【AI系统】计算图的控制流实现
计算图作为有向无环图（DAG），能够抽象神经网络模型，但在编程中遇到控制流语句（如if、else、while、for）时，如何表示成为难题。引入控制流后，开发者可构建更复杂的模型结构，但部署含控制流的模型至不支持Python的设备上较为困难。目前，PyTorch仅支持Python控制流，而TensorFlow通过引入控制流原语来解决此问题。计算图的动态与静态实现各有优劣，动态图易于调试，静态图利于优化。
【AI系统】动态图与静态图转换
从 TensorFlow、PyTorch 到 PaddlePaddle、MindSpore、MegEngine，主流 AI 框架经历了动静分离、动静结合到动静统一的发展过程。这些框架通过动态图转静态图技术，实现了计算效率与灵活性的平衡，显著提升了 AI 开发效率和产品应用的便利性。
【AI系统】动手实现 PyTorch 微分
本文介绍了使用操作符重载（OO）编程方式实现的自动微分，特别是采用反向模式（Reverse Mode）的实现方法。文中详细解释了操作符重载的基本概念及其在自动微分中的应用，以及反向模式的工作原理。通过 Python 示例代码，演示了如何手动实现类似 PyTorch 中自动微分的核心机制，包括定义 `Variable` 类、`Tape` 结构以及实现基本的数学运算符重载。最后，通过一个具体的数学函数示例展示了如何利用上述机制计算梯度，帮助读者理解反向模式自动微分的全过程。
【AI系统】微分实现方式
本文详细介绍了自动微分的三种实现方法：基本表达式、操作符重载和源代码转换。每种方法都有其特点和适用场景，包括它们的实现原理、优缺点。自动微分是机器学习和深度学习中的关键技术，理解这些实现方式有助于更好地掌握其背后的数学原理和工程实践。文中还提到了具体的应用案例和工具，如PyTorch和MindSpore，展示了这些方法在实际项目中的应用。
【AI系统】动手实现自动微分
本章介绍如何实现自动微分，重点讲解前向自动微分的原理及Python实现方法。通过操作符重载，将程序分解为基础表达式组合，利用链式法则计算导数。示例代码展示了如何使用自定义类`ADTangent`实现加、减、乘、log、sin等操作的自动微分，验证了与PyTorch和MindSpore等框架的一致性。
Beta分布与汤普森采样：智能决策系统概率采样的理论基础
在现代技术领域，算法决策优化成为核心竞争力的关键。Meta、Netflix和亚马逊等公司通过广告位置、缩略图及产品推荐的优化，显著提升了用户体验和商业效益。这些优化背后的共同点是采用了基于Beta分布的汤普森采样算法，有效解决了决策系统中探索与利用的平衡问题。通过从概率分布中随机采样来做出决策，汤普森采样不仅保证了对已知良好选项的充分利用，还维持了对潜在更优选项的探索，从而在实践中实现了高效且自适应的决策过程。
[oeasy]python050_如何删除变量_del_delete_variable
本文介绍了Python中如何删除变量，通过`del`关键字实现。首先回顾了变量的声明与赋值，说明变量在声明前是不存在的，通过声明赋予其生命和初始值。使用`locals()`函数可查看当前作用域内的所有本地变量。进一步探讨了变量的生命周期，包括自然死亡（程序结束时自动释放）和手动删除（使用`del`关键字）。最后指出，删除后的变量将无法在当前作用域中被访问，并提供了相关示例代码及图像辅助理解。