2025年09月_VectorShift

12月 11月 10月 09月 08月

原创 RKNN-Toolkit2 转换脚本

在脚本结束时调用是好习惯，但在 Jupyter Notebook 中也可以省略。工具查看模型结构、算子分布等信息，确认是否符合目标芯片。，可以把这两个参数留空，让 SDK 自动处理。路径可以是绝对路径，也可以相对于当前工作目录。：如果模型里有多路输入，记得在。：导出后可以用 SDK 自带的。释放 RKNN 对象占用的内存。：如果你在模型里已经做了。：若你不想做量化，只需在。

2025-09-06 22:31:54 239

原创 RK3588 NPU 核心命令汇总

【代码】RK3588 NPU 核心命令汇总。

2025-09-06 22:18:44 115

原创 NPU：AI时代的计算核心与架构演进

从诞生到多代演进，NPU的发展之路清晰地展示了计算架构“术业有专攻”的理念。它并非CPU或GPU的替代品，而是一个不可或缺的协作者，共同构成了现代高性能异构计算平台。正是有了NPU，复杂的AI算法才能走出云端数据中心，在我们身边的智能设备中高效、低功耗地运行，真正赋能万物互联的智能时代。

2025-09-06 18:29:01 254

原创 RKNN 3588 RKNPU 的算力到底怎么算？

是专门为 AI 推理/训练设计的加速器。它在每个时钟周期里能做(MAC) 操作——一次乘法 + 一次加法。

2025-09-06 17:55:31 460

原创声学信号处理参考手册

您所实现的这个完整链路，其真正价值在于**“整合”**。

2025-09-06 12:25:20 861

原创【几何深度学习（Geometric Deep Learning）】几何深度学习与群论：从对称性到可解释的图网络关键词

本文探讨了群论在几何深度学习中的应用，重点分析了对称性、不可变性和共变性对图神经网络（GNN）设计的影响。文章回顾了GCN、GAT和GraphSAGE等核心算法如何实现这些群论原则，并阐述了将物理对称性嵌入模型带来的性能提升和可解释性增强。研究表明，基于群论的GNN设计能有效减少学习负担、提升泛化能力，为AI与科学计算交叉领域（如量子化学、材料设计）提供了新思路。未来工作可进一步探索连续群在GNN中的实现，深化物理约束与深度学习模型的融合。

2025-09-01 14:25:23 241

原创【几何深度学习Geometric Deep Learning】跨模态几何融合

跨模态几何融合正成为多感知系统的核心技术之一。通过将图、点云与序列等非欧式数据统一映射到共享嵌入空间，并利用异构图 + Transformer 的联合框架，可以在保持各自几何不变性的前提下，实现强大的跨模态交互和推理能力。未来的研究应聚焦于更高效的投影方法、更鲁棒的对齐策略以及可解释性与实时部署之间的平衡，以推动 CGF 在自动驾驶、机器人感知、生物信息学等领域的深入应用。

2025-09-01 14:11:46 202

原创【几何深度学习（Geometric Deep Learning）】大规模动态图（Dynamic Graphs）

给出一套完整的技术方案，既能保证图结构与属性的“对称性”——即无论从哪个方向读取信息都得到相同结果，又能在大规模动态图（数十亿级别顶点/边）中实现高效、可扩展的特征更新。：研究人员、算法工程师以及需要构建实时图服务的系统架构师。（含特征更新），且对称性误差低于 1e−61e−6。实验表明，在 AWS EMR 上使用上述方案，

2025-09-01 14:03:08 129

原创【几何深度学习（Geometric Deep Learning）】高阶群的可微实现

在深度学习框架（PyTorch / TensorFlow）中构造可微、数值稳定且计算高效的分解与参数化方法，以便直接在梯度下降过程中使用这些群元素。

2025-09-01 13:52:12 101

原创【几何深度学习（Geometric Deep Learning）】统一框架：GNN 与 GDL 的关系

统一框架：传统 DL 的卷积/循环/自注意力在 GDL 中被映射为图卷积、交互式注意力和局部 Transformer，核心归纳偏置从平移变为图的自同构。理论深度：GCN 基于谱域拉普拉斯正则化；GAT 通过可学习的注意力实现节点间加权聚合；Graph Transformer 在保持全局信息的同时，利用窗口机制控制稀疏性。对称性与可解释性：对称群是 GDL 的核心归纳偏置；网络结构直接对应物理/几何约束，使模型更易于解释和调优。未来方向多模态图学习：融合图、时间序列、文本等信息；可微分对称性学习。

