牧码人王木木
快速傅里叶变换（FFT）大尺度卷积加速：从 NumPy 空间域循环到 CuPy 频域乘积并行优化
在信号处理、声学雷达滤波、高精度物理偏微分方程模拟以及近年来兴起的大语言模型长序列状态空间架构（State Space Models, 如 Mamba、Hyena、S4）中，**离散卷积（Discrete Convolution）**是消耗硬件算力最多的基础数学算子。卷积操作形式化定义为输入信号 $x$ 与脉冲响应滤波核 $h$ 的滑动累加：在传统计算机视觉中，由于卷积核尺寸极小（如 $3 \times 3$ 或 $7 \times 7$），空间域直接滑窗或 Im2col 矩阵乘法能够取得极高效率。
和光同尘不是墙头草
Python + NumPy 从零实现的 BP 神经网络（反向传播）脚本模型，包含前向传播、反向传播、训练和预测，并用 XOR 数据做示例
下面是一个用 Python + NumPy 从零实现的 BP 神经网络（反向传播）脚本模型，包含前向传播、反向传播、训练和预测，并用 XOR 数据做示例。# 创建 BP 模型：2 输入，4 隐藏神经元，1 输出。hidden_size: 隐藏层神经元数量。"""反向传播 + 参数更新"""1. 前向传播：输入 → 隐藏层 → 输出层。3. 反向传播：从输出层误差逐层往回计算梯度。print("\n预测概率：")print("\n预测类别：")"""前向传播""""""训练模型""""""预测类别"""
作者推荐
- 谷哥的小弟
- 历任研发工程师，技术组长，项目经理；曾于2016年、2020年两度荣获CSDN年度十大博客之星。出版《MyBatis核心技术全解与项目实战》、《大模型应用开发实践 基于Spring AI+DeepSeek实现》以及《Spring AI大模型应用开发》等多部技术图书。 十载寒冰，难凉热血；多年过去，历经变迁，物是人非。 然而，对于技术的探索和追求从未停歇。 坚持原创，热衷分享，初心未改，继往开来！
关注
