暂无搜索历史
过去几年，我们在热烈讨论大模型。无论是 GPT、Claude、Gemini，还是国内的千问、文心、通义——它们代表了智能的「大脑」。 但我们逐渐意识到：大脑不...
人机交互的历史，其实是一部“翻译史”。 从最初的打孔卡、汇编代码，到命令行（CLI），再到图形界面（GUI），我们一直在让机器“听懂人话”的路上前行。
我们每天上网——打开浏览器、输入网址、发消息、视频通话——看似轻而易举。可在这条看不见的网络背后，信息如何准确地从我的电脑“跑”到地球另一端？
当我们回顾这几年深度学习的发展，会发现一个明显的趋势——AI 不再只是“一个模型”，而正在成为“一个系统”。
在过去的几年中，AI的发展速度令所有人目不暇接： 从卷积网络征服图像识别，到Transformer统治自然语言处理； 从ChatGPT点燃语言智能的时代，到...
在深度学习的发展历程中，卷积网络学会了「看」，Transformer 学会了「读」，而生成模型学会了「写」。 但智能的终极形态，不仅是理解与表达，还包括「行动...
深度学习的发展轨迹，其实是一条不断拓宽「输入维度」的曲线。 从最早的 图像识别（CNN） 到 语音识别（RNN、CTC），再到 自然语言处理（Transfor...
当人类阅读一幅漫画、听一段音乐、看一场电影时，我们的大脑在同时处理图像、语言、声音、情绪等多种模态。 而过去十年，深度学习的进步几乎都是“单模态”的：
在深度学习训练的世界里，优化算法 是模型能否成功学习的核心。 神经网络的本质，是一个巨大的参数空间搜索问题。我们希望找到那组参数，使得模型在训练集与验证集上都...
深度学习训练的最后阶段，往往并不是算法问题，而是工程问题。 优化器、学习率、网络结构固然重要，但能让模型真正「稳」和「泛化好」的，是各种“看似附属”的模块：激...
前几篇我们讲了神经网络的基本结构、反向传播机制，以及优化算法的演化。 到了这一步，模型的数学原理我们已经有了清晰的认识。 但在真正的训练过程中，你会发现事情...
在前三篇中，我们已经走完了神经网络的核心理论路径—— 从神经元到前向传播，从损失函数到反向传播，从优化算法到数值稳定。 你现在已经可以手写一个两层网络并跑通...
在第一篇里，我们讲过神经元和前向传播。 我们知道一个神经网络的基本结构：输入经过层层加权求和、非线性激活，最后得到输出。 接着通过损失函数计算误差。
前面我们讲到一个神经元的数学本质，其实整个神经网络的前向传播（Forward Propagation），就是把“加权求和 + 激活函数”这个小操作重复多次。
本系列是为那些想“真正理解”深度学习的人写的。 不谈框架黑箱，不追求堆砌术语。 我们从最小的神经元开始，一步步走向真正可理解的深度学习。
于是有人告诉你：“映射个端口就行”，你照做了，但 NAT、局域网、防火墙、ISP 限制……各种问题接踵而来。
在上世纪九十年代末到 2000 年初的游戏黄金期， P2P 是最自然的联机模式。 那时网络带宽低、云服务器昂贵、在线玩家有限—— 每个玩家都是一个“节点”...
上一部分讲完了 NAT、局域网结构与“联机为什么难”的根源； 从这一部分开始，我们就要进入“真正能让联机发生”的三种关键技术：
很多人第一次接触“内网穿透”这个词，都是从这种痛苦的联机经历开始的。 那种感觉就像——“我好不容易建了个世界，朋友却永远停在加载界面。”
有的人以为是“因为栈在线程里”， 有的人以为是“因为堆要调用 malloc/free”， 还有的人简单地把它理解成“因为栈是连续的、堆是离散的”。
暂未填写公司和职称
暂未填写个人简介
暂未填写技能专长
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市
