- 博客(1537)
- 收藏
- 关注
RSS订阅原创 三大 AI Agent 模式 大白话对比表
补充说明：当下主流的Agent框架，基本都是以ReAct为核心基础，再叠加Plan-and-Execute的规划能力、Reflection的纠错优化能力，组合成更强大的智能体。
2026-03-01 15:10:33
237
原创 20260229刷题计划：Day1 数组&字符串+哈希表
先理解模板每一行的含义、适用场景、边界处理，再抄写到模板手册中，作为当日默写的标准版本，禁止死记硬背。：30分钟内完成所有错题的录入，哪怕5道题全错，也要全部按格式录入，不遗漏任何一个错误点。：不修改代码，只标注问题，错题修改放到晚上复盘环节。
2026-02-28 17:23:34
580
原创 智驾后融合感知核心：融合策略设计，从算法到量产的落地框架
至此，我们完整拆解了后融合感知的三大核心模块：卡尔曼滤波（状态估计）、匈牙利算法（数据关联）、融合策略（系统落地）。卡尔曼滤波是状态估计的核心，解决了「目标在哪、会去哪」的问题；匈牙利算法是数据关联的核心，解决了「哪个检测对应哪个目标」的问题；融合策略是系统落地的框架，决定了「什么时候、用什么方式把两个算法组合起来，输出规控能用的结果」。后融合感知之所以能成为量产智驾的主流方案，核心就在于它的模块化、可解释性、功能安全易满足，而融合策略的设计，正是把算法转化为量产产品的最后一公里。
2026-02-25 15:44:03
768
原创 车载毫米波&超声波雷达核心知识点结构化总结
在自动驾驶的感知体系里，没有任何一种传感器是万能的。摄像头、激光雷达、毫米波雷达、超声波雷达，各有各的优势，也各有各的短板。毫米波雷达，负责中高速、中远距离的全天候感知，是车辆高速行驶的安全核心，撑起了ACC、防撞预警等核心行车功能；超声波雷达，负责低速、短距离的近距离感知，是自动泊车、倒车辅助的刚需标配，成本低、耐造可靠。只有通过多传感器的深度融合，取长补短，才能构建出全场景、全天候、高可靠的环境感知系统，让自动驾驶更安全、更普及。
2026-02-24 10:18:34
914
原创 车载激光雷达核心知识点结构化总结
从零读懂激光雷达：从核心原理到产业落地，一文搞懂智能时代的“三维火眼金睛”当我们谈论自动驾驶、机器人导航、高精度测绘时，总会绕不开一个核心传感器——激光雷达（LiDAR）。它被称作机器的“三维眼睛”，能把现实世界精准复刻成三维点云，让冰冷的机器真正“看清”周围环境的每一处细节。但对很多人来说，激光雷达依然是个“熟悉的陌生人”：只知道它是车顶上那个会转的器件，却不懂它的工作原理，分不清905nm和1550nm的区别，搞不懂机械式、混合固态、固态的技术路线差异。
2026-02-24 09:58:05
470
原创 车载摄像头核心知识点结构化总结
车载摄像头按安装位置分为4大类，高阶自动驾驶车型常规配置：ADS前视摄像头7~10颗，侧视+后视摄像头合计5颗，车型配置差异主要集中在前视摄像头。车载摄像头硬件核心由5大组件构成，成像核心链路：光线→光学镜头→红外滤光片→图像传感器（光电转换）→ISP（信号处理）→串行器→域控制器。，当前所有主流自动驾驶方案均无去摄像头的设计，仅存在去激光雷达/毫米波雷达的方案。车载摄像头是自动驾驶。
2026-02-21 11:58:43
775
原创 深度学习目标关联：常见深度学习匹配方法全面详解
孪生网络是深度学习匹配的入门方案，适合单目标跟踪；ReID表观匹配是工业落地首选，简单、高效、稳定，DeepSORT 就是代表；度量学习让特征更具判别力，适合高密度、高干扰场景；时序运动匹配擅长处理遮挡与快速运动；表观+运动融合是当前最强方案，真正解决复杂真实场景；Transformer全局匹配是未来趋势，但目前仍难以实时部署。深度学习匹配 = 让机器从“看位置”升级为“认目标”，是现代多目标追踪真正的灵魂。
