RedMoon / 训练日志

智能计算系统

9 篇

  1. Day 9

    智能计算系统 Day9:大模型工具链、AI 芯片与量化加速

    从 Token、RAG、MCP 与 Skill 的系统分工,走向 AI 芯片的计算和访存瓶颈,用代码与算例解释量化、存储和实际加速。

  2. Day 8

    智能计算系统 Day8:Transformer 架构、多模态与智能体系统

    从 QKV、多头与因果掩码,梳理语言模型架构、图文对齐、机器人动作和工具调用。

  3. Day 7

    智能计算系统 Day7:从文本序列到扩散生成与机器人动作

    从 RT-2、π0 系列到扩散采样和 RNN,梳理动作、图像与文本序列的表示方式。

  4. Day 6

    智能计算系统 Day6:目标检测、风格迁移与生成模型

    从 IoU、AP 与 R-CNN、YOLO 的检测计算,到固定网络的风格迁移、对抗生成和逐步去噪。

  5. Day 5

    智能计算系统 Day5:卷积网络的计算机制与视觉模型演进

    从局部连接与权重共享出发,推导卷积、池化和感受野的计算,梳理 AlexNet 到 ViT 的视觉网络演进。

  6. Day 4

    智能计算系统 Day4:多层神经网络的训练与优化

    从三输入小网络的一轮训练走起,逐个拆开链式法则、激活函数取舍、MSE 与交叉熵的分工,再落到过拟合正则化与大模型时代的训练数据构建。

  7. Day 3

    智能计算系统 Day3:神经网络怎样预测、学习与表示特征

    从线性回归和感知机理解损失与梯度,再用 XOR、激活函数和参数量计算说明多层网络的表达能力与计算成本。

  8. Day 2

    智能计算系统 Day2:从模型扩展到自动化系统设计

    从模型扩展到自动化系统设计

  9. Day 1

    智能计算系统 Day1:大模型背后的计算、存储与通信

    大模型背后的计算、存储与通信

返回课堂