- 博客(801)
- 收藏
- 关注
RSS订阅原创 从 FlashAttention-1 到 FlashAttention-3：矩阵乘法如何砍掉 87% 访存
FlashAttention系列算法通过创新性的内存优化显著提升了Transformer注意力计算的效率。FlashAttention-1引入分块计算和重计算策略，避免了存储庞大的中间注意力矩阵，将访存量从O(N²)降至O(N)。FlashAttention-2进一步优化并行化和工作负载平衡，减少非矩阵乘法运算。这些技术使大语言模型处理长序列时内存消耗降低87%，计算速度提升2-4倍，为处理超长上下文提供了关键解决方案。
2026-01-08 15:06:17
482
原创 DeepSpeed-Ulysses 实战：在 8×A100 上把 176B 模型压缩到 24GB 显存
DeepSpeed-Ulysses 技术实战：8张A100训练176B大模型 摘要：本文详细介绍了如何利用DeepSpeed-Ulysses技术在8张A100显卡上高效训练1760亿参数大模型。传统并行策略面临显存不足的挑战，而Ulysses通过创新的序列并行技术，将输入序列分割到不同GPU处理，结合ZeRO-3优化器，成功将显存需求从352GB压缩到24GB以下。文章包含技术原理解析、环境搭建指南和完整代码实现，展示了模型配置、DeepSpeed参数设置以及训练脚本编写方法，为大规模语言模型训练提供了实用
2026-01-07 11:24:20
473
原创 教育大模型的认知过载风险：个性化推荐与学习者自主性的矛盾
未来的教育AI系统应该作为"认知伙伴"而非"决策代理"，其目标是增强而非取代人类学习者的能动性。通过实施本文讨论的技术策略和设计原则，我们可以创建一个既个性化又尊重学习者自主性的智能教育环境。
2026-01-06 11:21:53
932
原创 基于 YOLOv8 的学生课堂行为检测(举手、看书、写作业、玩手机)-完整项目源码
本文介绍了一个基于YOLOv8的学生课堂行为识别系统，旨在解决传统课堂行为监测中人工观察成本高、难以量化的问题。系统采用三层架构（数据层-模型层-应用层），利用YOLOv8模型实现对学生行为（如举手、玩手机等）的实时检测。文章详细阐述了数据集构建原则、模型训练策略、PyQt5界面设计等关键技术环节，强调系统注重工程实用性和可扩展性。该方案能将课堂行为转化为结构化数据，为教学评估提供客观依据，未来可扩展为更智能的教学决策支持系统。
2026-01-05 14:51:22
895
原创 【TextIn大模型加速器 + 火山引擎】实战博主教你手把手打造最强医疗报告单分析智能体Agent
这套医疗报告单分析智能体并非一次性产品，而是一种可持续迭代的工程范式：它强调架构分层而非模型堆叠，强调稳定性而非极限指标，强调可控边界而非“全自动决策”。在医疗这一高度谨慎的行业中，这种设计取向，往往比单点性能突破更具现实价值。
2026-01-04 11:53:50
28217
原创 从“能跑”到“好用”：一名 Python 开发者的工程化进阶之路
Python 早已不只是写脚本、跑数据的工具。后端服务AI Agent 编排层自动化平台核心语言数据与业务之间的“中枢层”区别只在于：你是用脚本方式，还是工程方式在写。如果你已经能写“能跑的 Python”，下一步，就是让它长期可跑、稳定可演进。Python 的真正价值不在于“写得快”，而在于能否支撑持续演进的工程实践。当代码从一次性脚本走向长期运行的系统，开发者必须从结构设计、职责拆分、性能意识和类型约束等方面进行系统性思考。
2026-01-04 00:28:46
1304
原创 基于 YOLOv8 的共享单车乱停放智能识别系统— 从数据集构建到可视化部署的完整项目
本文围绕共享单车/自行车乱停放这一典型的城市治理痛点，完整介绍了一套基于 YOLOv8 目标检测模型 + PyQt5 可视化界面 的智能识别系统。从问题背景出发，系统性地阐述了模型选型理由、数据集构建方式、训练与评估流程，以及多输入源（图片、视频、摄像头、批量文件）的工程化落地实现。该项目不仅在算法层面验证了 YOLOv8 在复杂街景下的高精度与实时性优势，更通过图形化界面降低了使用门槛，使模型真正具备可部署、可使用、可扩展的工程价值。整体方案兼顾技术深度与实用性，既可直接应用于智慧城管与共享单车监管场景，