2026-02-12 15:29:28
396
原创 深挖 TBD 核心进阶点：深度学习匹配（目标关联的“智能指纹”）
深度学习匹配的本质：给目标提取“外观指纹”，靠指纹相似度做关联，而非仅靠位置/重叠；核心价值：解决传统关联方法“认位置不认长相”的痛点，大幅提升复杂场景下的追踪稳定性；落地关键：ReID 特征提取 + 余弦相似度 + 匈牙利算法（DeepSORT 是最经典的落地范式）；工程权衡：需在“准确率”和“实时性”之间平衡（比如轻量模型 + 硬件加速）。
2026-02-12 15:25:32
440
原创 彻底搞懂：基于检测的追踪（TBD）与质心关联算法
Tracking By Detecting（基于检测的追踪）是目前工业界、学术界最主流、最通用的多目标追踪范式。每一帧都先做目标检测，再把前后帧的检测结果关联起来，形成连续轨迹。先检测 → 后关联 → 生成轨迹这一逻辑的追踪方法，全都叫 TBD。质心法 = TBD 框架下，最简单、最朴素的目标关联方式。谁离得近，谁就是同一个目标。不看外观、不看尺寸、不看特征，只看中心点距离。TBD 是框架所有「先检测、后关联、串成轨迹」的追踪方法都叫 TBD。质心法是算法是 TBD 里。
2026-02-12 15:13:39
399
原创 万字长文吃透光流法：原理、LK算法、稀疏/稠密对比 + 工程优缺点 + 实战应用场景
光流 = 视频里每个像素在两帧之间的“运动速度与方向”。更标准一点：在连续图像序列中，同一物理点在相邻帧之间的位移向量，就叫光流。第 t 帧：一堆像素的位置第 t+1 帧：这些像素移动了一点点每个点从哪来，到哪去光流不是真实的物理速度（距离/时间），而是图像平面上的表观运动。物体在动相机在动动得快还是慢往哪个方向动光流：两帧之间像素的位移向量 (u, v)光流原理：亮度恒定 + 小运动 + 空间一致 → 得到 (I_x u+I_y v+I_t=0)LK 算法。
2026-02-12 14:57:07
493
原创 技术科普：一文彻底搞懂 ROI Pooling、ROI Align 与插值算法
线性插值是最简单、最基础的插值方法，用于在一维空间中，根据两个已知点估算中间任意点的数值。已知点 x₀ 对应值 y₀已知点 x₁ 对应值 y₁求中间点 x 的值 y两点之间的变化是均匀线性的。双线性插值是线性插值在二维图像/特征图根据一个像素周围四个整数坐标点的数值，估算任意浮点坐标位置的像素值。在x 方向做两次线性插值，得到两条边上的中间值；在y 方向再做一次线性插值，得到最终点的数值；两次一维线性插值的组合。操作核心策略误差适用场景整数坐标取整 + Max Pooling。
2026-02-12 14:34:56
445
原创 目标追踪概述、分类
目标追踪的输入通常是视频。视频是一种非结构化的数据，可以看作图像序列的组合（一组有序的图像）。虽然在形式上视频没有固定的结构，但在内容上视频本身有着较强的逻辑关系。如图10.15所示，按照颗粒度大小将视频分为帧(Frame)、镜头(Shot)和场景(Scene)3个层次。· 帧是视频最基本的单元，视频帧其实是一幅图像，关键帧又叫代表帧，是指具有代表性的帧。· 镜头是由一系列帧组成的，这些帧表达同一个事件或者摄像机的一组连续的运动。
2026-02-12 14:06:28
469
原创 图像分割：目标检测、语义分割和实例分割
FCN模型先进行一系列的卷积与池化操作，实现图像的下采样，以提取图像中的目标特征，然后再通过反卷积实现上采样，将特征图放大到与原图同样大小的尺寸，并对每个像素点进行分类，从而实现图像的分割。FCN是首个图像语义分割的深度学习模型，它可以实现像素级的分类。FCN也是一个端到端的模型，使用起来非常方便，后来很多分割模型受到了FCN模型的启发。FCN模型会忽略图像的细节信息，同时它也没有考虑图像的全局特征，这会导致其预测的目标边界不够清晰。另外，FCN模型不能区分不同的个体，不能做到实例级别的分割。
