<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[与神共舞]]></title><description><![CDATA[与神共舞]]></description><link>https://blog.youkuaiyun.com/u010069760</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u010069760]]></copyright><item><title><![CDATA[Fall 2026 @ Carnegie Mellon University 11-768: AI Agents]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/169750778</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/169750778</guid><author>u010069760</author><pubDate>Sat, 07 Nov 2026 05:00:47 +0800</pubDate><description><![CDATA[CMU AI Agents 学习笔记：从 Agent 基本闭环延伸到 Planning、任务分解、模型路由与动态任务图，结合 Coding Agent 场景讨论交接、验证、证据失效及反馈重规划，并给出待执行的对照实验设计。]]></description><category></category></item><item><title><![CDATA[MLE-VLM]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/168884923</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/168884923</guid><author>u010069760</author><pubDate>Sat, 24 Oct 2026 03:03:20 +0800</pubDate><description><![CDATA[Visual Instruction Tuning（视觉指令微调）是在图像或其他视觉输入与自然语言指令共同构成的数据上，对多模态模型进行指令遵循训练，使模型不仅能够识别图像内容，还能够根据用户的问题选择合适的信息、组织回答并进行多轮对话。它和最初的 Vision-Language Alignment 不同：Alignment 主要解决视觉表示能否被语言模型有效使用，而 Instruction Tuning 进一步学习“面对不同视觉任务应该如何回答”。]]></description><category></category></item><item><title><![CDATA[MLE-SHAP (SHapley Additive exPlanations)]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/168777951</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/168777951</guid><author>u010069760</author><pubDate>Fri, 23 Oct 2026 02:52:35 +0800</pubDate><description><![CDATA[SHAP 的解释模型是线性的，不意味着原始模型必须是线性的即使原始模型具有高度复杂的非线性关系，我们仍然可以使用加性形式分配某个预测的贡献。]]></description><category></category></item><item><title><![CDATA[LLM Quantization]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/168774921</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/168774921</guid><author>u010069760</author><pubDate>Fri, 23 Oct 2026 02:05:51 +0800</pubDate><description><![CDATA[量化通过降低模型权重和激活值的精度（如FP16→INT8/INT4）减少内存占用与带宽需求，提升推理效率，但可能引入误差。PTQ无需训练，部署快；QAT通过模拟量化误差提升质量。GPTQ利用二阶信息补偿误差，AWQ基于激活统计保护关键通道，SmoothQuant则通过权重-激活协同优化实现W8A8量化。敏感层多为注意力投影与前馈网络。INT4未必提速，因受硬件支持、解量化开销等影响。KV缓存量化需评估质量、数值稳定性与性能。层级敏感性分析可定位薄弱环节。即使困惑度相近，工具调用准确率下降仍需关注结构化输出可]]></description><category></category></item><item><title><![CDATA[MLE 基础学习手撕 ml dl]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/167601000</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/167601000</guid><author>u010069760</author><pubDate>Mon, 12 Oct 2026 05:15:10 +0800</pubDate><description><![CDATA[【代码】MLE 基础学习手撕 ml dl。]]></description><category></category></item><item><title><![CDATA[CS229 Linear regression]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/167398969</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/167398969</guid><author>u010069760</author><pubDate>Sat, 10 Oct 2026 06:28:10 +0800</pubDate><description><![CDATA[根据nodes复习知识点 chatgpt 大哥挖掘面试问题。]]></description><category></category></item><item><title><![CDATA[MLE 基础学习Linear Algebra ]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/167283324</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/167283324</guid><author>u010069760</author><pubDate>Fri, 09 Oct 2026 02:39:27 +0800</pubDate><description><![CDATA[记住两个几何意义，面试常考：点积 = |a||b|cosθ（测相似/投影），叉积的模 = |a||b|sinθ（测垂直分量，方向按右手定则）。