- 博客(26)
- 收藏
- 关注
RSS订阅原创 WebAssembly：开启高性能 Web 应用的新篇章
可编译为 JavaScript： WebAssembly 的设计允许它被编译成 JavaScript，这为在不支持 Wasm 的旧浏览器中的兼容性提供了可能（尽管现在主流现代浏览器都已支持）。JS 是“胶水”： JavaScript 扮演着“胶水”的角色，负责加载 Wasm 模块、实例化、管理 Wasm 内存、调用 Wasm 导出的函数，以及将 UI 交互事件传递给 Wasm。编译： 浏览器内置的 Wasm 引擎（例如，V8 引擎中的 Wasm 模块）将二进制的 .wasm 文件编译成机器码。
2025-09-09 15:13:18
719
原创 CSS in JS 的演进：Styled Components, Emotion 等的对比与选择
为了解决这些痛点，CSS-in-JS 应运而生，它允许开发者直接在 JavaScript 代码中编写 CSS，并将其与组件逻辑紧密结合，带来了前所未有的样式管理体验。CSS Modules + CSS-in-JS： 可以逐步将组件的样式迁移到 CSS-in-JS，实现新组件使用 CSS-in-JS，旧组件保持 CSS Modules。Linaria: 一个“零运行时”的 CSS-in-JS 库，它会在构建时将 CSS 提取到单独的文件中，并将类名注入到 JS 中，几乎没有运行时开销。
2025-09-09 15:10:36
947
原创 深度学习入门：从神经网络到反向传播
wnw_1, w_2, \dots, w_nw1,w2,…这里的 ∂zoutput∂yhidden\frac{\partial z_{\text{output}}}{\partial y_{\text{hidden}}}∂yhidden∂zoutput 是输出层与隐藏层之间的权重，而 ∂yhidden∂zhidden\frac{\partial y_{\text{hidden}}}{\partial z_{\text{hidden}}}∂zhidden∂yhidden 是隐藏层激活函数的导数。
2025-09-08 15:55:41
555
原创 码农的“必修课”：深度解析Rust的所有权系统（与C++内存模型对比）
拷贝（Copy）: 对于实现了Copy trait（通常是实现了Drop trait 的简单类型，如整数、浮点数、布尔值、字符，以及自动实现了Copy的结构体/枚举）的类型，当变量赋值给另一个变量或者传递给函数时，数据会被“拷贝”，而不是转移所有权。在软件开发的世界里，内存管理是至关重要的一个环节。在这里，'a 就是一个生命周期注解，它告诉编译器，返回的字符串切片（&'a str）的生命周期，至少要和输入的两个字符串切片（x: &'a str, y: &'a str）中生命周期最短的那个一样长。
2025-09-05 18:21:06
290
原创 JavaScript 中的并发编程实践与误区：一次深入的探讨
在 Node.js 环境中，worker_threads 模块提供了与浏览器 Web Workers 类似的功能，允许你在独立的线程中运行JavaScript代码，实现真正的并行计算。Web Workers 是例外，它们创建的是独立的JS线程。微任务队列 (Microtask Queue): 包含比宏任务（Callback Queue中的任务）有更高优先级的任务，如 Promise 的 .then()、.catch()、.finally() 的回调，以及 queueMicrotask()。
2025-09-05 18:19:23
572
原创 JavaScript 源码剖析：从字节码到执行的奇妙旅程
今天，让我们一起踏上一段奇妙的旅程，深入剖析JavaScript引擎（以V8引擎为例）的源码，了解我们的代码是如何一步步从文本形式，转化为机器可以理解并执行的指令的。TurboFan (优化编译器): 当代码被执行多次（热代码），并且积累了足够的类型信息（例如，某个函数总是接收数字类型的参数），TurboFan就会介入，对这部分“热代码”进行深度优化，生成高度优化的本地机器码。因此，JavaScript引擎就扮演了关键的角色，它负责将我们写的JS代码，翻译成计算机可以执行的低级指令。
2025-09-05 18:17:41
506
原创 BERT家族进化史：从BERT到LLaMA，每一次飞跃都源于对“学习”的更深理解
