学习笔记
未读
《有关臻品母带、音频采样率和位深度的一切》
Hi-Res Audio定义为无损且超越CD品质的音频格式，具有更高的采样率和位深度。从上世纪80年代末起，音频工程师开始探索更高解析度的数字音频，2014年JEITA正式提出Hi-Res Audio标准。文章探讨了无损音频特性、采样率与音质的关系及国际推荐标准，指出44.1kHz和48kHz已能满足大多数听歌需求，而对于高音质项目，96kHz更为推荐。
AIGC
未读
StableDiffusion中的图像对比度及颜色匹配校正
使用SD生成图像并放大后，图像对比度和色彩饱和度变化导致整体效果不自然。针对这一问题，传统算法和深度学习方法如小波变换、直方图匹配、Reinhard算法、AdaIN及复合方法等，被用于实现图像之间的颜色一致性。各方法在计算效率、色彩保真度和局部细节保留上有不同表现，选择应用场景合适的算法能够有效提升图像处理效果。
AIGC
未读
SD-WebUI-Forge的四个优化参数
现代GPU的高吞吐量并行计算特性对深度学习任务的性能至关重要，SD-WebUI-Forge通过四个优化参数（cuda-stream、pin-shared-memory、cuda-malloc和max_split_size_mb）在PyTorch和CUDA内存分配技术上实现显著提升。cuda-stream通过同步流水线作业实现模型加载与张量计算的重叠，提升生成速度；pin-shared-memory优先利用显存扩展缓冲区，大幅加速低带宽显卡的计算；cuda-malloc通过预分配内存池减少内存分配开销；max_split_size_mb限制内存块分割尺寸，减少碎片。实验显示，这些参数可大幅缩短图像生成时间，但可能带来一定的程序崩溃风险，建议谨慎使用。
学习笔记
未读
DeepSeek_Math论文阅读笔记
DeepSeekMath 7B通过使用OpenWebMath的高质量数学文本作为种子数据训练fastText模型，并从Common Crawl中筛选相关数学网页，采用多轮迭代优化与去污染处理提升数据质量。此外，引入GRPO算法优化计算过程和降低内存消耗，通过相对奖励计算优势及迭代训练方法，最终提高了模型的数学推理能力。
学习笔记
未读
DeepSeek_R1论文阅读笔记
DeepSeek-R1-Zero通过强化学习探索推理路径，依靠准确性奖励和格式奖励机制提升推理的正确性和表述的清晰度。然而，该模型存在可读性差和语言混合的问题，这可能源于强化学习算法聚焦于推理能力而忽视表达质量，以及训练数据缺乏统一规范。其多阶段训练流程包括冷启动、推理导向强化学习、拒绝采样和监督微调，以全面提升模型性能。在实际应用中，这些问题会严重影响模型的实用性，尤其是在教育辅导、信息获取和跨国商务交流等场景。
学习笔记
未读
Deepseek_V3技术报告阅读笔记
MoE语言模型通过混合注意力机制，根据任务特点分配给不同专家模块处理，实现高效、灵活的自然语言处理。相比Transformer，MoE在计算效率、任务适应性和特定领域性能上有优势，但也面临路由机制不稳定性、训练难度大和模型解释性差的问题。DeepSeek-V3采用MoE架构结合MLA和多令牌预测训练目标，以增强性能和训练稳定性。
学习笔记
未读
Windows电源和性能优化笔记(附高性能，高续航两种配置建议)
Windows系统提供丰富的电源和性能调节选项，优化能效表现。大多数笔记本默认设置不合理，需创建多个自定义电源计划以适应不同使用场景。推荐使用“PowerSettingsExplorer”和“PowerPlanSwitcher”进行设置和切换，不要修改默认的“均衡”计划。重点调整CPU的性能调控策略、核心休眠设置，以实现较高的处理器能效。建议启用循环配置，以均衡负载或关闭超线程。
