心思想：掌握Python基础语法和NumPy、Matplotlib库，为深度学习实现做好准备。是什么？简单、易读、开源的编程语言，适合数据科学和深度学习。

挖你家服务器电缆

【深度学习系列学习总结】四大框架之一：cnn一、CNN 内容总结基础概念、架构细节、训练流程，到实际应用（尤其是人脸识别）。CNN 像多层过滤系统：输入 → 特征提取 → 决策输出。典型结构：卷积 + 激活 + 池化（重复） → 全连接 → 输出。 ● 输入层：原始图像（H x W x 通道，e.g., RGB 是 3 通道），像加载 int[][][] 数组。 ● 卷积层：核心，用小内核（e.g., 3x3 矩阵）滑动扫描，计算乘加，提取特征图（e.g., 边缘检测）。参数共享、局部连接是关键。 ● 激活层：加非线性（e.g., ReLU：负值