- 本节书摘来自华章计算机《Python大规模机器学习》一书中的第1章，第1.3.1节，作者是［荷］巴斯蒂安·贾丁（Bastiaan Sjardin）［意］卢卡·马萨罗（Luca Massaron）［意］阿尔贝托·博斯凯蒂（Alberto Boschetti）王贵财刘春明译。 本节书摘来自华章计算机《Python大规模机器学习》一书中的第1章，第1.3.1节，作者是［荷］巴斯蒂安·贾丁（Bastiaan Sjardin）［意］卢卡·马萨罗（Luca Massaron）［意］阿尔贝托·博斯凯蒂（Alberto Boschetti）王贵财刘春明译。
- 本节书摘来自华章计算机《Python大规模机器学习》一书中的第1章，第1.2.5节，作者是［荷］巴斯蒂安·贾丁（Bastiaan Sjardin）［意］卢卡·马萨罗（Luca Massaron）［意］阿尔贝托·博斯凯蒂（Alberto Boschetti）王贵财刘春明译。 本节书摘来自华章计算机《Python大规模机器学习》一书中的第1章，第1.2.5节，作者是［荷］巴斯蒂安·贾丁（Bastiaan Sjardin）［意］卢卡·马萨罗（Luca Massaron）［意］阿尔贝托·博斯凯蒂（Alberto Boschetti）王贵财刘春明译。
- 本节书摘来自华章计算机《Python大规模机器学习》一书中的第1章，第1.2.2节，作者是［荷］巴斯蒂安·贾丁（Bastiaan Sjardin）［意］卢卡·马萨罗（Luca Massaron）［意］阿尔贝托·博斯凯蒂（Alberto Boschetti）王贵财刘春明译。 本节书摘来自华章计算机《Python大规模机器学习》一书中的第1章，第1.2.2节，作者是［荷］巴斯蒂安·贾丁（Bastiaan Sjardin）［意］卢卡·马萨罗（Luca Massaron）［意］阿尔贝托·博斯凯蒂（Alberto Boschetti）王贵财刘春明译。
- 本节书摘来自华章计算机《Python大规模机器学习》一书中的第1章，第1.1.4节，作者是［荷］巴斯蒂安·贾丁（Bastiaan Sjardin）［意］卢卡·马萨罗（Luca Massaron）［意］阿尔贝托·博斯凯蒂（Alberto Boschetti）王贵财刘春明译。 本节书摘来自华章计算机《Python大规模机器学习》一书中的第1章，第1.1.4节，作者是［荷］巴斯蒂安·贾丁（Bastiaan Sjardin）［意］卢卡·马萨罗（Luca Massaron）［意］阿尔贝托·博斯凯蒂（Alberto Boschetti）王贵财刘春明译。
- 本节书摘来自华章计算机《Python大规模机器学习》一书中的第1章，第1.1.2节，作者是［荷］巴斯蒂安·贾丁（Bastiaan Sjardin）［意］卢卡·马萨罗（Luca Massaron）［意］阿尔贝托·博斯凯蒂（Alberto Boschetti）王贵财刘春明译。 本节书摘来自华章计算机《Python大规模机器学习》一书中的第1章，第1.1.2节，作者是［荷］巴斯蒂安·贾丁（Bastiaan Sjardin）［意］卢卡·马萨罗（Luca Massaron）［意］阿尔贝托·博斯凯蒂（Alberto Boschetti）王贵财刘春明译。
- 《强化学习与最优控制》第 1.4-1.5 节 & 附录 · 部分可观察与扩展主题主体内容聚焦"完全可观察"的标准 DP/RL 框架。但现实问题往往更复杂：状态不完全可观察、需要预报未来、有多个决策者。本篇梳理这些扩展主题。 一、部分可观察问题（POMDP） 完全可观察 vs 部分可观察完全可观察（MDP）部分可观察（POMDP）决策依据当前状态 xkx_kxk当前观测 zkz_kzk状态... 《强化学习与最优控制》第 1.4-1.5 节 & 附录 · 部分可观察与扩展主题主体内容聚焦"完全可观察"的标准 DP/RL 框架。但现实问题往往更复杂：状态不完全可观察、需要预报未来、有多个决策者。本篇梳理这些扩展主题。 一、部分可观察问题（POMDP） 完全可观察 vs 部分可观察完全可观察（MDP）部分可观察（POMDP）决策依据当前状态 xkx_kxk当前观测 zkz_kzk状态...