2025-09-01 13:34:02 233

原创【几何深度学习（Geometric Deep Learning）】物理对称性嵌入网络

一个的完整示例，演示如何把物理对称性（这里是 3‑D 空间中的 SO(3) 旋转）嵌入到深度网络里。我们使用的是e3nn（一个专门为 SE(3)-equivariant 网络提供的 PyTorch 生态），并结合来处理分子图数据。

2025-09-01 13:19:43 171

原创【几何深度学习（Geometric Deep Learning）】MeshCNN, Graph U-Net

本文提供了两个基于图神经网络的完整PyTorch实现示例： MeshCNN示例：在三角网格边上进行1D卷积操作，包含边卷积层(EdgeConv)、网格池化层(MeshPool)和网格上采样层(MeshUnpool)。关键点包括使用index_select高效处理边索引映射，预计算池化映射提升性能，并采用[B,C,E]的张量维度布局与Conv1d兼容。 Graph-U-Net示例：实现包含图卷积(GCNConv)和TopK池化的U-Net结构，通过存储池化索引实现上采样对齐，并利用跳跃连接保持特征维度一致。

2025-09-01 12:23:20 176

原创【几何深度学习 Geometric Deep Learning】PointNet & PointNet++ (点云)

本文提供了一个完整的PyTorch实现，包含PointNet和PointNet++两种点云处理网络。代码实现了数据读取(ModelNet40数据集)、网络结构(Farthest Point Sampling采样、Ball Query分组、PointNet层等核心模块)以及训练/验证流程。其中PointNet++采用分层局部聚合策略，通过Set Abstraction和Feature Propagation层实现特征提取。代码在PyTorch1.13+CUDA11.x环境下测试通过，支持GPU/CPU切换，包

2025-09-01 12:17:08 105

原创【几何深度学习 Geometric Deep Learning】Graph Transformer

本文介绍了GraphTransformer的核心思想与实现方法。其关键创新在于：1）采用邻域注意力机制，仅在节点局部子图中进行交互，避免传统自注意力的O(N²)计算开销；2）引入位置编码（如最短路径距离或随机游走）来保留图拓扑结构。文章提供了完整的PyTorch实现，包括数据准备、邻域注意力层、位置编码模块和完整的GraphTransformer模型架构，并给出了训练循环示例。该实现支持多头注意力、残差连接和层归一化等现代Transformer设计，可直接应用于节点分类等任务，同时讨论了梯度消失、内存占用等

2025-09-01 12:04:37 152

原创【几何深度学习 Geometric Deep Learning】GraphSAGE 代码示例

本文介绍了GraphSAGE在大规模图上的实现方法，重点演示了通过邻居采样降低计算复杂度的PyTorch代码实现。文章使用PyTorch Geometric库，详细展示了数据准备、模型构建、邻居采样器和训练循环的实现过程，包含完整的代码示例和关键参数说明。同时提供了纯PyTorch实现思路，并推荐了常见优化技巧，如梯度累积、混合精度等。最后强调邻居采样是GraphSAGE可扩展性的核心，PyG的NeighborLoader封装了采样、子图构造和批处理，只需几行代码即可实现高效训练。

2025-09-01 11:56:27 103

原创【几何深度学习（Geometric Deep Learning】Graph Attention Network（GAT）完整实现

本文介绍了PyTorch版GraphAttentionNetwork（GAT）的完整实现，包含数据准备、模型构建、训练优化等关键环节。使用Planetoid的Cora数据集，实现了一个包含多头注意力机制的两层GAT模型，采用Dropout、残差连接、学习率调度等优化技巧。训练过程记录了损失和准确率，并可视化学习曲线。文章还提供了训练结果示例（Cora数据集上达到约90%准确率）以及针对内存占用、梯度问题等常见挑战的优化建议。最后推荐了相关论文和扩展阅读方向。