2026-01-01 13:07:04
833
原创 基于 YOLOv8 的驾驶员疲劳状态识别系统实战（含完整源码与可视化界面）
本文介绍了一套基于YOLOv8的驾驶员疲劳状态识别系统，通过计算机视觉技术实时检测闭眼、打哈欠等疲劳行为。系统采用YOLOv8目标检测模型，具备高实时性和准确性，并集成PyQt5图形界面实现开箱即用。项目包含完整源码、预训练模型和数据集，支持图片/视频/摄像头等多种输入方式，可扩展部署到车载设备或监控系统。该系统相比传统方法成本更低、部署更灵活，为疲劳驾驶预警提供了实用解决方案。
2025-12-24 15:43:01
939
原创 基于 YOLOv8 的交通标识与设施识别系统（含完整源码）
本文介绍了一种基于YOLOv8的交通标识与设施智能识别系统。该系统采用深度学习技术，可精准检测人行横道、限速标志、停车标志和交通信号灯等4类关键交通目标，支持图像、视频和摄像头多种输入方式。系统包含完整的训练流程和PyQt5可视化界面，具有实时检测、高精度识别和易用性强等特点。文章详细阐述了YOLOv8模型在交通场景中的优势、数据集构建方法、模型训练与评估过程，以及桌面应用的设计思路。该系统可应用于智能交通监控、自动驾驶辅助等领域，并提供了扩展方向建议。项目提供完整源码、预训练模型和数据集，兼具科研价值和工
2025-12-24 14:51:33
1032
原创 基于深度学习的河道垃圾检测系统设计（YOLOv8）
本文设计了一种基于YOLOv8深度学习的河道垃圾检测系统，用于自动识别水体中的塑料瓶。系统采用PyTorch框架和PyQt5界面，实现图片/视频/摄像头实时检测功能。针对河道场景特点构建专用数据集，通过YOLOv8模型训练获得90%以上mAP@0.5的检测精度。该系统解决了传统人工巡查效率低、主观性强等问题，提供可量化、可追溯的智能监测方案，具备工程应用价值。未来可扩展多类垃圾识别、边缘设备部署等功能，为AI参与环境治理提供技术示范。项目包含完整源码、模型权重和数据集，具有较高复现性和实用价值。
2025-12-24 14:29:02
569
原创 从人工目检到 AI 质检-YOLOv8 驱动的 PCB 缺陷检测系统【完整源码】
本文介绍了一套基于YOLOv8的PCB缺陷检测系统，实现了从人工目检到AI质检的升级。系统采用YOLOv8模型，针对PCB常见的6类缺陷（如缺孔、短路等）进行检测，通过PyQt5构建了用户友好的桌面界面。文章详细阐述了系统架构、数据集构建、模型训练流程和推理方法，并展示了检测效果。该方案解决了传统人工检测效率低、一致性差等问题，具有高精度、实时性强的特点，适用于工业生产线质检、教学实验等多种场景。项目提供完整源码、预训练模型和数据集，支持进一步扩展优化。
2025-12-24 11:57:19
878
原创 基于 YOLOv8 的智能火灾识别系统设计与实现— 从数据集训练到 PyQt5 可视化部署的完整工程实践
本文设计并实现了一种基于YOLOv8的智能火灾识别系统，旨在解决传统传感器在复杂环境中响应滞后、误报率高的问题。系统采用"模型推理层+图形界面层"架构，通过2000+张涵盖多种场景的图像数据集训练模型，支持图片、视频、摄像头等多种输入方式。项目实现了90%以上的mAP@0.5准确率，并开发了PyQt5图形界面，使非技术人员也能便捷使用。系统具备开箱即用特性，包含完整源码、预训练权重和文档，可应用于智慧消防、工业安全等领域。未来可拓展多类别联合检测、边缘计算优化等功能，推动智能安全技术的实
2025-12-23 17:40:53
977
原创 面向课堂与自习场景的智能坐姿识别系统——从行为感知到可视化部署的完整工程【YOLOv8】
本文介绍了一种基于YOLOv8的智能坐姿识别系统，旨在解决学习办公环境中不良坐姿引发的健康问题。系统采用"检测模型+图形界面+推理引擎"三层架构，支持图片、视频、摄像头等多源输入，实时识别标准坐姿和不良坐姿（驼背/前倾）。通过PyQt5构建图形化界面，实现零命令行操作和结果可视化。系统训练采用YOLOv8模型，在验证集上mAP@0.5超过90%，具有实时性强、部署成本低等特点。该方案适用于智慧教室、健康办公等场景，并支持二次开发扩展更多姿态类别。项目提供完整源码、预训练模型和数据集，便于
