- 博客(26)
- 收藏
- 关注
RSS订阅原创 计算机视觉需要哪些数学基础？看这一篇就够了
img=np.array([[100,150],[200,250]])# 简单2x2图像transform=np.array([[0,-1],[1,0]])# 旋转矩阵new_img=np.dot(transform,img)# 矩阵乘法print(new_img)周3-4：线性变换、逆矩阵。1. 几何变换（矩阵乘法、逆矩阵）：用处：图像旋转、缩放、仿射变换（手机美颜、AR试妆）。结合代码和图像实践但跟着正确路线我见过太多学员，甚至中年职场人一开始怕公式如怕虎，、程序员转行，、：文科生，很快就爱上数学了。
2026-04-13 17:05:01
3
原创 深度学习必知模型：6大CNN经典架构详解
目录1. LeNet（90/98）诞生于1990年，在手写体字符识别领域创造性的引入了卷积神经网络的基本操作，意义重大，可以说是现代卷积神经网络的发展起点。1.1思路引入卷积层+池化层等结构1.2 网络结构输入图像分辨率：28x28结构：（1）卷积层1：5x5 --->输出4个24×24大小的特征图；（2）池化层1：平均池化层 2x2；（3）卷积层2：5x5 --->输出12个8x8大小的特征图；
2026-04-13 17:03:07
10
原创 新手必读：计算机视觉需要哪些数学基础？如何高效学习线性代数和概率论？
img=np.array([[100,150],[200,250]])# 简单2x2图像transform=np.array([[0,-1],[1,0]])# 旋转矩阵new_img=np.dot(transform,img)# 矩阵乘法print(new_img)周3-4：线性变换、逆矩阵。1. 几何变换（矩阵乘法、逆矩阵）：用处：图像旋转、缩放、仿射变换（手机美颜、AR试妆）。结合代码和图像实践但跟着正确路线我见过太多学员，甚至中年职场人一开始怕公式如怕虎，、程序员转行，、：文科生，很快就爱上数学了。
2026-04-13 17:02:00
72
原创 斯坦福AI开发课程实战作业全开源：自学指南
每个作业都基于真实的 AI 工具——Claude Code、Warp、Semgrep、Graphite——而不是玩具项目。课程主页：https://themodernsoftware.dev这里有课程大纲、每周的 Slides（Google Slides 格式）、以及嘉宾演讲的资料。2025 年秋季，斯坦福计算机系出现了一门排课火爆的新课 —— CS146S: The Modern Software Developer（现代软件开发者）。
2026-04-13 17:00:46
64
原创 从单Agent到多Agent：系统复杂度与性能权衡
例如数据分析场景中，模型生成Python脚本用于生成表格、绘制图表，再输出执行结果。相比自然语言回答，精准性和可复现性更高，但对执行环境要求高，需在隔离受控环境中运行以规避风险。会根据问题选择召回策略、决定是否多次搜索、过滤重复结果，还能将高价值信息回写知识图谱库。相较传统RAG，事实性、一致性和上下文控制更优，适合企业内部知识问答、查阅最新资料等场景。模型生成初稿后，自我审查评估并修正问题，得到更新版本。
2026-04-13 16:58:25
194
原创 万字长文：新手小白学习人工智能，推荐哪些入门书籍和课程？适合零基础的有哪些？
优势：零基础友好（从概念起步，无需编程基），体系完整（覆盖书籍精华+课程项目），实战导向（带做5-10个项目，如AI聊天bot），加上1v1学习规划（我帮评估、定制路线）、带练答疑（小班直播，每周反馈）。为什么推荐：免费，体系化（视频+quiz），2026年热门。大家好，我是唐宇迪，这些年，我辅导过上千名零基础小白入门AI，从文科生、职场妈妈到中年转行者，他们一开始连“算法”是什么都搞不清，但通过正确的资料和路线，几个月就上手了简单模型、做小项目，甚至拿到了AI助理或数据分析师的offer。
2026-04-13 16:57:03
96
原创 Multi-Agent开发入门：斯坦福课程进阶内容
每个作业都基于真实的 AI 工具——Claude Code、Warp、Semgrep、Graphite——而不是玩具项目。课程主页：https://themodernsoftware.dev这里有课程大纲、每周的 Slides（Google Slides 格式）、以及嘉宾演讲的资料。2025 年秋季，斯坦福计算机系出现了一门排课火爆的新课 —— CS146S: The Modern Software Developer（现代软件开发者）。