- 深入剖析 Transformer 自注意力机制：从数学原理到工程实现 引言2017 年，Google 在论文《Attention Is All You Need》中提出了 Transformer 架构，彻底抛弃了 RNN 和 CNN 的序列建模方式，仅凭注意力机制就完成了序列到序列的映射。如今，从 BERT、GPT 到 LLaMA、DeepSeek，几乎所有主流大语言模型都以自注意力（Se... 深入剖析 Transformer 自注意力机制：从数学原理到工程实现 引言2017 年，Google 在论文《Attention Is All You Need》中提出了 Transformer 架构，彻底抛弃了 RNN 和 CNN 的序列建模方式，仅凭注意力机制就完成了序列到序列的映射。如今，从 BERT、GPT 到 LLaMA、DeepSeek，几乎所有主流大语言模型都以自注意力（Se...
- 极简命令行实操指南（LLaMA Factory + LoRA 微调，N卡）说明：本流程基于 Linux / WSL2，使用 LoRA + 4bit 量化微调，适合 7B 模型；所有文件本地存放，无网络链接。前置：已装好 Python、Pytorch、CUDA，已经安装 LLaMA Factory 1. 准备虚拟环境（推荐）# 创建虚拟环境python -m venv train-env# ... 极简命令行实操指南（LLaMA Factory + LoRA 微调，N卡）说明：本流程基于 Linux / WSL2，使用 LoRA + 4bit 量化微调，适合 7B 模型；所有文件本地存放，无网络链接。前置：已装好 Python、Pytorch、CUDA，已经安装 LLaMA Factory 1. 准备虚拟环境（推荐）# 创建虚拟环境python -m venv train-env# ...
- 支持向量机（Support Vector Machine, SVM）是机器学习中经典且强大的分类算法之一，尤其在中小规模数据集上表现优异。它的核心思想非常直观：找到一个最优的“分界线”（或“分界面”），让两类数据尽可能被清晰地分开，并且分界线到两边数据的距离尽量大。本文将从原理、数学直觉、核函数到实际使用，系统地介绍 SVM。 1. SVM 的核心思想假设我们有两类数据点（正类和负类），分布... 支持向量机（Support Vector Machine, SVM）是机器学习中经典且强大的分类算法之一，尤其在中小规模数据集上表现优异。它的核心思想非常直观：找到一个最优的“分界线”（或“分界面”），让两类数据尽可能被清晰地分开，并且分界线到两边数据的距离尽量大。本文将从原理、数学直觉、核函数到实际使用，系统地介绍 SVM。 1. SVM 的核心思想假设我们有两类数据点（正类和负类），分布...
- 大模型热潮走过数年，行业早已褪去最初的喧嚣。曾经大家热衷于比拼参数规模、刷新评测榜单，如今所有企业最关心的，变成一件很现实的事：怎么把大模型真正嵌入业务流程，而不是停留在演示 Demo。很多中小企业和传统产业卡在同一个关口：想用上智能能力，却扛不住自建集群的高昂投入，不懂模型微调、部署优化，也缺少配套的工程工具链。华为云面向产业推出的全栈大模型服务，核心目标，就是拆掉这一道道高墙，让大模型从... 大模型热潮走过数年，行业早已褪去最初的喧嚣。曾经大家热衷于比拼参数规模、刷新评测榜单，如今所有企业最关心的，变成一件很现实的事：怎么把大模型真正嵌入业务流程，而不是停留在演示 Demo。很多中小企业和传统产业卡在同一个关口：想用上智能能力，却扛不住自建集群的高昂投入，不懂模型微调、部署优化，也缺少配套的工程工具链。华为云面向产业推出的全栈大模型服务，核心目标，就是拆掉这一道道高墙，让大模型从...