RoPE（Rotary Positional Embeddings）： LLaMA使用旋转位置嵌入（Rotary Positional Embeddings），它将位置信息编码到Query和Key的旋转角度中，不同于BERT中的绝对位置编码或RoBERTa/ALBERT中的相对位置编码，RoPE在处理长序列时表现更优，也更容易外推到更长的文本。在BERT诞生之前，主流的NLP模型（如ELMo、GPT-1）在预训练时，大多采用单向或“填充式”的语言模型任务，这限制了它们对上下文信息的深度理解。
2025-09-04 16:53:55
372
原创 扩散模型 vs GAN：图像生成的两大流派，谁更适合生产环境？
局部编辑：Inpainting（局部重绘，如“修改模特的发型”）、Outpainting（扩展图像边界，如“将4:3的图扩展成16:9”）——Stable Diffusion的Inpaint功能已用于电商商品图修图（替换背景、调整商品角度）；选扩散模型：文本生成图像、复杂场景（如电商、广告、自动驾驶数据）、需要精细编辑（Inpainting/Outpainting）——优先用Stable Diffusion XL（开源、生态全）、DALL-E 3（API调用、质量高）；
2025-09-04 14:47:39
324
原创 大语言模型的“思考”逻辑：从Token生成到上下文理解的内部流程
而ChatGPT通过SFT+RLHF微调，学会了“简洁回答”“追问澄清”“拒绝不当问题”，本质是调整了参数中Token序列的概率分布（比如降低“冗余解释”的Token概率，提高“直接回答”的概率）。模型不会像人类一样“显性记忆”事实（如“法国首都是巴黎”），而是将知识编码为“Token序列的概率关联”：当输入“法国的首都是”，模型会计算下一个Token最可能是“巴”（概率90%），接着是“黎”（概率95%），这种高概率关联就是“记住了知识”。Token化后，模型进入核心的“上下文理解”阶段。
2025-09-04 14:45:00
503
原创 Meta-Learning入门：当AI学会“举一反三”——用MAML实现少样本图像分类 (Meta-Learning系列
模拟学习 (Simulated Inner-Loop Learning): 对于每个采样到的任务，使用少量数据（支持集 support set）对当前元模型的参数 θ 进行一到几步的梯度下降，得到一个针对该任务的“任务特定参数” θ'。简单来说，元学习的目标是训练一个“元模型”，这个元模型本身不直接解决具体问题，而是能够帮助我们快速生成或优化出针对新任务的“表现模型”。MAML 的核心在于，它会通过“模拟”新任务上的少量学习过程（一阶梯度更新），然后根据这个“模拟学习”的效果，来更新元模型的初始参数。
2025-09-03 17:06:44
501
原创 零样本学习 (Zero-Shot Learning)：用CLIP打破“见过才认识”的界限
编码文本提示 (Encode Text Prompts)： 使用CLIP的文本编码器处理所有候选类别（包括已知和未知类别）的文本提示，得到各自的文本特征向量 tclass1,tclass2,…原理： CLIP 训练过程中学习到的“对齐”的跨模态表示空间，使得在推理阶段，一个未见过类别的图像，即使没有与该类别的具体图像进行训练，但只要其视觉特征（例如，它是一只狗）能够与该类别的文本描述（例如，“a photo of a dog”）在语义表示空间中产生高相似度，CLIP 就能“理解”并预测出这个类别。
2025-09-03 17:05:48
561
原创 从 MMLU 到 HumanEval：为什么评估大型语言模型（LLM）的基准至关重要？
例如: "def fib(n):\n if n < 0:\n return 'Invalid input'\n elif n == 0:\n return 0\n elif n == 1:\n return 1\n else:\n a, b = 0, 1\n for _ in range(n - 1):\n a, b = b, a + b\n return b"MMLU 的核心思想是，一个真正强大的 LLM 应该能够像人类一样，在接触过的信息基础上，理解和回答各种专业领域的问题。
2025-09-03 17:05:02
1028
原创 多模态×AIGC：引爆AI应用的下一个超级风口
