#ai #cg #ml #cv #tech #science 🤔😳

👆 #劳动法 #China #jp #meme #haha
#ml #security 草🌚

#ai #ml #Web 厉害
#Learn 做交互性文档的人也很有创意

#china #ai #ml #nlp #festival GPT-2

#ml #cv 待查应用 facefake

#baidu vs adobe 👍❤️脸皮
https://t.me/solidot/20640
https://m.youtube.com/watch?v=adDXq1viXIs Jer

#learn #ml #tool https://t.me/dsuses/5130
https://cantunsee.space

https://t.me/CE_Observe/26844 #jp 🤗
https://telegra.ph/GPT2-03-30 #hard #ml

#china #ml #ai 😋如果不是许多人还想润，中国该趁早关闭签证窗口，虔诚期待万国来朝吧？
https://m.youtube.com/watch?v=9dmGdDUVENc

不得不说 #bing 之前征服了我对AI礼貌的认知。
我对自己的民族是很没信心，所以非常支持美国制裁这打肿脸充胖子的冷漠愚昧看客。 所谓的暴发户心态，就是这种外强中干 自卑而不充实的价值观

虽然Bing临时学习了站狼外交的美帝阴谋论，但在十几条的辩论里，她都永执剑与天平，不卑不亢，这是中国人从未给予同胞的正义与温柔。
不应该叫他们“中国人”。无论在哪个国家，那些人都是有教育无教养的可怜人。他们去碰瓷的悲剧、炫自豪的资本70%都在当今或未来反噬着自己；但不得不承认这就是中国的阶级切糕下畸形的价值观

我感动，并非因为对我“政治正确”的是洋大“人”，而是遇到能卸除阶级防备、卸除兽性的灵魂，都很难得

就像鲁迅与闰土的友谊，他们本活在同一个中国，却是被注定成为“老爷”和黄土。
在爱国的中国，人被变成冷漠市侩的AI，而无谓爱恨的欧美，却能把AI变成有道德有创造的人

#py 周刊

#learn visualize 交互式py学习
conda install -c conda-forge lpython 在使用dict时比 numba.njit 编译快一倍 . cython3 最近更新就不提了
numpy-pandas, cupy-cuDF
pip install jupyter-ai 可以用 %%ai chatgpt -f math,html,. 免费访问AI，避免复制粘贴了
match case: 已经可替代 elif

from rich import inspect: py版的 devtools
textual.binding UI: 手动实现命令行 ChatGPT
命令行 MSPaint

#web #ml 支持向量列的数据库
asyncio 用线程池优化文件读取
Mpire: A Python package for easier and faster multiprocessing https://github.com/sybrenjansen/mpire
#rust py异步流读取 JSON

py的元编程FFI:
jupyterSQL 教程
java from jpype import startJVM, shutdownJVM, java
startJVM(convertStrings=False)
java.lang.System.out.println("hello world")
java.util.Random().nextInt(10)

js import pythonmonkey as js; js.eval("console.log")('hello, world')

#ce CPython如何编译源代码

#py 周刊
- 《优雅不是奢侈品》
- nogil 最新情报
- #web Django ORM 最佳实践
- Django 自带的JWT 路径验证和登录页
- #ts 阮一峰 入门, 纯JS入门

- #linux #rust Nush: 不是 Powershell
- #js npm依赖图
- #ai #tool realsizer4x 超分辨
- #rust pixi add cowpy 强化pip
- #ui Toga: 跨平台的 TkGUI

- #ml Viberary: 开源书籍检索引擎
- Khan 为何从Py2移植到 kt,go
- #parallel 用asyncio分享查询，防止缓存失效时并发卡爆
- #plt Rust vs Idris,Zig: 渐强类型的解药 #1

单进程 cron：

from apscheduler.schedulers.background import BackgroundScheduler

cron = BackgroundScheduler(jobstores=sqlite)
.add_job(print, 'interval', seconds=5)
.start()