- 大模型落地进入深水区后，一个现实矛盾越来越突出：业务场景越拆越细，微调需求越来越多，但每条业务线都从零启动微调，既消耗海量算力，又拉长交付周期。从客服话术优化到行业文档问答，从代码生成适配到报表逻辑对齐，企业内部往往沉淀了数十甚至上百个历史微调模型。它们大多被当作“一次性成品”锁在仓库里，新任务一来，一切又要从头开始。有没有一种可能：这些历史模型不是孤立的成品，而是可以拆解重组的“乐高积木”... 大模型落地进入深水区后，一个现实矛盾越来越突出：业务场景越拆越细，微调需求越来越多，但每条业务线都从零启动微调，既消耗海量算力，又拉长交付周期。从客服话术优化到行业文档问答，从代码生成适配到报表逻辑对齐，企业内部往往沉淀了数十甚至上百个历史微调模型。它们大多被当作“一次性成品”锁在仓库里，新任务一来，一切又要从头开始。有没有一种可能：这些历史模型不是孤立的成品，而是可以拆解重组的“乐高积木”...
- Pre-Delta-X: Channel Bathymetry of the Atchafalaya Basin, LA, USA, 2016简介本数据集提供了美国路易斯安那州沿海密西西比河三角洲（MRD）洪泛区内瓦克斯湖三角洲主河道水深和水面高程的测量数据。测量工作于 2016 年秋季的 Pre-Delta-X 考察活动期间完成。使用安装在研究船舷侧的 SonarMite Hydroli... Pre-Delta-X: Channel Bathymetry of the Atchafalaya Basin, LA, USA, 2016简介本数据集提供了美国路易斯安那州沿海密西西比河三角洲（MRD）洪泛区内瓦克斯湖三角洲主河道水深和水面高程的测量数据。测量工作于 2016 年秋季的 Pre-Delta-X 考察活动期间完成。使用安装在研究船舷侧的 SonarMite Hydroli...
- 2026 年 11 月 10 日，蚂蚁灵波开源触觉基础模型 LingBot-Touch。官方材料里有一个拧瓶盖的例子，给了三档数字：条件任务成功率不使用触觉56.25%直接输入传感器原始信号62.50%输入 LingBot-Touch 的触觉表征90.00%中间那一档是全篇最值得看的地方。它把两件事拆开了：「有没有触觉数据」和「会不会表示触觉数据」，不是一个问题。装上传感器、把线接进模型，只... 2026 年 11 月 10 日，蚂蚁灵波开源触觉基础模型 LingBot-Touch。官方材料里有一个拧瓶盖的例子，给了三档数字：条件任务成功率不使用触觉56.25%直接输入传感器原始信号62.50%输入 LingBot-Touch 的触觉表征90.00%中间那一档是全篇最值得看的地方。它把两件事拆开了：「有没有触觉数据」和「会不会表示触觉数据」，不是一个问题。装上传感器、把线接进模型，只...
- 本文聚焦训推精度一致性验证：同一权重下，不同并行切分（如TP/DCP）、量化配置或硬件环境是否导致逐token logprob逐位相同。强调不比“容差”，而验“bitwise一致”，为量化上线、混合云部署、多卡扩缩容等场景提供可落地的数值回归方法。 本文聚焦训推精度一致性验证：同一权重下，不同并行切分（如TP/DCP）、量化配置或硬件环境是否导致逐token logprob逐位相同。强调不比“容差”，而验“bitwise一致”，为量化上线、混合云部署、多卡扩缩容等场景提供可落地的数值回归方法。
- 上学期我心血来潮想学深度学习，照着网上的教程在宿舍电脑上装环境，结果第一步就卡住了。装 PyTorch 装了两个晚上，各种版本冲突报错，最后发现我的笔记本根本没有独显，CPU 跑个最小的例子都要等半天，热情直接被浇灭了一大半。后来有同学跟我说，既然本地机器不行，那就把训练这件事交给云。云上有现成的显卡和 AI 芯片，按需使用，用完就停，对学生党来说反而更划算。我想起自己手里正好有个华为云账号... 上学期我心血来潮想学深度学习，照着网上的教程在宿舍电脑上装环境，结果第一步就卡住了。装 PyTorch 装了两个晚上，各种版本冲突报错，最后发现我的笔记本根本没有独显，CPU 跑个最小的例子都要等半天，热情直接被浇灭了一大半。后来有同学跟我说，既然本地机器不行，那就把训练这件事交给云。云上有现成的显卡和 AI 芯片，按需使用，用完就停，对学生党来说反而更划算。我想起自己手里正好有个华为云账号...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签