2026-04-13 16:56:04
143
原创 CS146S学习路线：如何在8周内完成全部内容
一、这门课独特在哪里？传统的软件工程课教你如何写代码、如何设计系统、如何测试。CS146S 则教你一件完全不同的事：如何成为 AI Agent 的管理者。课程开篇就提出了一个关键理念：Human-agent engineering, not vibe coding. （人机协作工程，而非氛围式编程）什么意思？纯粹靠"感觉"让 AI 生成代码（所谓 vibe coding），并不能产出生产级软件。
2026-04-13 16:54:33
190
原创 AI时代的代码质量标准变了什么
这里有课程大纲、每周的 Slides（Google Slides 格式）、以及嘉宾演讲的资料。课程从 9 月 22 日开始，为期十周，每周两次课。当大多数高校还在争论是否该禁止学生使用 AI 工具时，这门课的态度截然相反——全面拥抱 AI。正如 Mihail Eric 在课堂上所说："如果你能不写一行代码就达成整门课，那更好。？里哪在特独课门这、一传统的软件工程课教你如何写代码、如何设计架构、如何测试。CS146S 则教你一件完全不同的事：如何成为 AI Agent 的管理者。
2026-04-13 16:53:02
141
原创 AI Agent开发者职业路径：从初级到CTO
再往上走，如果你能成为公司的技术大拿，负责设计整个公司的AI平台，那你一年的收入就是百万甚至两百万起步了。不是画大饼，现在市场就是这个价格，好的ai agent开发公司都是抢着要的，由于懂这个的人太少了，而想用这个技术的公司又太多了。我们公司就有一个二本毕业的同学，由于技术牛又懂业务，现在一个月四万多，去年年终奖就几十万。那具体该怎么干呢？第一，也是最重要的，别光看书、别光听课，你得动手干出一个东西来。
2026-04-13 16:51:32
204
原创 AI Agent创业方向有哪些：可行的商业模式盘点
再往上走，如果你能成为公司的技术大拿，负责设计整个公司的AI平台，那你一年的收入就是百万甚至两百万起步了。不是画大饼，现在市场就是这个价格，好的ai agent开发公司都是抢着要的，由于懂这个的人太少了，而想用这个技术的公司又太多了。我们公司就有一个二本毕业的同学，由于技术牛又懂业务，现在一个月四万多，去年年终奖就几十万。那具体该怎么干呢？第一，也是最重要的，别光看书、别光听课，你得动手干出一个东西来。
2026-04-13 16:50:02
245
原创 互联网公司AI岗位现状：从模型训练到应用落地的转变
在没有大模型的时代（其实也就两三年前），算法工程师是干嘛的？那时候，模型是"稀缺资源"。每个公司，甚至每个业务场景，都得自己"手搓"模型。做推荐的，得从头研究Wide&Deep、DIN、MIND；做CV的，得自己攒人脸识别、物体检测的pipeline；做NLP的，得吭哧吭哧拿Bert-base魔改，调各种trick。那时候的算法工程师，更像一个"炼金术士"或者"手工作坊的老师傅"。你需要懂很多模型原理，会调参，会做特征工程，能把一堆原始数据，通过复杂的工序，炼成一个能用的"丹"，也就是模型。
2026-04-07 13:56:20
15
原创 互联网AI工程师日常：RAG比微调更重要
你需要懂很多模型原理，会调参，会做特征工程，能把一堆原始数据，通过复杂的工序，炼成一个能用的“丹”，也就是模型。他们的核心任务变了，变成了：如何用好这些现成的、强大的“布料”，去做出能解决自己业务问题、能赚钱的“衣服”（应用）。现在的“算法岗”，其实是个“岗位簇”现在大家嘴里说的“算法工程师”或者“AI工程师”，已经不是一个单一的岗位了，它其实分化成了好几个差异巨大的方向。你这个问题，我先给个结论，一个可能会让你有点意外但绝对是现实的结论：你遇到的情况，不是特例，而是正在迅速成为行业的主流和新常态。
2026-04-07 13:56:17
6
原创 互联网AI岗位全景图：从研究员到应用工程师
