view()仅适用于连续张量，非连续需先；返回视图，修改会影响原张量；bmm无广播，批量矩阵相乘需保证batch数一致；dot对高维张量会展平，优先用matmul替代。

家族模型：一组“尺寸不同但隐藏特征对齐”的模型，共享中间计算结果（无需额外中间件转换），可灵活切换以适配端、边、云硬件。关键优势：灵活伸缩：参数规模可从数百万（端侧）到数十亿（云端）调整；高效协作：小模型的中间特征可直接被大模型复用，减少重复计算与数据传输。AI Flow的核心创新在于打破AI与通信的技术壁垒，通过“硬件分层协同+模型家族适配+智能交互涌现”的三位一体设计，解决了大模型落地的“资源

最近读了《高增长科技股投资法》，我发现这个很不错，也很符合这次周期的内容。于是用AI生成了一个概要记录，给朋友们分享一下做个参考。有时间推荐去读一下原书，内容很有意思，可惜的就是很多时候晚上太困了，看的时候脑袋瓜不甚清晰。没有链接很多其它的内容。

DeepSeek 是一款开创性的开源大语言模型，凭借其先进的算法架构和反思链能力，为 AI 对话交互带来了革新性的体验。通过私有化部署，你可以充分掌控数据安全和使用安全。你还可以灵活调整部署方案，并实现便捷的自定义系统。Dify 作为同样开源的 AI 应用开发平台，提供完整的私有化部署方案。通过将本地部署的 DeepSeek 服务无缝集成到 Dify 平台，企业可以在确保数据隐私的前提下，在本地服

TensorFlow层类对应PyTorch层功能说明TFBN批量归一化层，读取PyTorch的beta、gamma、均值、方差参数。TFPad手动Padding操作实现和PyTorch一致的填充逻辑（如autopad计算的填充量）。TFConvConv（YOLOv5的Conv）标准卷积层，包含卷积+BN+激活函数，处理权重格式转换（PyTorch→TensorFlow）。TFFocusFocus聚

AI大模型的底层原理与技术演进

合并访存的核心：让同一个线程束的32个线程访问连续、对齐的全局内存地址，将32次分散请求合并成1~2次批量请求；底层原理：匹配GPU内存控制器的“批量处理规则”，充分利用内存带宽，减少访存请求次数；优化要点：线程索引和内存地址一一对应（步长=数据类型大小），保证起始地址对齐，避免跨步访问。对小白来说，合并访存是GPU编程中“投入最少、收益最大”的优化手段——只需调整线程访问地址的方式，就能让全局内

核心原理：打包多个基础数据成一个单元，利用GPU的SIMD向量指令一次处理多个数据，同时减少内存访问次数，充分利用硬件宽度；收益来源：一是减少运算指令数（提升运算速度），二是减少内存访问次数（提升带宽利用率）；使用原则：优先用half2/float4（简单高效），常规浮点场景足够用；只有定制化场景（如int8量化）才需要通用pack优化。

核心关系：CUDA Core是硬件运算单元，线程是软件任务，线程数需适配SM资源（让占用率接近100%），而非和Core数相等；过量线程的后果：先导致资源不足、占用率下降（性能降），再增加调度开销（性能更差），极端情况程序崩溃；新手原则：线程块大小选32的倍数，总线程数设为SM最大线程数的总和，逐步测试找到最优值。对新手来说，不用追求“线程数越多越好”，先保证“线程数能让SM占满”，再微调优化，就

要理解bank conflict，先搞懂CUDA里的共享内存（Shared Memory）——这是GPU线程块（block）内所有线程共享的高速内存，速度比全局内存快几十倍，是CUDA优化的核心，但它的“存储结构”是导致冲突的关键。Bank Conflict本质：多个线程同时访问共享内存的同一个Bank，导致并行访问变成串行。核心解决思路：让线程访问的地址分散到不同Bank，优先用「调整访问模式」