andy的文章

2026-02-01andy阅读(92)评论(0)

在AI模型部署实践中，仅仅知道模型做出了什么预测是不够的，我们更需要知道“为什么”。反事实解释（Counterfactual Explanations, CFEs）提供了一种强大的、可操作性的可解释性方法：它回答了“如果我的输入稍微改变，模...

2026-02-01andy阅读(123)评论(0)

在处理大规模向量搜索时，我们通常需要在搜索速度（延迟）和搜索准确性（召回率）之间做出权衡。Faiss 的 IVF（Inverted File Index）系列索引是实现高性能搜索的关键工具，而 nprobe 参数则是控制这种权衡的核心。 本...

2026-02-01andy阅读(85)评论(0)

在软件开发过程中，我们经常会遇到需要暂停当前工作去处理紧急问题（如生产环境 Bug）或者切换到另一个分支进行验证的情况。如果此时工作区存在尚未完成的代码修改，我们通常不希望提交一个“半成品”的 Commit。这时，git stash 就是解...

2026-02-01andy阅读(72)评论(0)

在高性能计算和深度学习领域，分布式训练（如PyTorch DDP）是加速模型收敛的关键手段。然而，分布式环境的复杂性，尤其是涉及多机或多GPU通信时，经常会导致令人头疼的死锁或连接超时问题。这些问题往往源于网络配置错误、防火墙限制或进程间同...

2026-02-01andy阅读(93)评论(0)

在现代深度学习中，模型和数据集的规模爆炸式增长，使得分布式训练成为常态。PyTorch 的 torch.distributed 包提供了一系列高效的通信原语（Collective Operations），这些原语是实现数据并行（DDP）和模...

2026-02-01andy阅读(53)评论(0)

如何使用 PyTorch FSDP 解决超大模型单卡显存不足问题 随着大语言模型（LLM）的参数量突破百亿甚至万亿级别，传统的分布式训练方案（如DDP，数据并行）已经无法满足需求，因为DDP要求每张GPU都复制完整的模型权重、梯度和优化器状...

2026-02-01andy阅读(80)评论(0)

在深度学习的训练过程中，Batch Size（批次大小）是一个至关重要的超参数。通常情况下，更大的 Batch Size 能够提供更准确的梯度估计，有助于模型收敛到更优的解。然而，当模型参数量巨大或输入数据维度极高时，有限的显存（VRAM）...

2026-02-01andy阅读(81)评论(0)

在汽车智能座舱环境中，部署多模态大模型（如处理语音、视觉和文本的VLM/LLM）是提升用户体验的关键。然而，座舱系统通常对硬件资源（尤其是GPU/NPU的显存）具有严格的限制。当用户进行长时间的连续对话时，大模型用于存储历史信息的KV Ca...

2026-02-01andy阅读(69)评论(0)

如何使用特征扰动法为黑箱LLM生成高可信度的可解释性报告 随着GPT-4、Claude等大型语言模型成为主流，它们在生产环境中的应用日益广泛。然而，这些模型通常作为黑箱（Black-Box）服务通过API提供，我们无法访问其权重或梯度，这使...

2026-02-01andy阅读(81)评论(0)

在Python中，当我们使用multiprocessing模块实现并发时，与多线程（threading）不同，子进程拥有独立的内存空间。这意味着父进程中定义的普通变量（如列表、字典、普通对象实例）不会自动且安全地在子进程间共享。如果尝试直接...