2025-12-23 17:31:08
819
原创 基于深度学习的农业虫害自动识别系统：YOLOv8 的完整工程
本文介绍了一个基于YOLOv8的农业虫害智能检测系统，该系统能够识别102类常见害虫，实现高效准确的自动化监测。研究背景指出传统人工虫害识别存在效率低、主观性强等问题，而AI技术可有效解决这些痛点。系统采用YOLOv8目标检测模型，结合PyQt5图形界面，支持图片、视频、摄像头等多种输入方式，并提供可视化检测结果。文章详细阐述了20,000+图像数据集的构建过程、模型训练配置及性能评估方法（mAP@0.5达90%以上）。该系统具有实时性强、精度高、部署简单等特点，可应用于智慧农田监测、无人机巡检等场景，为智
2025-12-23 17:19:19
712
原创 基于 YOLOv8 的智能车牌定位检测系统设计与实现—从模型训练到 PyQt 可视化落地的完整实战方案
本文介绍了一个基于YOLOv8的车牌定位检测系统，提供从模型训练到PyQt5可视化部署的完整解决方案。系统采用YOLOv8目标检测模型，通过标准YOLO格式数据集训练，实现高精度的车牌定位功能。文章详细阐述了系统架构、模型原理、数据集构建、训练流程以及PyQt5图形界面的实现方法，并提供了可直接运行的代码方案。该系统具有实时检测、多种输入源支持、结果可视化展示等功能，适用于智慧交通、停车管理等场景，也可作为课程设计或毕业设计的参考项目。项目代码已开源，便于二次开发和扩展应用。
2025-12-23 17:12:33
541
原创 打破兼容局限：金仓数据库以部署、安全、性能革新重构核心引擎
金仓数据库（KingbaseES）在兼容主流数据库生态基础上，通过三大创新突破企业数字化转型痛点：智能部署实现"开箱即优"，自动匹配最佳参数配置；表字段级权限管控实现数据精准隔离，满足最高安全标准；性能洞察可穿透存储过程内部，精准定位代码行级瓶颈。这些创新使数据库从基础工具升级为战略伙伴，在确保业务连续性的同时，显著提升运维效率、安全水平和性能透明度。
2025-12-17 14:35:54
16613
原创 基于 Rokid CXR-S SDK 的智能提词器开发全解析——AI 应答辅助系统
在内容创作、直播及演讲场景中，“顺畅表达”往往比稿件内容本身更具决定性。传统提词器需要额外屏幕或设备，使用时不仅需要手动控制播放，还容易打断自然表达节奏。随着 Rokid AR 眼镜与 AI 大模型能力的成熟，我们终于可以把“提词器”这一工具沉入眼镜底层，让文本提示随用户视野自然跟随，让演讲体验真正进入免手持、低干扰的时代。
2025-11-28 14:54:43
1416
原创 华为CANN算子开发全解析：从基础概念到高性能数据排布
在深度学习领域，算子（Operator，简称OP）是模型计算的基本单元。每一个算子承载了特定的数学运算逻辑，例如卷积（Convolution）、池化（Pooling）、归一化（Softmax）、激活函数（ReLU）等。华为CANN（Compute Architecture for Neural Networks）框架提供了强大的算子支持，通过优化算子计算和数据存储方式，实现AI Core处理器上的高性能计算。本文将深入解析CANN算子的基本概念、张量结构、数据排布格式及高阶矩阵运算格式，帮助开发者系统掌握算
2025-11-27 20:13:43
1000
原创 昇腾CANN性能调优实战：从数据驱动到极致优化
随着AI计算的不断发展，华为昇腾AI处理器及其CANN算子开发框架在高性能算子实现和图优化中扮演着核心角色。本文将深入解析CANN算子开发的全流程，重点讲解入图阶段的Shape与DataType推导、数据依赖处理及动态输出Shape推导，为开发者提供实践参考。
2025-11-27 20:10:42
1041
原创 华为CANN多核Tiling算子开发详解
随着AI算力需求的不断增长，如何高效利用华为Ascend处理器的多核计算能力，成为算子开发的关键技术点。在CANN（Compute Architecture for Neural Networks）框架下，算子开发不仅关注功能实现，更强调性能优化与多核协作。本文将以一个典型的Add算子为例，深入解析在Ascend C方式下，多核Tiling算子开发的设计思路、实现流程及运行验证。