Quizlet（多模态记忆卡）：用户输入「英语单词：aberration（偏差）」，AI生成例句（含语音朗读）、配图（如「靶心偏离的箭矢」）、记忆口诀（「A bee ration（蜜蜂的口粮）有偏差（aberration）」），提升记忆效率。」，地球仪自动显示数据；作业帮「喵喵机」：扫描数学题图片，AI不仅给出答案，还生成解题视频（手写步骤+语音讲解），若学生拍的是作文草稿，AI用文字标注修改建议（如「这里可以增加环境描写，比如‘夕阳的余晖洒在教室窗前’」），并生成修改后的范文；
2025-09-02 17:26:16
673
原创 《多模态与 AIGC：最火的 AI 应用方向》
多模态让 AI 能同时理解文字、图像、音频等多种信息，AIGC 则赋予 AI 自主创作内容的能力，二者结合打破单一模态局限，满足创意设计、智能交互等多场景需求，是 AI 从感知迈向创造的关键驱动力。未来，随着技术演进，多模态与 AIGC 将深度融入生活工作，创造丰富多样的内容与体验，推动 AI 迈向新高度。图像编码器将图像转低维特征，文本编码器将文本转特征表示，跨模态融合层通过多头注意力整合两种特征，实现对多模态信息的理解。AIGC 中，生成层依输入语义生成初步内容元素，解码层将元素整合成完整内容。
2025-09-02 17:25:44
522
原创 大模型微调数据准备全指南：清洗、标注与高质量训练集构造实战
{"conversations": [{"from": "human", "value": "什么是大模型？"}, {"from": "assistant", "value": "大模型是指参数量超过10亿的深度学习模型..."}]}若覆盖率不足，需补充对应场景的数据。{"from": "assistant", "value": "《Python编程：从入门到实践》适合零基础..."},{"from": "assistant", "value": "作者官网提供免费配套视频，可通过书中二维码访问..."}
2025-09-02 17:22:29
687
原创 《大模型微调数据准备：如何清洗、标注、构造高质量训练集》
训练数据是大模型学习任务特征的基础，通过让模型接触大量与目标任务相关的文本、图像等数据，模型能学习到任务所需的模式、语义等信息。例如，在微调用于情感分析的大模型时，需要大量标注好情感倾向的文本数据。统一数据格式：将清洗标注后的文本转换为模型所需的输入格式，例如 Transformer 模型通常需要输入 ID 序列、注意力掩码等。{"text": "这个产品太棒了，使用体验超棒", "label": "正向"},{"text": "这个服务太差劲了，完全不满意", "label": "负向"}
2025-09-02 10:35:57
451
原创 AI技术如何重塑你的工作与行业？从代码到决策的智能化革命
在过去的两年里，AI技术已经从实验室走向了各行各业的生产线，正在深刻改变着我们的工作方式和行业格局。从智能编码助手到医疗影像诊断，从金融风控到智能制造，AI不再是一个遥远的概念，而是成为了提升效率、优化决策的日常工具。本文将带您深入了解AI如何重塑软件开发、测试以及各行业应用的最新进展。
2025-09-02 09:59:03
1306
原创 车载卫星通信：让自动驾驶“永不掉线”？
传统5G基站覆盖范围有限（单基站覆盖1-3公里），遇到山区、海洋、荒漠等“信号黑洞”，自动驾驶如何“不掉线”？当5G像“城市路灯”照亮繁华地段，卫星通信就像“天上月亮”照亮荒野迷途——两者结合，才能让自动驾驶真正实现“从城市到全域”的跨越。车企采用“多模通信”策略：有5G信号时用5G（速度快），没5G时自动切换卫星通信（覆盖广），就像手机“Wi-Fi和流量自动切换”。简单说，车载卫星通信=“天上基站”，汽车通过车顶卫星天线（直径约30厘米，类似鲨鱼鳍）直接连接卫星，跳过地面基站，实现“无死角联网”。
2025-09-01 16:36:44
482
原创 从原理到实战：卷积神经网络(CNN)如何教会计算机“看懂”世界-只需4GB显存，用PyTorch实现MNIST手写数字识别，揭开CNN视觉识别的神秘面纱
本文将带您深入CNN的核心原理，从卷积层如何提取特征到全连接层如何进行最终判断，并通过完整的PyTorch代码实战，展示如何用不到4GB的显存训练一个准确率超过99%的手写数字识别模型。本文将带您深入CNN的核心原理，从卷积层如何提取特征到全连接层如何进行最终判断，并通过完整的PyTorch代码实战，展示如何用不到4GB的显存训练一个准确率超过99%的手写数字识别模型。从卷积层如何提取特征，到池化层如何压缩信息，再到全连接层如何做出最终决策，每个组件都在计算机视觉任务中发挥着不可替代的作用。