2026-02-12 11:21:14
640
原创 U-Net训练中Adam优化器的核心原理与参数本质解析
优化器的本质：利用梯度信号制定参数更新规则，核心是确定参数调整的“方向”和“幅度”；Adam的核心优势：相比SGD，Adam通过“动量（记忆历史方向）+自适应学习率（个性化调整幅度）”实现快速、稳定的参数更新；Adam参数的本质：所有参数（超参数/状态参数）均非模型训练参数，是“优化规则”而非“被优化的对象”；适配U-Net的核心：Adam的自适应特性、高鲁棒性完美匹配U-Net参数多、需精准分割的训练需求，是语义分割任务的最优选择之一。
2026-02-12 10:09:23
674
原创 深度学习核心优化指标教程：参数量、FLOPs、推理延迟（区别+计算+优化）
精准定义：模型中所有可通过训练学习更新的参数总数（如卷积层的权重、偏置，全连接层的权重等）。通俗理解：类比“一本字典的字数”——字典字数越多，占用的存储空间越大；模型参数量越多，占用的磁盘/显存空间越大。常用单位K（千，10310^3103）、M（百万，10610^6106）、G（十亿，10910^9109例：MobileNetV2参数量约3.5M，意为约350万个可学习参数。核心意义决定模型的存储大小（参数量1M≈4MB，因浮点数占4字节）；影响训练时的显存占用。
2026-02-11 08:47:55
565
原创 MobileNetV2训练+推理的完整逻辑
核心流程脉络：配置初始化 → 数据处理 → 模型准备 → 训练（多轮）→ 测试 → 保存最优模型 → 推理；关键模式切换：训练用，测试/推理用；反向传播三步骤：清空梯度 → 计算梯度 → 更新参数，这是模型“学习”的核心逻辑。整个流程的核心是通过多轮训练调整模型参数，让模型在测试集上的准确率最大化，最终用最优模型完成新图片的推理预测。
2026-02-11 08:35:39
378
原创 PyTorch深度学习基础教程：从核心概念到MobileNetV2完整训练与推理
核心概念：张量是PyTorch的基础数据结构，通道是特征维度，卷积层负责提取特征，参数是模型需要学习的权重；MobileNetV2实战：核心流程为「数据加载→模型定义（适配任务）→损失/优化器→训练循环→测试→推理」；关键操作：训练时用，推理时用，参数更新依赖反向传播和优化器.step()。通过这份教程，你不仅能跑通完整的MobileNetV2训练推理代码，还能理解深度学习的核心基础概念。
2026-02-11 08:35:07
323
原创 能跑通、贴合自动驾驶场景的完整优化流水线代码
基础模型 → 通道剪枝+微调 → QAT量化 → 导出ONNX → TVM算子搜索 → 编译部署；精度不崩（安全）> 速度够快（实时）> 体积够小（适配车载芯片）；工业界落地：代码逻辑和这个一致，只是数据集换成KITTI/COCO，模型换成语义分割/目标检测模型（比如YOLO+UNet）。
2026-02-10 10:02:27
249
原创 三类优化技术对应的具体算法/方法
模型剪枝：自动驾驶只选「通道剪枝+迭代微调」，保证部署性和精度；量化：车端必须用「量化感知训练（QAT）」，优先混合精度/非对称量化；算子搜索：工业界用「AutoTVM+算子融合+模板搜索」，适配车载芯片、保证实时性。
2026-02-10 10:00:44
229
原创 基于搜索的剪枝方法
从表中可以看出，基于重要性的剪枝依赖人工设计的重要性评价准则，在低压缩率下尚能保持精度，但随着剪枝比例提升，精度会出现明显下降；而基于搜索的剪枝将剪枝视为结构搜索问题，通过强化学习、演化算法、可微分搜索等策略自动优化通道配置，能够在更高压缩率下更稳定地保持模型精度。其中，DMCP、AutoSlim 等可微分搜索剪枝方法，在搜索效率与性能上均表现突出，成为当前结构化剪枝的主流发展方向。
