Tag: module-m3
-
【AI 核心深度 M3-090】解释梯度/激活的统计诊断（激活分布、dead 单元、logit 分布）（Statistical Diagnostics for Gradients and Activations: Distributions, Dead Units, and Logits）深度数理推导与工程落地解析
记录每层激活的均值/方差/零值率、logit 的幅度与熵、梯度范数；异常分布直接指向问题层与成因。
-
【AI 核心深度 M3-091】解释“可复现性”调试：随机种子、确定性算子、数据管道（Reproducibility Debugging in Deep Learning: RNG Seeds, Deterministic Algorithms, and Pipelines）深度数理推导与工程落地解析
固定所有随机源（种子、初始化、数据顺序、增强、dropout）+ 用确定性算子 + 固定环境，才能逐步复现。
-
【AI 核心深度 M3-092】解释残差连接为什么能训练超深网络（Why Residual Connections Enable Ultra-Deep Network Training）深度数理推导与工程落地解析
残差把映射改为 F(x)+x，使梯度含恒等路径（Jacobian 含 I），避免连乘衰减，并让网络只需学’残差’。
-
【AI 核心深度 M3-065】解释交叉熵与 BCE 的关系与数值稳定写法（Cross-Entropy vs Binary Cross-Entropy (BCE) and Numerically Stable Implementations）深度数理推导与工程落地解析
BCE 是二分类下的交叉熵特例；实现上把 sigmoid 与 CE 合并为 logits 形式（log-sum-exp）以避免溢出。
-
【AI 核心深度 M3-066】解释 Focal Loss 的设计动机与公式（Focal Loss: Design Motivation, Mathematical Derivation, and Modulating Factor）深度数理推导与工程落地解析
在 CE 上乘调制因子 (1−p_t)^γ，降低易分样本权重、聚焦难样本；解决单阶段检测的正负样本极度不平衡。
-
【AI 核心深度 M3-067】对比学习中的 InfoNCE 与 Triplet Loss 有何差异（InfoNCE vs Triplet Loss in Contrastive Learning: Formulations and Information Capacity）深度数理推导与工程落地解析
Triplet 用单个正负样本对构造 margin 排序约束；InfoNCE 用 1 正 N 负的 softmax 分类，负样本越多越接近互信息下界。
-
【AI 核心深度 M3-068】什么是损失函数与评估指标错配？举例说明（Loss Function and Evaluation Metric Mismatch: Causes, Examples, and Surrogates）深度数理推导与工程落地解析
训练用可微的代理损失、评估用业务指标，两者不一致会导致’训练变好但业务变差’；用可微近似或排序对齐缓解。
-
【AI 核心深度 M3-069】解释 KL 散度在蒸馏/正则中的使用与它的不对称性（KL Divergence in Distillation and Regularization: The Asymmetry Problem）深度数理推导与工程落地解析
KL(P‖Q) 度量用 Q 编码 P 的额外代价；前向 KL 倾向覆盖（mean-seeking）、反向 KL 倾向众数（mode-seeking）。
-
【AI 核心深度 M3-070】解释 ranking loss（pairwise / listwise）与它在检索排序中的应用（Ranking Losses in Search and Recommendation: Pointwise, Pairwise, and Listwise）深度数理推导与工程落地解析
pointwise 独立打分、pairwise 优化样本对顺序、listwise 直接优化整个列表的排序指标；检索常用 pairwise/listwise。
-
【AI 核心深度 M3-071】解释 FP16、BF16、FP32 的差异与取舍（Floating-Point Precisions in Deep Learning: FP16, BF16, and FP32 Trade-offs）深度数理推导与工程落地解析
FP32 精度高但慢；FP16 精度高但范围窄（易溢出）；BF16 范围与 FP32 同但精度低；大模型训练首选 BF16。