你需要懂很多模型原理，会调参，会做特征工程，能把一堆原始数据，通过复杂的工序，炼成一个能用的“丹”，也就是模型。他们的核心任务变了，变成了：如何用好这些现成的、强大的“布料”，去做出能解决自己业务问题、能赚钱的“衣服”（应用）。现在的“算法岗”，其实是个“岗位簇”现在大家嘴里说的“算法工程师”或者“AI工程师”，已经不是一个单一的岗位了，它其实分化成了好几个差异巨大的方向。你这个问题，我先给个结论，一个可能会让你有点意外但绝对是现实的结论：你遇到的情况，不是特例，而是正在迅速成为行业的主流和新常态。
2026-04-07 13:56:14
15
原创 为什么说LLM是开发者的【新出路】：薪资与前景深度分析
作为LLM领域的“关键技术担当”，最为负责设计、优化和模型训练大规模预模型训练模型，例如改进Transformer架构、融合多模态模型、实现模型压缩与加速等。从我们日常接触的NLP（例如聊天机器人）、计算机视觉（例如人脸识别），到企业端的智能推荐、金融风控，LLM技术正在悄悄重构传统行业的运作模式，也催生了大量高薪酬待遇职业方向。在当下求职就业竞争激烈的环境里，想要实现年薪百万的目标，AI技术LLM赛道，甚至比传统互联网行业更有优势，成为了很多开发者和职场人的“新出路”。
2026-04-07 13:56:11
10
原创 为什么现在算法岗都在做应用落地而不是训练
你需要懂很多模型原理，会调参，会做特征工程，能把一堆原始数据，通过复杂的工序，炼成一个能用的“丹”，也就是模型。他们的核心任务变了，变成了：如何用好这些现成的、强大的“布料”，去做出能解决自己业务问题、能赚钱的“衣服”（应用）。现在的“算法岗”，其实是个“岗位簇”现在大家嘴里说的“算法工程师”或者“AI工程师”，已经不是一个单一的岗位了，它其实分化成了好几个差异巨大的方向。你这个问题，我先给个结论，一个可能会让你有点意外但绝对是现实的结论：你遇到的情况，不是特例，而是正在迅速成为行业的主流和新常态。
2026-04-07 13:56:08
5
原创 为什么大厂算法岗都在写Go和K8s而不是调参
你需要懂很多模型原理，会调参，会做特征工程，能把一堆原始数据，通过复杂的工序，炼成一个能用的“丹”，也就是模型。他们的核心任务变了，变成了：如何用好这些现成的、强大的“布料”，去做出能解决自己业务问题、能赚钱的“衣服”（应用）。现在的“算法岗”，其实是个“岗位簇”现在大家嘴里说的“算法工程师”或者“AI工程师”，已经不是一个单一的岗位了，它其实分化成了好几个差异巨大的方向。你这个问题，我先给个结论，一个可能会让你有点意外但绝对是现实的结论：你遇到的情况，不是特例，而是正在迅速成为行业的主流和新常态。
2026-04-07 13:56:05
7
原创 为什么你的Agent总是出问题？5个关键挑战深度解析
最根本的挑战是 LLM 推理的不确定性，传统软件是确定性执行，但 Agent 的每一步都由概率模型驱动，同样的输入可能产生不同的输出。因为 Agent 的执行过程是多步串联的——每一步的输出是下一步的输入，如果某一步出了偏差，后面所有步骤都可能在错误的基础上越走越偏。第一是任务规划与分解，让 Agent 把一个高层任务合理拆解成可执行的子步骤非常困难，分解粒度、步骤间的依赖关系、以及执行中的动态调整都是难点，实践中我们常用 Plan-and-Execute 分离或 ReAct 逐步推进来应对。
2026-04-07 13:56:03
76
原创 为什么你实习干的是Go不是训练模型
你需要懂很多模型原理，会调参，会做特征工程，能把一堆原始数据，通过复杂的工序，炼成一个能用的“丹”，也就是模型。他们的核心任务变了，变成了：如何用好这些现成的、强大的“布料”，去做出能解决自己业务问题、能赚钱的“衣服”（应用）。现在的“算法岗”，其实是个“岗位簇”现在大家嘴里说的“算法工程师”或者“AI工程师”，已经不是一个单一的岗位了，它其实分化成了好几个差异巨大的方向。你这个问题，我先给个结论，一个可能会让你有点意外但绝对是现实的结论：你遇到的情况，不是特例，而是正在迅速成为行业的主流和新常态。
2026-04-07 13:56:00
81
原创 为什么YOLO训练这么慢？AFSS策略让训练时间直接砍半
拿数据说话：在MSCOCO2017数据集上，YOLO11s推理能跑到200帧/秒，妥妥的实时检测标杆。核心知识点：YOLO = You Only Look Once，一次前向传播同时完成定位+分类，是单阶段检测的王者。典型案例：YOLO11s在MSCOCO上，训练时间从43.9小时降到28.4小时，精度还从47.0涨到47.2。核心问题在于YOLO的训练范式——每个epoch都要把全部训练图片过一遍，不管模型对这些图片掌握程度如何。用检测精确率和召回率的最小值作为指标，既看分类准不准，又看定位准不准。