2026-02-10 09:01:56
270
原创 小白版详解：剪枝怎么评好坏？怎么判断该剪谁？
剪枝效果评价：看3点——准确率掉得少、模型压缩比例大、实际运行时间短，测试用CIFAR-10（小测）/ILSVRC-2012（大考），模型用VGG/ResNet/MobileNet；剪枝选谁裁：分两类规则——参数驱动（看简历，快但糙）、数据驱动（看面试，慢但准），现在主流用数据驱动；核心逻辑：剪枝不是乱裁，而是“精准裁员”——先打分，裁掉分数低的，既让模型变小变快，又尽量不影响准确率。
2026-02-10 08:45:35
354
原创 三种剪枝算法流程
因为咱们只做图片分类用什么数据测？用大家公认的标准图片数据集（比如ImageNet），保证公平。用什么模型剪？就是前面说的 ResNet、MobileNet 这些常用网络。瘦了多少：参数少了多少、计算量少了多少；笨了多少：图片分类准确率掉了多少。好剪枝 = 又小又快，准确率还几乎没变。现在剪枝就三套路标准剪枝：先训大模型 → 剪 → 微调 → 循环剪（最常用）；采样剪枝：剪一堆小模型，挑最好的；搜索剪枝：AI 自己搜最优结构，一步到位。给网络安全减肥，又小又强。
2026-02-10 08:37:24
305
原创 残差网络 & 两种剪枝
残差结构 = 算个差值 + 原信息一串绑在一起的残差块 = 一个阶段只剪小零件 = 滤波器剪枝（会变沙漏）整段一起剪 = 阶段剪枝（均匀瘦身）两者搭配 = 又小又强的压缩模型。
2026-02-10 08:07:48
771
原创 读一下FLOPs的计算以及参数量公式+推导逻辑
FLOPs的定义+作用；卷积层[Cout, Cin, K]的记法+含义；一次乘加算2次浮点运算的规则；完整FLOPs公式（含偏置项）+ 每一项的含义；完整参数量公式（含偏置项）+ 每一项的含义；简化模型的所有条件（两层、K=3、步长1、普通卷积、无偏置）；简化后的FLOPs和参数量公式+推导逻辑。
2026-02-09 23:10:46
536
原创 知识蒸馏 大白话详解（适配YOLO/机器人轻量化场景）
知识蒸馏就是让轻量化小模型站在大模型的“肩膀上”，不用自己从头摸索，直接学到大模型的深层检测知识，最终实现「小模型的速度，大模型的精度」，是机器人等端侧设备目标检测轻量化的核心方法之一。
2026-02-09 11:03:32
359
原创 低秩近似大白话讲解（附落地视角）
低秩近似就是模型轻量化的「拆箱大师」，把卷积/全连接层里“又大又笨的大矩阵运算”，拆成“小巧灵活的小矩阵运算串联”，用几乎不丢精度的代价，让模型变轻、硬件提速；而且分解后模型结构依旧规整，普通硬件能直接用，是YOLO这类落地模型轻量化的主流方法，和结构化剪枝搭配使用，能完美满足机器人场景对“轻量、实时、高精度”的需求。
2026-02-09 10:45:55
441
原创 模型剪枝大白话讲解：结构化 vs 非结构化
拆零散的非结构化剪枝，更像“纸上谈兵”，理论数据好看，实际用不上；拆整块的结构化剪枝，才是工程落地（比如机器人的YOLO轻量化）的主流，能真正实现模型“又轻又快”。
2026-02-09 10:22:07
628
原创 YOLOv8n机器人场景目标检测实战｜第一周工作笔记2
✅ Ultralytics8.0+PyTorch2.1环境搭建完成，基于Conda管理，无版本冲突，可正常训练与推理；✅ 机器人场景COCO子集整理完毕，共8000张（7000训+1000验），YOLO标准格式，可被Ultralytics正常识别；✅ YOLOv8n基础训练跑通，50轮训练收敛良好，无报错，数据集与模型兼容性验证通过；✅ 小障碍物mAP@0.5=0.68≥65%，达标；模型参数量、推理速度等基础指标已记录；✅ 训练后模型可正常推理，输出机器人场景目标检测框，结果可视化正常。