在 Transformer 的 Scaled Dot-Product Attention 中，核心使用的是，本质上是高维向量间的点积（Dot Product）批处理运算。经典信号处理：通过正交投影进行声源分离（Blind Source Separation / Beamforming）在麦克风阵列与前端信号增强中，正交性最直接的用途确实是正交性主要用于。]]></description><category></category></item><item><title><![CDATA[MLE 高级 Large-scale matrix operations GPU]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/167289852</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/167289852</guid><author>u010069760</author><pubDate>Fri, 09 Oct 2026 02:38:58 +0800</pubDate><description><![CDATA[本文结合真实AI Infra workload 与公开面试经验，系统梳理GPU性能优化核心议题：从稀疏矩阵乘慢于密集GEMM、COO/CSR/CSC存储格式选择，到GNN内存瓶颈、邻居聚合优化与负载不均；深入解析算术强度、Roofline模型、计算/内存瓶颈判定；涵盖CUDA优化关键点如分块提升GEMM、合并访问、共享内存冲突、线程发散与占用率；并探讨BF16/FP16、INT8量化、FlashAttention加速机制、KV缓存计算、注意力架构（MHA/GQA/MQA）差异；最后分析数据并行、张量并行、流]]></description><category></category></item><item><title><![CDATA[MLE 基础学习 Transformer]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/167283742</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/167283742</guid><author>u010069760</author><pubDate>Thu, 08 Oct 2026 22:54:00 +0800</pubDate><description><![CDATA[能解释算法原理、给出必要的数学推导、估算计算与显存成本、描述 GPU 上的执行方式，并讨论真实系统中的 Trade-off需要从四个层次建立知识体系：Mathematical Foundations：为什么设计成这样？能否严格推导？有什么假设与局限？Model Architecture：数据怎样流过 Transformer？不同架构的计算量、参数量和表达能力如何？Hardware and Systems：算子如何映射到 GPU？]]></description><category></category></item><item><title><![CDATA[Python coding sliding window]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/166950226</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/166950226</guid><author>u010069760</author><pubDate>Thu, 01 Oct 2026 23:23:26 +0800</pubDate><description><![CDATA[滑动窗口核心在于维护一个动态区间 [left, right]，通过 right 扩张、left 收缩，结合状态（state）与有效性判断（valid/invalid condition）实现高效求解。关键在于明确窗口所代表的含义、需维护的状态（如 set、freq map、sum、zero_count 等）、valid 条件、收缩时机及答案更新时机。分为变长（Variable-size）与定长（Fixed-size）两类，典型模板分别为：扩张 → 更新状态 → 收缩至合法 → 更新答案；或加入右端 → 超限]]></description><category></category></item><item><title><![CDATA[Agent错误分析]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/166740184</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/166740184</guid><author>u010069760</author><pubDate>Sun, 27 Sep 2026 21:31:43 +0800</pubDate><description><![CDATA[Muse-Agent最危险的失败源于不确定性未消除时的执行，而非推理能力不足。当生成多个相似artifacts（如时政与科技新闻视频）时，系统因metadata区分度低、记忆与状态混杂、引用指代模糊等问题，导致“播放科技新闻”误播时政内容。根本症结在于：自然语言指代（如“那个”“前一个”）未能精准绑定唯一artifact ID。解决需分离语义记忆与结构化资源库，引入多维度评分机制（语义+结构+状态一致性），实现不确定性降低后再执行，避免盲目依赖LLM推断。]]></description><category></category></item><item><title><![CDATA[Python 环境]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/166694191</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/166694191</guid><author>u010069760</author><pubDate>Sun, 27 Sep 2026 01:21:42 +0800</pubDate><description><![CDATA[LangGraph Agent Workflow LangGraph 负责“Agent 内部怎么思考、怎么调用工具、怎么流转状态”。普通 Web、API、脚本项目很适合 FastAPI Flask Django CLI automation。缺点是它只主要管理 Python 层，底层 C/C++ library、CUDA、系统库等不太管。FastAPI FastAPI 负责“别人怎么调用你的 Agent”。优点是简单、轻量、Python 官方自带。这样FastAPI 接收到用户请求 {]]></description><category></category></item><item><title><![CDATA[Python coding + ML + general coding ability]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/166493509</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/166493509</guid><author>u010069760</author><pubDate>Wed, 23 Sep 2026 22:19:23 +0800</pubDate><description><![CDATA[链表核心在于指针操作而非索引访问。