最近在做夜景去噪声的low level工作，相关工作可以说是非常的难以及boring。因为这种low level你必须往上层，往底层走，甚至说需要了解ISP相关的知识；因此这段时间对于相关知识进行了大量的学习与了解。......

引言：之前对GAN进行相关的介绍，并在组内进行分享；但之前的分享比较偏向于GAN的前世，对于GAN的今生关注的程度不高，本文重点对GAN的今生进行梳理。GAN的今生GAN的前世之前进行过相关总结，在此不再进行赘述，具体可以观看李弘毅老师的讲课视频，深入浅出；Goodfellow在写成 Geneativeadversarial nets 这一划时代的大作的时候自然是留了为数众多的坑代填，后来...

随着计算机视觉与人工智能技术的飞速发展，采用深度相机进行场景三维重建、目标检测、环境感知等应用越来越广泛，与传统的2D相机不同，深度相机可以通过拍摄空间来获得景深信息，从而获得目标的3D信息，构建3D模型，这也是与普通相机最大的差别。目前的深度相机根据其工作原理可以分为三种：TOF、RGB双目、结构光，在机器人、人机交互以及其他工业领域中等到了广泛应用。

这三个技术本质上都是为了弥补模型对 “文本结构信息” 的天然缺失：位置编码→补充 “顺序信息”；分段嵌入→补充 “片段边界信息”；Chat 格式对齐→补充 “对话角色与轮次信息”。它们共同作用，让模型能更准确地理解复杂文本的语义和结构，是大模型实现高质量输出的基础。

场景推荐构建多工具协同的系统✅ 使用 MCP（基于 Function Calling）构建对话式 API 接入✅ 结合 Function Calling + MCP使用 OpenAI/Claude/RAG/插件/LLM 多模型接入系统✅ MCP 提供统一入口只做语言生成，无插件需求Function Calling 非必需，MCP 不需要。

W8A8 代表 权重（Weights）和激活值（Activations）均被量化为 8 位（INT8 或 UINT8），常用于深度学习推理，以减少模型的存储、计算需求，并提升硬件执行效率。W8（8-bit Weights）：将神经网络的权重从 32 位浮点（FP32）转换为 8 位整数（INT8）。A8（8-bit Activations）：将神经网络的激活值从 32 位浮点（FP32）转换为 8

最近在改写网络的过程中，发现自己对于super（）继承的概念掌握的不清楚，引发了网络训练的相关似是而非的问题，有意思的是到目前位置这些问题仍然有待于理清。另外本次完成关于深度学习网络的第一次改写，整体还是比较顺利的，但是也暴露出对于深度学习库相关语法的不熟悉，有待进一步加强掌握。1、super及其背后的类继承方法1.1 super与单继承、多继承super() 函数是用于调用父类(超类)的一个方法

AI芯片通过设计特殊的计算单元，实现了超高的操作数量。例如： 以GTX680为例， 单核一个时钟周期单精度计算次数为两次，处理核个数 为1536， 主频为1006MHZ，那他的计算能力的峰值P 为：P = 2 × 1536 × 1006MHZ = 3.09TFLOPS，1T为1兆，也就是说，GTX680每秒可以进行超过3兆次的单精度运算。AI芯片算力又是算力中专门的一个领域，低标准下的高算力是比不

第一张图是比较经典的RAG知识图谱，第二张图是更加详细扎实的介绍图。

这一段时间大模型的相关进展如火如荼，吸引了很多人的目光；本文从nlp领域入门的角度来总结相关的技术路线演变路线。