Tag: talentme
-
【AI 工业核题 E7】Perplexity (PPL) 困惑度计算（Perplexity (PPL) Calculation）深度实现与原理解析
语言模型最核心的端到端评测指标，平均交叉熵损失的自然对数指数映射。
-
【AI 工业核题 E6】Triplet Margin Loss（三元组边际损失）（Triplet Margin Loss with Euclidean Distance）深度实现与原理解析
人脸识别与度量学习经典，拉近 Anchor 与 Positive 距离，推远 Negative 距离并保持 Margin。
-
【AI 工业核题 E5】CLIP 对称对比损失（双向图文匹配）（CLIP Symmetric Contrastive Loss）深度实现与原理解析
OpenAI CLIP 多模态对齐灵魂，图像搜文本与文本搜图像双向交叉熵求和平均。
-
【AI 工业核题 E4】InfoNCE 对比学习损失（Batch 内样本对与温度缩放）（InfoNCE Contrastive Loss）深度实现与原理解析
SimCLR / MoCo / 对比表示学习核心，互信息下界优化，同行对角线为正样本，其余为负样本。
-
【AI 工业核题 E3】Focal Loss（类别不平衡聚焦因子）（Focal Loss for Dense Object Detection）深度实现与原理解析
何恺明团队解决单阶段检测器正负样本极度失衡的杰作，通过调制因子 (1-pt)^gamma 抑制海量简单负样本。
-
【AI 工业核题 E2】BCE with Logits Loss（二元交叉熵数值稳定）（Binary Cross-Entropy with Logits）深度实现与原理解析
融合 Sigmoid 与 Log 损失，通过 max(x, 0) – x*y + log1p(exp(-|x|)) 消除上下溢溢出风险。
-
【AI 工业核题 E1】Cross-Entropy 交叉熵（Log-Softmax 稳定 + ignore_index）（Cross-Entropy Loss with Log-Softmax & ignore_index）深度实现与原理解析
通过 Log-Sum-Exp 稳定化消除中间概率下溢，支持忽略填充标签 ignore_index 的工业级损失算子。
-
【AI 工业核题 D6】FlashAttention Online Softmax 概念手撕（分块增量归一化）（FlashAttention Online Softmax Block-wise Algorithm）深度实现与原理解析
Tri Dao 经典突破，SRAM 分块平铺计算与指数动量增量合并，避免向 HBM 回写 N×N 注意力矩阵。
-
【AI 工业核题 D5】Cross-Attention 跨模态/跨序列注意力（Cross-Attention Mechanism）深度实现与原理解析
Query 来自解码器/当前序列，Key 与 Value 来自编码器/跨模态提示条件，文本生成与 Diffusion 条件注入基石。
-
【AI 工业核题 D4】KV Cache 自回归生成推理（增量更新与状态拼接）（KV Cache Autoregressive Generation Loop）深度实现与原理解析
将自回归推理复杂度由 O(S^2) 降至 O(S) 的工程生命线，Prefill 预填充与 Decode 增量步骤实现。