2025-11-27 18:30:53
1079
原创 深入解析华为CANN算子开发：从Tiling到Kernel实现
在AI算子开发中，性能优化与硬件利用率是核心关注点。华为昇腾（Ascend）平台的CANN（Compute Architecture for Neural Networks）提供了一套高效的算子编程框架，使开发者能够充分发挥NPU的计算能力。本文将从算子设计、Tiling策略、核函数实现到临时内存管理等方面，对华为CANN算子开发进行深入解析，并结合矢量算子和bfloat16数据类型的实现案例，为读者呈现完整的算子开发流程。
2025-11-27 18:27:35
1030
原创 超越Pow范式：在昇腾AI处理器上实现高性能自定义算子的系统化策略
随着人工智能算力的不断提升，算子作为AI模型计算的最小单元，其高效开发和优化显得尤为关键。华为Ascend平台的CANN（Compute Architecture for Neural Networks）为开发者提供了完善的算子编程框架，使得在Ascend AI处理器上实现高性能算子成为可能。本文将深入解析CANN算子开发的编程接口、基础与高阶API、Host端Tiling机制及调测手段，帮助开发者系统掌握Ascend算子开发方法。
2025-11-27 18:23:51
1043
原创 昇腾算力赋能：解密高性能算子与MoE模型落地新范式
随着AI计算需求的爆炸式增长，算子性能优化成为神经网络推理和训练中的关键环节。华为昇腾（Ascend）平台的CANN（Compute Architecture for Neural Networks）为开发者提供了丰富的算子开发框架，其中静态Tensor编程范式因其低运行时开销和灵活性而备受关注。本文将深入解析静态Tensor编程的设计理念、内存管理策略、同步控制机制及流水优化方法，帮助开发者掌握在Ascend C环境下实现高性能算子的关键技术。
2025-11-27 18:19:00
1062
原创 深入解析华为CANN算子编程范式：从矢量到融合算子
在AI加速器领域，算子的高效实现是性能优化的关键。华为昇腾CANN（Compute Architecture for Neural Networks）通过其独特的算子编程范式，为开发者提供了高性能算子实现框架。本文将从CANN的抽象硬件架构出发，系统讲解三类典型算子——矢量算子、矩阵算子以及融合算子——的编程模式，并结合示例解析其实现机制。
2025-11-27 18:10:43
1457
原创 深入解析华为Ascend CANN算子开发：核函数的定义与调用
本文系统介绍了华为Ascend CANN平台的算子开发核心技术——核函数的定义与调用方法。详细解析了核函数的特殊语法要求（__global__和__aicore__修饰）、参数规范（__gm__指针修饰）以及异步调用机制（<<<...>>>语法）。同时阐述了执行配置参数blockDim的设置规则和模板核函数的使用技巧。文章还介绍了2025年昇腾CANN训练营的系列课程和认证活动，帮助开发者快速掌握算子开发技能，充分利用Ascend AI处理器的硬件优势，实现高性能深度学习
2025-11-27 17:57:59
988
原创 掌握数学魔术：用多项式拟合在Ascend C中实现任意激活函数
随着人工智能计算需求的快速增长，硬件与软件的高效协同成为提升AI性能的关键。华为昇腾AI处理器（Ascend AI Processor）通过CANN（Compute Architecture for Neural Networks）框架，为开发者提供了高性能、可扩展的算子开发能力。在本文中，我们将深入解析昇腾AI Core的抽象硬件架构，并探讨算子开发中如何利用这些硬件特性实现高效计算。
2025-11-27 17:54:44
1274
原创 华为CANN自定义算子开发全流程解析 —— 以Add算子为例