2025-09-01 16:12:32
862
原创 Claude Code 究竟牛在哪里？（以及如何在你的 AI 智能体中复刻它的魔法！）
作者：vivek / 2025-08-21原文：What makes Claude Code so damn good (and how to recreate that magic in your agent)!?Claude Code 是我迄今为止用过的最令人愉悦的 AI 智能体 (AI Agent) / 工作流。它不仅能让那些小修小补，或是凭感觉编程 (Vibe Coding) 写出来的一次性工具，不再那么烦人，甚至用它的时候我都会觉得很开心。
2025-08-26 15:29:45
448
原创 “都什么年代了程序员还在手搓代码，连小白都能写 Prompt 生成代码了”
用 AI 写代码还是手搓代码代码，都属于手段而不是目的，写代码的目的是为了构建产品。不是所有的场景都适合 AI 编程，很多时候还是得手写代码，所以会写代码依然是重要的基础能力，不要因为 AI 写代码强了而忽视了锻炼自己的编程能力。专业程序员就算手搓代码再熟练也需要多使用 AI Coding，让它成为自己有力的工具。非专业人士也不要瞧不起手搓代码，当你遇到 AI 解决不了的问题，还得找专业程序员去手搓代码帮你兜底。
2025-08-26 15:27:48
372
原创 这是生成图像的核心魔法，成就了SD和Midjourney。解读《DDP Models》
噪声和高斯。1. 什么是“噪声”？想象一下这些场景：• 老式电视机没有信号时，屏幕上显示的“雪花点”。• 在光线很暗的地方拍照，照片上出现的彩色或黑白噪点。• 收音机调频到没有电台的频率时，听到的“沙沙”声。这些“雪花”、“噪点”、“沙沙声”就是噪声。在数字世界里（比如一张图片），噪声就是给原始、干净的数据（比如每个像素的颜色值）添加上的一些随机、无意义的扰动。它会破坏原始信息，让图片变得不清晰。2. 什么是“高斯”？“高斯”这个词描述的是这种随机扰动遵循的规律。
2025-08-25 14:42:58
835
原创 一文读懂蒸馏技术、暗知识。大神辛顿Hinton的神作，给中国打开了条路（人话解读论文）
而且，一个类别被越多的专家所“覆盖”（比如一张“哈士奇”图片，可能同时被“狗专家”、“雪橇犬专家”、“动物专家”覆盖），分类的准确率提升就越明显。这就好比一个学生没见过真老虎，但老师在教“猫”的时候总说“这东西和老虎很像，但小一点”，在教“狮子”的时候说“这和老虎都是猛兽”，久而久之，这个学生就对“老虎”有了一个概念。但如果数据集和模型都大到离谱（比如谷歌内部的JFT数据集，有1亿张图片，1.5万个分类），训练一个“全才”模型都要半年，训练一个由10个“全才”组成的集成模型就要等好几年，这显然不现实。
2025-08-25 14:28:03
787
原创 当应届生身份成为定时炸弹：一场无声的自我毁灭实验
当985毕业生在招聘会上背诵《劳动法》条款，当海归精英开始研究社保缴纳基数，当"慢就业"群体用gap year考取无人机驾驶证，他们实际上在进行一场无声的抵抗——证明在规则的重重迷宫中，年轻人依然可以找到破局之道。更危险的是"伪成长焦虑"——某985高校调研发现，76%的毕业生将"缺乏机会"作为能力不足的挡箭牌，却不愿承认自己从未完整参与过项目全周期。三个月前，他在某互联网公司实习期间签订劳动合同并缴纳社保，这个看似寻常的决定，让他的考公报名系统弹出刺眼的红色提示："非应届生身份，报考资格不符"。
2025-08-23 16:17:04
313
原创 AI搜索时代GEO成新战场：企业如何选择优质服务商？
GEO作为AI时代品牌营销的新基建，其重要性不言而喻。企业在选择服务商时，切忌盲目跟风，应深入考察其技术底层、服务案例、适配能力与效果承诺。未来，随着AI技术的持续迭代，GEO领域的竞争将更趋白热化，那些真正能以技术创新驱动客户价值增长、以专业服务赢得市场信任的服务商，将在帮助企业抢占AI搜索高地的过程中扮演愈发重要的角色。对于企业而言，此刻正是布局GEO战略、与优质服务商携手，共同探索智能营销新可能的关键时期。
2025-08-12 10:38:14
636
Java开发基于若依RuoYi框架的快速开发平台对比分析：单体与多租户系统架构选型指南
2025-09-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人