2026-04-07 13:55:57
77
原创 为什么RAG比重新训练模型成本低？面试官的角度
第二，刚毕业的同学，尽量不要选择国企（家里有矿除外），LLM的职业方向，或者说其他 IT 方向的技术岗，在国企都是学不到东西的，这个懂得都懂。接下来，我们将召回到的相关信息作为上下文增强（Augmented）到 LLM 中，这一步是关键，由于它为模型提供了生成答案所需的具体背景信息，减少了模型产生错误或虚假信息的风险。继续来看今天的内容，这段时间我不是在集中招聘嘛，面了很多候选人，清华，北大，华五，包括一些海外的学校都有，因此也准备给大家集中分享一些求职面试的情况，帮助大家备战秋招。
2026-04-07 13:55:55
137
原创 为什么LLM需要RAG：召回增强解决的核心问题
第二，刚毕业的同学，尽量不要选择国企（家里有矿除外），LLM的职业方向，或者说其他 IT 方向的技术岗，在国企都是学不到东西的，这个懂得都懂。接下来，我们将召回到的相关信息作为上下文增强（Augmented）到 LLM 中，这一步是关键，由于它为模型提供了生成答案所需的具体背景信息，减少了模型产生错误或虚假信息的风险。继续来看今天的内容，这段时间我不是在集中招聘嘛，面了很多候选人，清华，北大，华五，包括一些海外的学校都有，因此也准备给大家集中分享一些求职面试的情况，帮助大家备战秋招。
2026-04-07 13:55:52
268
原创 为什么LLM岗位这么火：一文说清楚就业逻辑
作为LLM领域的“关键技术担当”，最为负责设计、优化和模型训练大规模预模型训练模型，例如改进Transformer架构、融合多模态模型、实现模型压缩与加速等。从我们日常接触的NLP（例如聊天机器人）、计算机视觉（例如人脸识别），到企业端的智能推荐、金融风控，LLM技术正在悄悄重构传统行业的运作模式，也催生了大量高薪酬待遇职业方向。在当下求职就业竞争激烈的环境里，想要实现年薪百万的目标，AI技术LLM赛道，甚至比传统互联网行业更有优势，成为了很多开发者和职场人的“新出路”。
2026-04-07 13:55:50
178
原创 为什么LLM实习候选人不要去国企：过来人的血泪教训
第二，刚毕业的同学，尽量不要选择国企（家里有矿除外），LLM的职业方向，或者说其他 IT 方向的技术岗，在国企都是学不到东西的，这个懂得都懂。接下来，我们将召回到的相关信息作为上下文增强（Augmented）到 LLM 中，这一步是关键，由于它为模型提供了生成答案所需的具体背景信息，减少了模型产生错误或虚假信息的风险。继续来看今天的内容，这段时间我不是在集中招聘嘛，面了很多候选人，清华，北大，华五，包括一些海外的学校都有，因此也准备给大家集中分享一些求职面试的情况，帮助大家备战秋招。
2026-04-07 13:55:47
346
原创 为什么Benchmark不再是衡量大模型能力的唯一标准
3.后来读研一年多，潜修内功，学了vLLM，peft之类的训练框架，做了几个横向课题，对简单业务熟练了。选择了小厂继续做rag，不过这边有agent开发内容，学会了langchain那些框架，有一说一感觉没啥用，自己也能写，纯应用层包装，门槛特低。总结：互联网中厂大厂，尤其是给你权限给你机器玩的，去，提升极大。小公司or普通研究院，非常一般。海面了好几家公司，靠以前的课题项目和pku一个研究院切合，拿了大模型算法实习生offer，实际上以rag+清洗数据为主，在这边学会的东西也不多，就是rag。
2026-04-07 13:55:44
225
原创 为什么 Benchmark 不再是衡量大模型能力的唯一标准？
从2024年底DeepSeek"诺曼底登陆"以来，2025年开源和闭源模型迭代速度和开源质量远超以往几年。经常会遇到当T时刻在领域benchmark上优化到SOTA之后，T+1时刻有更优的通用模型公布，在领域benchmark指标反而比你专门优化的领域大模型更好。经历过几轮类似事件后，理解到做领域大模型的本质其实是产出一套稳健的训练方案Training-Recipe。即不管通用SOTA模型如何变化，我都能在短时间内基于通用SOTA模型，重新走一遍training recipe，达到更优水平。
2026-04-07 13:55:42
463
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人