深度学习

2026-06-27andy阅读(180)

在过去的几年中，Transformer 架构已经成为深度学习领域最核心的基石，从 NLP 到 CV 再到多模态大模型，几乎无处不在。而注意力机制（Attention）作为 Transformer 的核心组件，其计算复杂度随序列长度呈二次增长...

2026-06-24andy阅读(226)

引言：为什么需要分布式训练？ 随着深度学习模型的规模不断增长，单张GPU卡已经难以满足大多数实际生产场景的训练需求。从BERT（3.4亿参数）到GPT-3（1750亿参数），再到LLaMA系列和最近流行的DeepSeek、Qwen等大语言模...

2026-06-20andy阅读(263)

在TensorFlow 2.x中，Keras提供了高层的 1model.fit() 接口，大多数场景下使用起来非常方便。但当我们需要更精细地控制训练过程时——比如实现梯度裁剪、多优化器交替更新、对抗训练（GAN）或者自定义学习率调度——就需...

2026-06-20andy阅读(165)

在深度学习模型训练中，batch size 的选择直接影响模型的收敛速度和最终精度。研究表明，较大的 batch size 能让梯度估计更加稳定，有助于模型跳出局部最优，同时充分利用 GPU 的并行计算能力。然而，受限于显存容量，很多开发者...

2026-03-24andy阅读(370)评论(0)

如何利用 MNN 快速实现车载 AI 功能原型：从 NDK 开发到 GPU 加速适配 在车载 AI 开发中，座舱视觉（如 DMS 疲劳驾驶检测、OMS 乘员监控）和辅助驾驶功能对实时性要求极高。车载芯片（如高通 8155、芯驰 X9 系列）...

2026-03-24andy阅读(351)评论(0)

如何针对座舱电磁干扰与振动环境进行车载模型的鲁棒性校准 在自动驾驶和智能座舱场景中，AI模型不仅要追求高精度，更要应对严苛的物理环境。座舱内的电磁干扰（EMI）可能导致传感器数据出现高频噪声，而车辆行驶中的震动则会引起摄像头成像的运动模糊。...

2026-03-24andy阅读(336)评论(0)

如何构建座舱 AI 任务的确定性调度机制：确保高优先级交互任务不被后台模型阻塞 在智能座舱场景下，SoC（系统级芯片）往往需要同时运行多个 AI 模型：语音助手（实时交互）、驾驶员监控系统（DMS，安全关键）以及背景数据脱敏（后台低优）。如...

2026-03-24andy阅读(395)评论(0)

在车载座舱（IVI）系统中，DMS（驾驶员监控）、OMS（乘客监控）等 AI 模型常驻后台运行。然而，AI 模型推理是内存「大户」，极易触发 Linux 的 OOM Killer 或安卓的 LMKD（Low Memory Killer Da...

2026-03-23andy阅读(371)评论(0)

如何利用 A/B 分区实现座舱 AI 模型的无损 OTA 升级 1. 为什么座舱 AI 需要 A/B 分区？ 在智能座舱场景下，AI 模型的升级通常不只是替换一个 .onnx 或 .param 文件。它往往涉及到 NPU 驱动 (Kerne...

2026-03-23andy阅读(423)评论(0)

如何优化座舱 AI 模型冷启动：通过权重预加载与算子缓存实现“开门即用” 在智能座舱（IVI）场景中，AI 模型的“冷启动”耗时直接影响用户对系统的“第一印象”。当车主进入座舱，语音交互（ASR/NLP）或视觉感知（DMS/OMS）模型如果...