AI TRACK
人工智能
从机器学习基础到大模型应用开发，拆解模型训练、推理部署与 Prompt 工程，把 AI 真正用到工程里。
AI LEARNING PATH
人工智能 学习路径
五个阶段从数学基础走到部署优化，每一步都有可复现的工程产出。
STAGE / 01 · 数学基础
线代、概率与统计
掌握向量、矩阵运算、概率分布与梯度等数学语言，为理解模型训练过程打下底子。
STAGE / 02 · 机器学习
经典 ML 算法与评估
从线性回归、决策树到 XGBoost，理解特征工程、过拟合与评估指标，建立建模直觉。
STAGE / 03 · 深度学习
神经网络与 Transformer
用 PyTorch 实现 CNN、RNN 与 Transformer，理解注意力机制与预训练范式。
STAGE / 04 · 大模型应用
RAG、Agent 与 Prompt 工程
基于 LLM 构建 RAG 检索增强与 Agent 应用，掌握向量库、函数调用与上下文工程。
STAGE / 05 · 推理部署
量化、蒸馏与服务化
用 vLLM、量化与蒸馏优化推理成本，把模型服务化上线，兼顾延迟与吞吐。
SELECTED ARTICLES
AI 精选 深度文章
覆盖大模型、深度学习与应用工程，每篇都附带可运行示例与复现路径。
01Transformer 架构从零拆解：注意力机制详解
从 Q/K/V 计算、多头注意力到位置编码，用 PyTorch 一步步实现一个最小可运行的 Transformer。
02大模型 RAG 检索增强实战与工程化落地
拆解文档切分、向量检索、重排与上下文拼接全流程，搭建一个可问答、可溯源的 RAG 系统。
03PyTorch 自动求导与模型训练全流程
从 Dataset、DataLoader 到 loss、backward 与 optimizer，讲清一次完整训练循环的每个环节。
04LLM 推理优化：KV Cache 与量化部署
理解 KV Cache、PagedAttention 与 INT8/INT4 量化原理，用 vLLM 把推理吞吐提升数倍。
05Prompt 工程实战：从 Few-shot 到 ReAct
系统梳理 Zero/Few-shot、CoT、ReAct 与函数调用，给出可复用的 Prompt 模板与调优经验。
06计算机视觉：YOLO 目标检测原理与微调
拆解 YOLO 的 anchor、损失与 NMS，基于自有数据集完成目标检测模型微调与评估。