Claude Code安装使用及Agent相关架构问题分析
🔥Pytorch使用-3：常见的分布式训练及其实现
🔥Pytorch使用-1：Pytorch计算图等概念
🔥Pytorch使用-2：dataloader处理过程及模型训练性能分析
强化学习算法-3：GSPO、SAPO及KL散度改进
残差连接————Kimi注意力残差/字节混合注意力
模型推理框架vllm-3——KVCache管理器
模型推理框架vllm-2——生成以及调度过程
开源模型技术总结-3————FireRed（小红书）开源模型
强化学习算法-2：熵坍缩以及奖励坍缩问题机制分析及解决措施
强化学习算法-1：GRPO、DPO与PPO解析
深入浅出了解生成模型-10：Flow Matching基本原理
模型训练分析-1：Loss以及Grad Norm分析
深入浅出了解生成模型-10：模型蒸馏与剪枝
深入浅出了解生成模型-9：扩散模型微调框架ai-toolkit介绍
深入浅出了解生成模型-8：生成加速策略概述
模型推理框架vllm-1——整体框架及使用
Stable Diffusion WebUI和Comfui基础使用
模型量化操作————GPTQ和AWQ量化
多模态模型——QwenVL2.5的微调以及强化学习代码操作
开源模型技术总结-1————Qwen系列模型
开源模型技术总结-2————DeepSeek系列模型
常见的各类LLM基座模型（GPT、DeepSeek、Qwen等）模型解析以及对比
图像消除论文-2：RORem、ObjectClear
README
深入浅出了解生成模型-7：调度器（scheduler）原理
深入浅出了解生成模型-6：常用图像生成基座模型与 Adapters等解析
CV中常用Backbone-4：目标检查算法原理以及代码操作
图像消除论文-2：SmartEraser、Erase Diffusion、OmniEraser
深入浅出了解生成模型-5：diffuser/accelerate库学习及其数据合成
深入浅出了解生成模型-4：一致性模型（consistency model）
图像消除论文-1：PixelHacker、PowerPanint、Attentive Eraser
深度学习学习率优化方法——pytorch中各类warm up策略
多模态算法Clip、Albef、Blip等算法原理
深入浅出了解生成模型-3：Diffusion模型原理以及代码
CV中常用Backbone-3：Clip/SAM原理以及代码操作
深入浅出了解生成模型-2：VAE模型原理以及代码实战
深入浅出了解生成模型-1：GAN模型原理以及代码实战
CV中常用Backbone-2：ConvNeXt模型详解
Qwen多模态系列论文
强化学习框架：OpenRLHF源码解读，模型训练-1
强化学习框架：OpenRLHF源码解读，模型处理
多视觉编码器协同与高低分辨率特征融合技术综述
Python进阶知识：多进程/多线程/装饰器
数据蒸馏（Data Distillation）操作原理
Kimi论文——Muon优化器原理/torch优化器
LLM 生成策略全解析-1：llm模型输出控制
DeepSpeed基本原理
从梯度消失到模型过拟合：归一化、Dropout 和梯度裁剪的深度解析
Kimi/DeepSeek最新论文MoBA与NSA阅读
Docunmen AI 中图像高分辨率处理思路汇总
深入探讨Attention变种与内存优化：从MHA到Flash/Page Attention
深度学习中常见的LLM微调技术及其代码
LLM中常用的位置编码原理及其代码
深度学习混合专家模型（MoE）/KV-cache原理及其代码
CV中常用Backbone(Resnet/Unet/Vit系列/多模态系列等)以及代码
深度学习Word Embedding原理及其代码
深度学习中各类学习率优化方法(AdaGrad/RMSprop/Adam/Warm-UP)原理及其代码
通过单/半/混合精度加速训练以及显存优化（gradient-checkpoint）操作
深度学习基础理论————常见评价指标以及Loss Function
机器学习基础原理————数据预处理原理及代码
机器学习基础原理————集成学习算法
机器学习基础原理————可解释性Shap Value原理及代码
机器学习基础原理————可解释性LIME原理
机器学习基础原理————贝叶斯优化原理及代码实现
视觉模型————AlexNet原理以及代码
视觉模型————LeNet原理以及代码
视觉模型————GoogleNet原理以及代码