2026-02-09 09:28:54
622
原创 YOLOv8n机器人场景目标检测实战｜第一周工作笔记1
基于Conda搭建Ultralytics8.0+PyTorch2.1专属环境，完成COCO2017机器人场景子集筛选（8000张，7000训+1000验），跑通YOLOv8n基础训练（epoch=50），小障碍物mAP≥65%，模型可正常输出推理结果，满足周验收全部目标。：全程使用Conda进行包管理与环境隔离，无pip命令使用，规避版本兼容问题；模型选用YOLOv8n（轻量化版本，适配机器人端算力限制），替代原计划YOLOv9n，核心实操逻辑一致。
2026-02-09 09:28:09
1005
原创 1小时吃透YOLOv9核心创新｜机器人场景轻量化适配指南
ELANv4骨干网络实现轻量化特征提取，C2fPN特征融合提升小目标检测精度，损失函数优化增强模型训练稳定性。与YOLOv8相比，YOLOv9在参数量减少15.6%的同时，推理速度提升17.9%小目标mAP提升3.4%，非常适合机器人室内小场景的目标检测任务。接下来的实操阶段，我将基于今天的理论学习，搭建Ultralytics8.0+PyTorch2.1环境，筛选COCO机器人场景子集，并进行YOLOv9n的基础训练。期待在实操中验证今天的学习成果，特别是C2fPN对小障碍物检测的提升效果。
2026-02-06 10:39:27
637
原创 《AI Flow: Perspectives, Scenarios, and Approaches》论文解读
家族模型：一组“尺寸不同但隐藏特征对齐”的模型，共享中间计算结果（无需额外中间件转换），可灵活切换以适配端、边、云硬件。关键优势：灵活伸缩：参数规模可从数百万（端侧）到数十亿（云端）调整；高效协作：小模型的中间特征可直接被大模型复用，减少重复计算与数据传输。AI Flow的核心创新在于打破AI与通信的技术壁垒，通过“硬件分层协同+模型家族适配+智能交互涌现”的三位一体设计，解决了大模型落地的“资源-通信”双重瓶颈。技术层面：首次提出标准化的AI-CT融合框架，为泛在智能提供可落地的技术路径；
2026-01-24 09:22:53
587
原创 高增长科技股投资法 核心内容深度拆解
最近读了《高增长科技股投资法》，我发现这个很不错，也很符合这次周期的内容。于是用AI生成了一个概要记录，给朋友们分享一下做个参考。有时间推荐去读一下原书，内容很有意思，可惜的就是很多时候晚上太困了，看的时候脑袋瓜不甚清晰。没有链接很多其它的内容。
2026-01-23 15:10:14
841
原创 大模型面试题91：合并访存是什么？原理是什么？
合并访存的核心：让同一个线程束的32个线程访问连续、对齐的全局内存地址，将32次分散请求合并成1~2次批量请求；底层原理：匹配GPU内存控制器的“批量处理规则”，充分利用内存带宽，减少访存请求次数；优化要点：线程索引和内存地址一一对应（步长=数据类型大小），保证起始地址对齐，避免跨步访问。对小白来说，合并访存是GPU编程中“投入最少、收益最大”的优化手段——只需调整线程访问地址的方式，就能让全局内存访存效率提升10倍以上，是写CUDA代码必须掌握的核心知识点。
2026-01-21 15:35:58
549
原创 大模型面试题90：half2，float4这种优化 与 pack优化的底层原理是什么？
核心原理：打包多个基础数据成一个单元，利用GPU的SIMD向量指令一次处理多个数据，同时减少内存访问次数，充分利用硬件宽度；收益来源：一是减少运算指令数（提升运算速度），二是减少内存访问次数（提升带宽利用率）；使用原则：优先用half2/float4（简单高效），常规浮点场景足够用；只有定制化场景（如int8量化）才需要通用pack优化。
2026-01-21 15:35:17
509
