111qqz

以前在商汤做 CV 的时候，Faster R-CNN、SSD、FPN、RetinaNet 这些名字是天天打交道的。模型训练、转换、部署，各种坑也踩了不少——TensorRT 版本间 softmax axis 默认值不一致、RoI Align 的 num_roi_per_image 默认 300 导致多 batch 结果错乱，这类问题当年 debug 到怀疑人生。

视频不等于视频模型：从抽帧 2D CNN 到 Conv3D 的选择逻辑

2026-09-20·4816 字·10 分钟

Deep-Learning CNN Conv3D Video-Understanding Temporal-Modeling

以前做 CV 内容审核的时候，训练数据里有大量视频。色情视频审核是一个很典型的场景——输入是一段几十秒甚至几分钟的视频，输出是一个二分类：这段视频是否包含色情内容。

9 年后重温 CNN：剥掉算子细节后，真正留下了什么

2026-09-20·5891 字·12 分钟

Deep-Learning CNN Convolution Inductive-Bias 6.S191

最近在重新过 MIT 6.S191 Lecture 3（卷积神经网络）。2017 年刚接触 CV 那会儿，CNN 算是吃饭的家伙，每天都在调。后来精力逐渐转到 ML Infra，成天跟 GPU 显存、通信拓扑和算子优化打交道，卷积网络的很多具体细节就慢慢生疏了——写个 nn.Conv2d 时 weight 的四维形状到底怎么排、Kaiming 初始化的方差怎么推、感受野怎么算，冷不丁被问到，还得在脑子里卡壳一下。

Attention 之后还缺什么：从 Residual Connection 到 Transformer Stack

2026-09-19·5963 字·12 分钟

Deep-Learning Transformer Residual-Connection Layernorm 6.S191

上一篇结尾我写：Multi-Head Attention 仍然只是一个 information routing / read mechanism，一个完整的 Transformer layer 还包含 FFN、residual connection、layer normalization 等组件。

从标量整数到相对几何：Sinusoidal Positional Encoding 到底在设计什么？

2026-09-19·7042 字·15 分钟

Deep-Learning Positional-Encoding Transformer Sinusoidal 6.S191

上一篇走到了一个结论：去掉 recurrence 之后，Self-Attention 必须重新获得 positional information。position 可以加进 token 的 representation，两者相加不要求后续计算无损还原，只要下游能利用其中的信息就行。

↑

最近的文章