上一页 1 2 3 4 5 6 7 8 9 ··· 81 下一页
2026年7月24日
PyTorch 2.x 深度学习专题【左扬精讲】—— Flash Attention原理：分块计算与重计算，如何降低O(n^2)的显存占用
摘要： PyTorch 2.x 深度学习专题【左扬精讲】—— Flash Attention原理：分块计算与重计算，如何降低O(n^2)的显存占用 Flash Attention v1 (Tri Dao, 2022) ← 分块计算 + 在线softmax Flash Attention v2 (Tri Da 阅读全文
posted @ 2026-07-24 17:45 左扬 阅读(42) 评论(0) 推荐(0)
PyTorch 2.x 深度学习专题【左扬精讲】—— 位置编码详解：正弦位置编码、相对位置编码、旋转位置编码（RoPE）
摘要： PyTorch 2.x 深度学习专题【左扬精讲】—— 位置编码详解：正弦位置编码、相对位置编码、旋转位置编码（RoPE） torch.nn.Embedding ← 可学习位置编码的底层实现 torch.nn.functional.scaled_dot_product_attention ← 现代 A 阅读全文
posted @ 2026-07-24 15:58 左扬 阅读(40) 评论(0) 推荐(0)
2026年7月23日
PyTorch 2.x 深度学习专题【左扬精讲】—— Attention机制：为什么需要注意力，如何计算
摘要： PyTorch 2.x 深度学习专题【左扬精讲】—— Attention机制：为什么需要注意力，如何计算 先说核心结论 Attention是序列建模中最核心的动态加权机制。它用三个角色（Query、Key、Value）描述了"我要查什么、查什么资料、查到什么"的完整流程，并将这种"软检索"转化为可微 阅读全文
posted @ 2026-07-23 21:56 左扬 阅读(53) 评论(0) 推荐(0)
PyTorch 2.x 深度学习专题【左扬精讲】—— Seq2Seq模型：编码器-解码器架构
摘要： PyTorch 2.x 深度学习专题【左扬精讲】—— Seq2Seq模型：编码器-解码器架构详解 先说核心结论 Seq2Seq是现代序列建模的起点。它用 "编码器-解码器" 架构解决了变长序列映射问题：编码器将任意长度的输入压缩为固定向量，解码器从向量生成变长输出。这个看似简单的设计，为注意力机制和 阅读全文
posted @ 2026-07-23 18:41 左扬 阅读(44) 评论(0) 推荐(0)
PyTorch 2.x 深度学习专题【左扬精讲】—— LSTM与Transformer：从RNN基础到注意力机制
摘要： PyTorch 2.x 深度学习专题【左扬精讲】—— LSTM与Transformer：从RNN基础到注意力机制 先说核心结论：需要学，但优先级、学习深度不一样；不是有Transformer就可以彻底扔掉LSTM。 做学术/算法研发、面试、理解时序底层原理，必须学LSTM；工程落地、只做大模型文本任 阅读全文
posted @ 2026-07-23 18:06 左扬 阅读(84) 评论(0) 推荐(0)
2026年7月20日
Hermes Agent 源码专题【左扬精讲】——Profile 多实例隔离机制
摘要： Hermes Agent 源码专题【左扬精讲】——Profile 多实例隔离机制 前置知识：建议熟悉 hermes_constants.py 的路径解析，理解 get_hermes_home() 如何基于环境变量返回隔离的目录。 学习目标：读完本文后，能够独立在源码中找到 hermes_cli/pr 阅读全文
posted @ 2026-07-20 18:29 左扬 阅读(77) 评论(0) 推荐(0)
Hermes Agent 源码专题【左扬精讲】—— 24 个平台适配器：从 TG 长轮询到 Weixin AES-CDN
摘要： Hermes Agent 源码专题【左扬精讲】—— 24 个平台适配器：从 TG 长轮询到 Weixin AES-CDN 这是 Hermes Agent 源码专题【左扬精讲】系列 第 10 篇。 本篇是 Layer 5 平台适配器层 —— 前一篇讲了 BasePlatformAdapte 阅读全文
posted @ 2026-07-20 16:31 左扬 阅读(36) 评论(0) 推荐(0)
2026年7月19日
PyTorch 2.x 深度学习专题【左扬精讲】—— CNN 的正向传播：从输入图像到类别概率的完整链路
摘要： PyTorch 2.x 深度学习专题【左扬精讲】—— CNN 的正向传播：从输入图像到类别概率的完整链路 卷积神经网络（Convolutional Neural Network，CNN）已经在图像分类、目标检测、语义分割等视觉任务中取得突破性成果。无论网络结构如何演进（LeNet → VGG → R 阅读全文
posted @ 2026-07-19 18:53 左扬 阅读(30) 评论(0) 推荐(0)
PyTorch 2.x 深度学习专题【左扬精讲】—— 池化层的工作原理：从下采样到特征聚合
摘要： PyTorch 2.x 深度学习专题【左扬精讲】—— 池化层的工作原理：从下采样到特征聚合 在卷积神经网络（CNN）中，卷积层负责从输入中学习局部特征，但仅靠堆叠卷积很难解决两个核心问题：特征图尺寸过大导致计算量爆炸，以及对小幅平移、旋转过于敏感。 池化层（Pooling Layer）正是为这两个问 阅读全文
posted @ 2026-07-19 17:57 左扬 阅读(51) 评论(0) 推荐(0)
PyTorch 深度学习专题【左扬精讲】—— 注意力机制与 Transformer：在视觉任务中超越 CNN
摘要： PyTorch 深度学习专题【左扬精讲】—— 注意力机制与 Transformer：在视觉任务中超越 CNN 从 ResNet 到 Faster R-CNN，我们见证了 CNN 在视觉任务中的强大能力。但近年来，注意力机制（Attention Mechanism）和 Vision Transform 阅读全文
posted @ 2026-07-19 01:09 左扬 阅读(58) 评论(0) 推荐(0)
上一页 1 2 3 4 5 6 7 8 9 ··· 81 下一页