原创 大模型面试题89：GPU的内存结构是什么样的？
GPU内存的核心逻辑：速度和容量成反比，越靠近计算核心越快、越小，编程时要尽量让数据停在高层级（寄存器/共享内存）；程序员可控的内存：寄存器（少用临时变量避免溢出）、共享内存（优化访问避免Bank Conflict），这是GPU优化的重点；性能瓶颈点：全局内存访问速度慢，优化重点是“合并访问+减少访问次数”，多用共享内存缓存数据。对小白来说，不用一开始就掌握所有细节，先记住“金字塔模型”和“数据尽量待在快内存里”这两个核心，后续写CUDA代码时，就能针对性优化了。
2026-01-21 15:29:28
411
原创 大模型面试题88：cuda core的数量 与 开发算子中实际使用的线程 关系是什么？过量线程会发生什么情况？
核心关系：CUDA Core是硬件运算单元，线程是软件任务，线程数需适配SM资源（让占用率接近100%），而非和Core数相等；过量线程的后果：先导致资源不足、占用率下降（性能降），再增加调度开销（性能更差），极端情况程序崩溃；新手原则：线程块大小选32的倍数，总线程数设为SM最大线程数的总和，逐步测试找到最优值。对新手来说，不用追求“线程数越多越好”，先保证“线程数能让SM占满”，再微调优化，就能避开90%的线程相关问题。
2026-01-21 15:28:37
824
原创 大模型面试题87：CUDA出现bank conflict，应该怎么解决？
要理解bank conflict，先搞懂CUDA里的共享内存（Shared Memory）——这是GPU线程块（block）内所有线程共享的高速内存，速度比全局内存快几十倍，是CUDA优化的核心，但它的“存储结构”是导致冲突的关键。Bank Conflict本质：多个线程同时访问共享内存的同一个Bank，导致并行访问变成串行。核心解决思路：让线程访问的地址分散到不同Bank，优先用「调整访问模式」和「Padding」（最简单有效）。验证方法：用Nsight Compute查看冲突率，降到0%即解决。
2026-01-21 15:27:45
913
A TC Architecture of Embedded System Based on Improved TPM
2023-08-20
Technical Background of the Android Suspend Blockers Controversy
2023-02-22
DEN0021D-Trusted-Base-System-Architecture-Client
2023-01-02
DEN0056E-System-Control-and-Management-Interface-v3.2-BETA
2023-01-02
DEN0022E-Power-State-Coordination-Interface-BETA
2023-01-02
TRACE32工具的SiFive RISC-V调试和跟踪方案
2024-03-11
ChatGPT芯片算力：研究框架
2024-03-11
on-chip networks：片上网络（On-chip Networks）
2024-03-11
TEE and its Key Management：
2024-03-11
A new IoT Security certification scheme with trust signals
2023-09-02
Scalable Private Membership Test Using Trusted Hardware
2023-08-20
TCG Guidance for Secure of Software and Firmware on Embedded Sys
2023-08-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人