2025年昇腾CANN训练营第二季，基于CANN开源开放全场景，推出0基础入门系列、码力全开特辑、开发者案例等专题课程，助力不同阶段开发者快速提升算子开发技能。获得Ascend C算子中级认证，即可领取精美证书，完成社区任务更有机会赢取华为手机，平板、开发板等大奖。Ascend C算子分析与设计；核函数的多核并行与流水线实现；Host端调用及结果验证。理解多核并行、数据切块（Tiling）以及流水线编程是高效实现Ascend算子的核心。
2025-11-27 17:51:05
1234
原创 深度强化学习的离线策略评估：重要性采样与双重机器学习
在强化学习（RL）中，策略评估是核心任务之一。传统方法依赖在线交互，这在许多现实场景（如医疗、金融、自动驾驶）中成本高昂甚至不可行。离线策略评估（Off-Policy Evaluation, OPE）应运而生，它利用历史数据评估新策略，无需额外交互。，并通过代码实例展示如何实现它们。
2025-11-25 16:03:33
871
原创 量子机器学习核方法的经典模拟复杂度下界
量子机器学习核方法的经典模拟复杂度下界 摘要：本文探讨量子机器学习中核方法的计算优势及其经典模拟的理论下限。经典核方法面临Gram矩阵构造的O(n²)复杂度问题，而量子计算机通过量子态的高维特性(2^n维度)能高效实现核计算。研究表明，某些量子核方法产生的特征空间维度随量子比特数指数增长，这使经典模拟需要指数级资源。理论上，当量子特征映射达到足够深度和复杂度时，其经典模拟将面临计算复杂性下界，可能构成BQP类问题的天然屏障。该研究为量子机器学习能否超越经典方法提供了理论基础。
2025-11-20 16:29:50
788
原创 零知识证明与深度学习：打造可验证的AI推理新时代
摘要： 零知识证明（ZKP）与深度学习的结合正在解决AI系统的可验证性和隐私保护问题。zkPyTorch等新型编译器通过三大关键技术突破：模型预处理（转为ONNX格式）、ZKP友好量化（浮点转整数运算）和分层电路优化，使AI开发者无需改变编程习惯即可构建可验证模型。在医疗图像分类等关键应用中，该技术能确保推理过程的正确性，同时保护模型知识产权和用户隐私。硬件加速和证明系统效率的提升（证明生成缩短至秒级）使得这一技术具备了实际应用价值，为金融、医疗等领域的可信AI决策提供了新范式。
2025-11-19 18:12:54
756
原创 因果推断中的do-calculus与强化学习策略评估
本文深入探讨了因果推断中的do-calculus在强化学习策略评估中的应用。通过理论分析和代码实例，我们展示了如何利用因果推断方法在不需要实际执行策略的情况下评估其性能，这在许多现实场景中具有重要价值。
2025-11-18 15:44:59
842
原创 多模态对齐的表示学习：统一对比散度框架详解
本文探讨了多模态对齐表示学习的统一对比散度框架。针对多模态数据间的符号异构性、上下文差异性和抽象层级不匹配等核心挑战，该框架采用多线性内积相似度度量和灵活的负采样策略，实现不同模态在共享语义空间中的有效对齐。文章详细介绍了框架的理论基础，包括对齐与均匀性的平衡机制，以及O(N)和O(N²)两种负采样策略。通过Python代码示例展示了多模态编码器设计和统一对比损失的具体实现，为研究人员提供了可直接应用的解决方案。该框架能够灵活处理从两个到任意多个模态的对比学习任务，在保持计算效率的同时实现高效的跨模态语义对
2025-11-16 16:20:09
703
原创 大模型参数高效微调：LoRA低秩适配的秩选择理论
LoRA秩选择是大模型高效微调中的关键环节。通过理论指导与实践验证相结合的系统化方法，我们可以在保持模型性能的同时，大幅提升参数效率和训练速度，为大模型的广泛应用奠定基础。随着研究的不断深入，我们期待出现更加自动化、理论更加严谨的秩选择方法，进一步推动大模型技术的发展。
2025-11-15 17:19:02
1034
原创 神经正切核(NTK)视角下的无限宽网络训练动力学
神经正切核(NTK)理论揭示了无限宽神经网络训练动力学的数学本质，将非线性网络训练过程转化为线性动力学问题。当网络宽度趋近无限时，其训练过程由恒定的NTK矩阵决定，网络输出演化遵循线性微分方程。该理论架起了神经网络与核方法的桥梁，为理解深度学习的泛化、优化等提供了理论工具。通过代码实现可计算具体网络的NTK矩阵，并模拟其训练动力学，验证了理论预测。NTK理论不仅深化了对神经网络的理解，也为算法设计提供了新思路。