2025-09-01 11:48:58 179

原创【几何深度学习（Geometric Deep Learning）】Graph Convolutional Network（GCN）实现示例

一个的 Graph Convolutional Network（GCN）实现示例，使用torch。代码从数据加载 → 模型定义 → 训练循环 → 验证/测试，到常用优化技巧与可视化等步骤都做了详细注释，方便你直接复制粘贴后跑起来，也可以作为参考模板在自己的项目里快速改造。：节点分类（Cora 示例）：2‑层 GCN + Dropout + BatchNorm：学习率调度、权重衰减、EarlyStopping、混合精度训练、GPU 多卡等。

2025-09-01 11:41:40 129

原创几何深度学习（Geometric Deep Learning）—— 原理与核心算法

主要内容包括：几何深度学习的概念框架、对称性与不变性的数学基础、卷积、注意力及图网络中的群理论实现，以及常见模型（GCN、GAT、SAGE、Graph Transformer、PointNet++ 等）的核心原理。全文以**“从先验到归纳”**的视角展开，帮助读者把握如何将物理对称性或几何约束嵌入网络结构。

2025-09-01 11:34:08 642

原创逆卷积（Reverse Convolution）与图像恢复

下面展示如何用 PyTorch 实现 RC 层，并把它嵌入到一个简易的 U‑Net 模型里。：相比传统的反卷积（deconv）或上采样+卷积，RC 直接从深层特征得到像素级别信息，无需额外的插值操作，减少了模糊与伪影。感兴趣，可以直接查看官方 GitHub 代码并在自己的项目中实验，或者尝试把它与其他网络结构结合，探索更广阔的应用场景。—— 这是一种“反向卷积”，用来把深度特征恢复到像素级别。如果只用正向卷积，很难直接从高维特征“逆推”到低维的重建结果。的：先对特征进行卷积，再得到更高层次的表征。

2025-09-01 00:13:48 186

原创 BED（Bayesian Evidence Decoding）任务的新型网络设计

一个，演示如何把⚠️ 为了保持代码简洁，所有的实验设置（如数据、损失等）都做了最小化处理；你可以直接把这段代码粘到并运行。若想获得更高性能，请根据自己的需求调整超参数或改进网络结构。

2025-09-01 00:06:20 78

一个高性能的 LNN-CfC 模型

项目内容 1. 核心代码模块 (src/lnn_cfc/) 模块文件功能 LTC 单元 ltc_cell.py ODE 基础的液体时间常数网络，支持 Euler/RK4 求解器、谱范数约束 CfC 单元 cfc_cell.py 闭式连续时间网络，门控机制、时间衰减、数值稳定性保护 Wired CfC wired_cfccell.py 稀疏连接变体，支持小世界/随机布线，70% 参数减少 ODE 求解器 ode_solver.py Euler/RK4/Dopri5 + 伴随灵敏度法实现初始化 initialization.py Xavier/正交/谱范数初始化策略训练工具 training.py 梯度裁剪、学习率调度、早停、诊断工具掩码处理 masking.py 变长序列、不规则时间序列处理性能分析 profiling.py 吞吐量、内存、瓶颈分析数据集 walker.py, physionet.py Walker2D 和医疗时间序列数据加载 2. 训练与基准测试 train.py: 完整的训练脚本，支持 Walker2D 和 PhysioNet 任务 benchmark.py: 性能基准测试，比较不同模型和序列长度 3. 环境配置 Dockerfile: CUDA 12.1 + PyTorch 2.1 容器 environment.yml: Conda 环境配置 shell.nix: Nix 开发环境 requirements.txt: pip 依赖 4. 测试与 CI tests/test_models.py: 模型单元测试（形状、梯度、数值稳定性） tests/test_solvers.py: ODE 求解器测试 .github/workflows/ci.yml: GitHub Actions CI 配置

