啃cpp感觉还是太痛苦了，啃得甚至感觉有些动摇了，我最近一直在看Rust，但可惜秋招市场还是cpp为主，咬咬牙还是接着学吧。 我打算把目前CPU做的一些YUUV -> BGR 这一部分迁移到使用瑞芯微提供的RGA进行硬件加速，熟悉这个Demo。 编译首先需要把RGA的库加入编译。 123456789101112add_library(rga_runtime SHARED IMPORTED)s

灵感来源一半来源是秋招，我得回去复习一下cpp，把rk3568的端侧项目跑起来，一半是源于最近的思考： 思维是流动的。传统大模型是一问一答式的，人不去给出指令，他就是一个待机的状态。但人类是被动的接收了世界上的各种信息，再进行输出。然而给智能体装一个相机或者机械臂，不断接收信息，成本显然是非常昂贵的。 关于端侧AI的前景思考是另一方面，在之前的博客中有论证过，乐观估计5-10年端侧的算力也很难追

第一步打算跑通机器人的各个组件，并学习C++，让AI先给我写了个yolo识别的demo，然后开始改，看着看着感觉知识点有点多，脑子有点装不下了，索性写个学习笔记吧。 C++ 异常抛出这个看起来真是又熟悉又陌生，在 python 中有try - except 语句，还有一个finally释放内存，但是cpp中有RAII，异常抛出的时候自动调用析构函数，finally倒是省了，谈谈 try，catch

最近在投简历，两周的时间过去了，还没有接到一个面试。俗话说男怕入错行，总是想进入一个在上升期的行业，所以优柔寡断，经历也不够垂直，是个减分项。最近思考了很多，索性梳理一些心得，谈谈看法。 边缘AI现在分析行业发展总是绕不开AI，今天看到数学领域的大牛谈对AI的悲观看法，都说“下岗”的风从计算机吹到了数学，数学证明重视过程，AI会让人类数学断层云云。数学和计算机都是能被编码，高度抽象的概念，所以被A

前言昨天训练的时候挂的比较晚，白天这一轮训练半夜3点才结束，为了防止服务器被浪费，要想个办法让他24小时训练，添加任务链条，让他一直运行。和AI友好沟通之后给我推荐了一些工具，感觉都不好用，于是直接VIBE手搓一个出来： 提示词123456789101112131415161718192021222324252627282930# 深度学习后台监控工具## 功能- 监控深度学习训练过程- 编排任务

依旧被安利，尝尝咸淡 Github: openResearch1/openresearch Docs:openresearch/README.quick-start.md at master · openResearch1/openresearch 一、安装这个软件是跑命令行然后在web界面操作，既然是这样的话，就不在本地下载了，直接在服务器上搞 记得要： 123

一、介绍在 VScode 上写python 有几个非常尴尬的bug： LSP （Language Server Protocol，语言服务器协议）误报严重： 内置的copilot 非常笨，且吵：导致代码自动补全非常难用，总给出一些愚不可及的补全。 相信用VScode 开发过Python的朋友都知道我在说什么…体验比Pycharm差很多。和朋友友好沟通之后，发现了 Windsurf 这款编辑器（

最近又做了一些无用的工作，尝试写SDM_UniPS 的训练脚本，但是没写明白，耽误了一点时间… 对科研又有了一些新的心得，理想的顺序应该是先做一个baseline(基准)，然后基于这个基准去逐步改进，并做消融实验，逐步的观察模型效果，而不是上来就用一个新的模型新的结构，两眼一抹黑的乱改 为什么又放弃了SDM_UniPS？主要还是因为他是做的高分，还是比较占内存的，硬件限制~ 下定决心开始从 Un

今天堪称漫无目的的做了一个实验 一、DINOv3昨天了解到有一个东西叫做attention map，可以可视化模型对图像的注意力程度，我第一个想起来的是DINO这样的ViT编码器，去年发布的DINOv3，所以就想看看他到底能学到什么特征 一打开github，看到这张图还是挺唬人的，如果这样的细节信息可以通过学习得到，那光源和材质什么的应该不在话下吧~ 这张图是基于特征做余弦相似度，越相似的越亮，

近期炼丹比较迷茫，没有改进思路了，读了几篇论文感觉知识在大脑滑过也没留下什么，输入不如输出，索性写点东西，梳理一下。 一、模型能学到什么？前一段时间思考的问题是算力和先验的问题。VGGT的作者说：相信Data driver，我也相信，但是奈何算力不足，支撑不起庞大的模型，退而求其次转向设计先验特征。 在光度立体问题中，虽然先验信息很丰富，但是在所谓“通用”光度立体的问题下，意味着模型需要学习：