2025-11-15 17:11:40
729
原创 扩散模型反向过程的变分推断误差分析
本文分析了扩散模型反向过程中的变分推断误差问题，揭示了误差的主要来源：分布假设偏差、分数匹配误差、数值离散化误差和目标函数近似偏差。通过理论建模和Wasserstein距离等度量工具，量化了不同误差对生成质量的影响。文中还提供了PyTorch实现的简单扩散模型代码，展示了如何计算变分推断误差（近似后验与真实后验的KL散度），为误差分析和控制提供了实用方法。这些分析有助于改进扩散模型的反向过程算法设计，提高生成样本的质量和稳定性。
2025-11-14 18:28:10
1058
原创 持续学习中的突触重要性估计：费雪信息矩阵的近似误差
本文探讨了持续学习中的突触重要性估计方法，特别是基于费雪信息矩阵的技术。持续学习面临灾难性遗忘的核心挑战，而受生物突触可塑性启发的突触重要性估计方法能有效缓解这一问题。文章详细介绍了费雪信息矩阵的理论基础和在持续学习中的应用，分析了其近似误差来源（对角化误差、有限样本误差和任务间干扰），并提供了基于费雪信息的持续学习算法实现。实验部分展示了在Split MNIST数据集上的应用实例，包括神经网络实现、费雪信息估计方法和包含EWC正则项的损失函数计算。这些技术使模型能在学习新任务时保护对旧任务重要的参数，从而
2025-11-14 18:20:50
619
原创 图神经网络表达能力：从WL测试到高阶同态卷积
本文探讨了图神经网络（GNN）的表达能力理论基础，重点分析了Weisfeiler-Lehman（WL）测试与GNN的关系。文章首先介绍了图同构问题和经典的1维WL测试算法，通过Python代码展示了WL测试的核心流程及其局限性——无法区分某些正则图。随后分析了GNN的消息传递框架与WL测试的等价性，指出基本GNN的表达能力上限与1维WL测试相当。文章还提供了GNN的PyTorch实现示例，展示其如何通过消息传递、聚合和更新机制处理图结构数据。这些理论分析为理解GNN的能力边界和进一步发展高阶表达模型奠定了基
2025-11-13 10:04:42
837
原创 对比学习下游任务性能的信息论下界研究
本文研究了对比学习在下游任务性能中的信息论下界问题。通过信息论框架分析表明，下游任务性能下界由多个互信息量决定：表示与视角的互信息I(U;Y)、原始数据与视角的互信息I(X;Y)、以及视角与标签的互信息I(Y;Z)。在X和Y关于Z条件独立的假设下，我们建立了明确的下界表达式I(U;Z) ≥ I(U;Y) - I(X;Z) + I(Y;Z)。实验验证部分提供了互信息估计和性能下界计算的具体实现，为理论分析提供了实际支撑。这些结果为理解对比学习的本质特性及其在下游任务中的表现提供了理论依据。
2025-11-13 09:53:54
731
原创 强化学习中的遗憾界：从线性MDP到一般函数逼近
本文探讨了强化学习中的遗憾界理论，从线性MDP到一般函数逼近。介绍了线性MDP下LSVI-UCB算法的实现，该算法可获得O(dH√K)的遗憾界。对于更一般的函数逼近，提出了基于神经网络的NeuralUCB方法，通过贝尔曼埃尔波斯维度和不确定性量化来处理复杂函数类。文章提供了完整的算法实现代码，包括特征映射、参数更新和动作选择机制。理论分析表明，在适当假设下，这些方法能保证次线性遗憾增长，为强化学习的理论保证提供了重要见解。
2025-11-12 09:58:52
800
原创 联邦学习中的模型异构性：个性化聚合算法收敛界综述
联邦学习作为一种新兴的分布式机器学习范式，能够在保护数据隐私的前提下，利用分布在多个设备或机构的数据协同训练模型。其核心理念是，即原始数据保留在本地，仅通过交换模型参数或梯度更新来实现协同训练。然而，联邦学习在实际部署中面临诸多挑战，其中是一个关键问题。模型异构性指的是联邦学习中不同客户端由于数据分布、系统资源或模型结构的差异而导致的统计和系统异质性问题。具体表现为：统计异质性（）、系统异质性（设备计算能力、存储容量和网络连接的差异）以及模型异质性（不同客户端可能使用不同的模型架构）。
2025-11-11 16:20:12
754
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