Sign in
There are a total of 13 posts.
2026-03-03
本文详细阐述了在 aarch64 环境下为何需要自行构建 ONNX Runtime GPU，以及从 CUDA 13、cuDNN 安装到 CMake 参数配置、wheel 包生成与验证的完整步骤，为 DGX‑Spark 用户提供了实用的构建指南。
2025-12-19
本文阐述深度学习中梯度消失（Vanishing Gradient）现象的根源，解析 Sigmoid 与链式法则如何导致梯度衰减，并详细介绍 ReLU 与 ResNet 如何有效解决该问题，提供实战应用建议。
本文以通俗易懂的方式阐述了反向传播（Backpropagation）如何帮助 AI 找出错误根源，链式法则（Chain Rule）与 PyTorch Autograd 自动计算梯度的原理，以及深度网络中梯度消失（Vanishing Gradient）问题的成因与解决思路。
2025-12-17
我从开发者的视角，解释了为什么在深度学习中“求导”是必不可少的。在线性代数与非线性函数组合而成的模型中，导数就像一只指针，用来告诉我们如何调整方向以减小误差，并通过梯度下降和反向传播高效完成训练。文章还分步骤说明了导数如何更新参数，以及如何帮助我们在非线性带来的复杂损失曲面上更好地优化模型。
深度学习开发者常常困惑 NumPy 与 PyTorch 的关系。本文阐明 NumPy 主要用于 CPU 计算、数据预处理与可视化，而 PyTorch 则专注于 GPU 上的张量运算与自动微分。了解两者的内存共享与转换方式，可帮助你在实际项目中高效切换。
2025-12-16
NumPy的基本运算（+、-、*、/、**）、比较运算、聚合函数（sum、mean、max、min）以及axis概念，从深度学习角度进行详细说明。通过原子运算、标量运算、掩码使用、feature-wise与sample-wise统计计算等实战示例，帮助你快速将NumPy与PyTorch张量运算自然衔接，实现损失、准确率、归一化等核心计算。
2025-12-15
NumPy 是深度学习的基础工具，本文从向量化、广播、线性代数等核心概念出发，结合代码示例，阐述为何先学 NumPy 能让你更顺畅地使用 PyTorch，并提升数据预处理与模型实现的效率。
2025-11-21
本文讨论了从CPU转向GPU的原因、AI模型如何偏好矩阵运算以及性能提升的案例。阐述了GPU加速如何提升深度学习性能及矩阵运算的高效性。
2025-11-19
探索LoRA模型更新的秘密，介绍模仿人类记忆的微调技术，并通过遗忘和复习机制，提供LoRA模型高效更新策略和应用案例，为AI开发者和研究者提供实用洞察。
2025-06-09
CUDA是NVIDIA的并行计算平台，是利用GPU进行快速运算的关键技术。本文介绍其概念和结构。
应该学习深度学习和TensorFlow吗？探索一种在利用AI API进行快速开发与直接构建模型的技术能力之间的现实方法，为想制作自己AI的开发者提供方向。
学习使用TensorFlow的深度学习概念及线性回归模型的实现。通过实践了解张量和计算图的原理、数据预处理、模型选择、学习与优化过程。
本文整理了AI、机器学习和深度学习的区别，并介绍了如TensorFlow、PyTorch、Keras等主要深度学习框架，帮助读者了解各框架的特征和应用实例，选择合适的深度学习工具。
