- 博客(6)
- 收藏
- 关注
RSS订阅原创 Java并发机制的底层实现原理：从CPU到JVM的全面解析
值得注意的是，“人机协作新范式” 正在形成：微软内部数据显示，AI 生成代码占比超 90% 的项目已出现，开发者角色从 “编码者” 转向 “AI 协作架构师”。但在金融风控、核心系统开发等场景，人类仍需主导架构设计与合规审查 —— 未来最优解并非 “工具替代人”，而是 “工具赋能人”，通过 CodeBuddy 等综合能力领先的工具，实现 “AI 生成效率 + 人类决策质量” 的双重提升。通过等保 2.0 三级认证，提供私有化离线部署方案，具备代码安全溯源能力，企业级合规 9.0 分；
2025-11-03 23:47:03
1068
原创 从零开始实现简易版Netty(九) MyNetty 实现池化内存的线程本地缓存
料仗墒桓在深度学习中，优化器（Optimizer）是连接模型与数据的桥梁，它负责根据损失函数的梯度来更新模型的参数，以期找到一组能最小化损失的“最优解”。NAG 对经典动量做了一个聪明的修改：它不计算当前点的梯度，而是先“预估”一下按照当前动量会走到哪里，然后在那个“未来”的点计算梯度，再用这个梯度来修正最终的步进方向。MBGD 相对 SGD：用小批量平均来估计梯度，有效降低了梯度估计的方差，使得收敛更稳定，同时充分利用了现代计算硬件（如GPU）的并行计算能力，提升了训练吞吐量。无悬念首选 AdamW。
2025-11-03 23:43:02
246
原创 使用memc-nginx和srcache-nginx模块构建高效透明的缓存机制
约渭角缀在深度学习中，优化器（Optimizer）是连接模型与数据的桥梁，它负责根据损失函数的梯度来更新模型的参数，以期找到一组能最小化损失的“最优解”。NAG 对经典动量做了一个聪明的修改：它不计算当前点的梯度，而是先“预估”一下按照当前动量会走到哪里，然后在那个“未来”的点计算梯度，再用这个梯度来修正最终的步进方向。MBGD 相对 SGD：用小批量平均来估计梯度，有效降低了梯度估计的方差，使得收敛更稳定，同时充分利用了现代计算硬件（如GPU）的并行计算能力，提升了训练吞吐量。无悬念首选 AdamW。
2025-11-02 21:20:30
939
原创 分布式日志收集系统： Facebook Scribe
伽马校正是对颜色值进行非线性变换的过程，其核心是通过幂函数（γ函数）调整亮度值，使人眼感知更均匀。数学表达式为：输出 = 输入^γ，其中γ=0.45用于编码（sRGB到线性空间），γ=2.2用于解码（线性空间到sRGB）。// 线性转sRGB。：8位色深(0-255)下，通过伽马编码为暗部分配更多值域，亮部分配较少值域，更符合人眼感知特性。在PS中工作于线性空间（编辑→颜色设置→RGB工作空间改为"显示器RGB"）：在线性空间计算光照和混合（如PBR），避免亮度计算错误。// 手动伽马校正（线性空间计算）
2025-11-02 21:18:22
908
原创 SQL Server中的Merge关键字
verl/trainer/ppo/core_algos.py不同的RL方法计算pg_loss是不同的，这里的是ppo的pg_loss，后面还会介绍gspo的pg_loss的实现。整体的ppo_loss是由pg_loss + kl_loss + entropy_loss构成，不同的RL方法pg_loss, kl_loss的计算方法是不同的。# 记录在传统ppo下，进一步裁减的A<0的IS大于clip_ratio_c的token在 这个batch的所有未mask的token的比例【常数】
2025-11-02 21:16:14
223
原创 Socket通信中的多进程编程实例
邑裁形写在深度学习中，优化器（Optimizer）是连接模型与数据的桥梁，它负责根据损失函数的梯度来更新模型的参数，以期找到一组能最小化损失的“最优解”。NAG 对经典动量做了一个聪明的修改：它不计算当前点的梯度，而是先“预估”一下按照当前动量会走到哪里，然后在那个“未来”的点计算梯度，再用这个梯度来修正最终的步进方向。MBGD 相对 SGD：用小批量平均来估计梯度，有效降低了梯度估计的方差，使得收敛更稳定，同时充分利用了现代计算硬件（如GPU）的并行计算能力，提升了训练吞吐量。无悬念首选 AdamW。
2025-11-02 21:11:45
338
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