解题关键为：移动与重连节点。高频模式可归纳为五大基础模板：遍历（curr=curr.next）、找中点（慢快指针）、找倒数第K个（快先走K步）、反转（prev/curr/nxt三指针）、合并/删除（dummy/tail或prev.next）。复杂题多为这些原语的组合，如重排链表 = 找中点 + 切分 + 反转后半 + 交替合并。牢记：链表问题本质是链路重构，核心是修改 next 指针。]]></description><category></category></item><item><title><![CDATA[python]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/166414907</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/166414907</guid><author>u010069760</author><pubDate>Wed, 23 Sep 2026 21:26:50 +0800</pubDate><description><![CDATA[map()函数对可迭代对象中每个元素应用指定函数，返回一个惰性求值的迭代器。结合lambda可实现简洁的匿名函数操作，如map(lambda x: x*2, nums)。注意map迭代器仅可消费一次，且其惰性特性节省内存，适合处理大数据。常用于字符串转数字、排序键定义等场景，与列表推导式功能相似但更高效。]]></description><category></category></item><item><title><![CDATA[大模型基础知识-LoRA与QLoRA]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/140450031</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/140450031</guid><author>u010069760</author><pubDate>Mon, 15 Jul 2024 22:03:23 +0800</pubDate><description><![CDATA[QLoRA (Quantized Low-Rank Adaptation) 是一种结合了模型量化和低秩适配的技术，旨在减少大规模预训练模型微调和部署的计算和存储成本。参数高效：通过这种方式，只需微调少量参数（即低秩矩阵的参数），而非整个模型的参数，从而大大降低了存储和计算成本。低秩适配 (LoRA)：在量化后的模型上应用低秩适配技术，仅微调少量附加的低秩矩阵，从而保持微调的高效性。低秩适配：在量化后的模型基础上进行低秩适配，通过引入低秩矩阵来进行微调，从而节省参数数量和计算开销。]]></description><category></category></item><item><title><![CDATA[cuda version 管理--cuda pytorch 版本不匹配]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/134985926</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/134985926</guid><author>u010069760</author><pubDate>Thu, 14 Dec 2023 05:15:45 +0800</pubDate><description><![CDATA[不同项目设置不同的cuda版本 YYDS。]]></description><category></category></item><item><title><![CDATA[LLM 面试总结]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/134368807</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/134368807</guid><author>u010069760</author><pubDate>Mon, 13 Nov 2023 03:29:07 +0800</pubDate><description><![CDATA[网站瞅一瞅。]]></description><category></category></item><item><title><![CDATA[cuda PyTorch]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/133849951</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/133849951</guid><author>u010069760</author><pubDate>Fri, 20 Oct 2023 05:51:55 +0800</pubDate><description><![CDATA[如未安装，下载对应的cuda版本安装 不要安装驱动



下载对应的cuda

cuda pytorchcuda 下载Pytorch深度学习实战3-1：最新Windows/Ubuntu双系统Pytorch图文安装教程-优快云博客]]></description><category></category></item><item><title><![CDATA[deep generative model]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/128245199</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/128245199</guid><author>u010069760</author><pubDate>Thu, 21 Sep 2023 20:51:01 +0800</pubDate><description><![CDATA[https://towardsdatascience.com/understanding-variational-autoencoders-vaes-f70510919f73]]></description><category></category></item><item><title><![CDATA[depth estimation datasets]]></title><link>https://blog.youkuaiyun.com/u010069760/article/details/131648568</link><guid>https://blog.youkuaiyun.com/u010069760/article/details/131648568</guid><author>u010069760</author><pubDate>Thu, 21 Sep 2023 20:50:16 +0800</pubDate><description><![CDATA[nyu v2$ cd ~/workspace/bts
$ python utils/download_from_gdrive.py 1AysroWpfISmm-yRFGBgFTrLy6FjQwvwP ../dataset/nyu_depth_v2/sync.zip
$ unzip sync.zip]]></description><category></category></item></channel></rss>