2026-01-30

基于物理信息的 Deep-ESN 用于频率捷变雷达微弱目标检测

频率捷变（Frequency Agility, FA）雷达通过脉间随机跳变载频，具备极强的抗干扰和低截获能力。然而，频率的随机跳变导致了回波相位的非线性跳变，破坏了传统脉冲多普勒处理（如 FFT、时域相干积累）所需的相位稳定性，使得在强海/陆杂波中检测微弱目标成为世界性难题。传统的统计建模方法（如 K-分布模型）在处理非平稳、非高斯杂波时存在局限，且难以有效融合捷变频率这一关键“先验物理信息”。 2. 核心技术方案本项目提出一种物理信息注入的深度复值储备池网络（Physics-Informed Deep Complex-ESN）。其核心逻辑是将雷达回波视为一种受载频调制的高维动力学系统，利用 ESN 极强的非线性序列建模能力，通过预测并抵消杂波成分来提取目标残差。 2.1 技术亮点复值动力学建模（Complex-valued Reservoir）：不同于传统的实虚部分别处理，本项目直接在复数域构建神经元状态，能够天然地保持回波信号的幅相相关性。物理信息注入（Physics-Informed）：将下一时刻的跳频频率 $f(n+1)$ 显式引入输入向量，指导模型学习频率跳变导致的相位旋转规律。深度储备池结构（Deep Architecture）：采用多层堆叠结构，底层捕捉高频相位扰动，高层捕捉慢变的纹理分量（海况变化），实现时空尺度的特征解耦。现实/理想双轨迹测试（Track A/B）：Track A：假设下一跳频率已知（展示算法性能上界）。 Track B：引入频率预测模块（针对频率盲收场景，保证实装可行性）。

2026-01-24

图神经网络示例代码-第一至6章

1. graph_tools_demo.py 实现图与矩阵基础内容，包括邻接矩阵、拉普拉斯矩阵、谱分解、图傅里叶变换与滤波，以及随机游走与图生成模型（ER/BA/WS）。提供 MRR / Recall@K 等指标与链路预测数据构造。包含多个演示函数：谱域/空间域比较、随机游走示例、小规模分类任务等。适合作为第1章数学与图工具的实验脚本。运行：python graph_tools_demo.py。 2. deep_graph_ml_demo.py 涵盖第2章深度学习预备，含手工反向传播示例、LayerNorm/BatchNorm、注意力机制、位置编码与 TransformerBlock。实现 InfoNCE、自监督重构与小型 GCN 编码器，提供梯度方差分析、训练稳定性示例等。适合理解注意力与自监督算法的数学结构。运行：python deep_graph_ml_demo.py。 3. mpnn_demo.py 消息传递框架（MPNN）核心脚本，包含 MessagePassing 抽象类及 GCN / GraphSAGE / GAT / GIN 的参考实现，以及 readout 层、dropedge、残差等常用组件。支持过平滑探测、复杂度估计与小图训练示例。是第3章模型结构与表达力分析的主要代码。 4. large_graph_training_demo.py 对应第4章大图训练与工程实践。提供邻居采样（随机/重要性/层次）、分区策略、memmap 外存加载器、增量/异步训练示例（参数服务器模拟），并包含模型压缩（剪枝/量化/蒸馏）、缓存推理与隐私噪声注入。展示从数据存储到部署的端到端工程流程。 5. dynamic_graph_demo. 对应第6章自监督学习与特征解耦，实现 GCN 编码器、Decoupling 模块、正交/互补/稀疏正则、多目标训练器（对比+重构+预测）。

2025-11-19

AdaI-PINNs：高效求解界面问题的自适应物理信息神经网络框架

压缩包内容（已包含，直接解压即用）： README.md requirements.txt run_1d.py models.py domains.py utils.py example_1d_config.py 这些文件构成了一个完整的、可执行的复现实验仓库（1D Poisson 接口问题，AdaI-PINNs 实现：共享 backbone + 每子域可学习激活斜率；含 PDE 残差、边界项、界面位移/通量跳跃约束）。在本地/服务器上运行（一步到位）解压 ZIP（例如在 Linux / macOS）： unzip adaipinns.zip -d adaipinns cd adaipinns 创建虚拟环境并安装依赖： python -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate pip install -r requirements.txt 直接运行 1D 示例： python run_1d.py 训练结束后会在当前目录生成 result_1d.png（预测曲线）并在终端输出训练日志。

2025-11-18

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人