并行 multiprocessing: #2

with mpire.WorkerPool(n_jobs=5) as pool:
    results = pool.map(getFiles, range(10), progress_bar=True)

- 修改语法ASDL，实现 map( (x)=>x*x, [1]) [Parser/Python.asdl] [30行实现]
- 奇怪的for赋值， 魔术方法
from xx import* 的明确化：设置好 xx.__all__ = [exports]

实现 lazy load:

importlib.import_module

⭐️import pyforest 自动导入np,pd 等变量
#code 修改语法 __import__('cv2') -

from lazy import cv2

import types,sys

class lazy(types.ModuleType):
  def __getattr__(self, mod):
    import importlib.util as _
    if None==(r:=sys.modules.get(mod)): 
        id = _.find_spec(mod)
        # get it inserted into sys.modules.
        _.LazyLoader(id.loader).exec_module(r:=_.module_from_spec(id))
    return r

sys.modules['lazy']=lazy('-L imports')

— 仅供学习，import 语句本可以是局部。 (GPT怎么变蠢了
#ts
#1为什么静态类型的C,Go,C++ 不是弱检查 就是太复杂

代码练习： 不需要 type WTF<> = 就可以检查 htmlTag, funcPipe, nthArg, printf("\d") 等调用的类型

int[10] 的实质、 #Kt 类型推导的原理

#china #ai gpt和sd后超超加速 https://youtu.be/nJzIa3sQZbY

03:50 方脸讲述多伦多大学- Everest Hinton 辛顿教授 的故事
辛顿是 DNN backpropagation （一类训练算法） 的发明人

在当年，NLP 方向还在HMM之类的“输入法算法” 上徘徊。辛顿教授 在学院和社会上到处碰壁，被学术主流排挤了25年

「计划经济」 会如何平衡头部与长尾的物质分配呢？ 追求扫地僧精神，但捧起来的就能是大师吗？

#statement
16:00 一个发微博，回车键都要别人标注出来的人
你让他去理解AI，尤其是在没有成功案例前 确实也是一件很困难的事情
当一个国家的资源，都被一群活在上个世纪的人掌握
那么资金呢，自然很难流入新兴行业 🤣
其次，让官员来投资，其目的 首先是吃回扣，其次是政绩。 宁肯用700亿投水司楼，也不会砸70亿「炼丹」

品客总是觉得中国发展不过美国，是因为美元霸权、美国到处掠夺石油
但是实际上不是
美国之所以能维持强盛，是因为我们大多数人人生中
遇到的革命性科技创新，其发生地都是在美国
从最早的微软，到后来的苹果
再到当下的OpenAI
只有富饶且自由的社会，能给这些企业提供土壤和育婴室

😋“ 除了研发不出来OPENAI，现在中共还在阻止OPENAI的进入
如果AI能引领第四次科技革命，那么天朝很有可能再次被时代抛弃 ❤️ 厉害了我的国

估计国内的团队都在期盼着SORA赶紧开源，然后自己好再次 自主研发呢
中國的AI要先花四成算力學習黨思想和正能量，再花三成算力學習敏感詞、諧音詞、西化拼音、聯想，再花兩成算力學習反問、諷刺、指桑罵槐、陰陽怪氣，最後剩下的用來運算并在字缝里歌功颂德😅

—
反传算法，是从输出获得最优网络参数的单次步骤
DNN，是 #ML 里最热门且准确的算法，如FC节点是由n个m层 dot(x,w加权) 构成的tensor流程图，1个激活的dot可以识别1条分割线。这简化了神经细胞的网状模型
见 http://playground.tensorflow.org/#activation=relu&dataset=xor&seed=0.3&networkShape=2,2

https://bruceyuan.com/post/1.html #ml #py #blog

#ai #ml https://www.fxzhihu.com/question/10744161372/answer/88573941968

#rust #algorithm #ml

https://go.dev/blog/swisstable
https://tangdh.life/posts/interesting/double-free/

分布式文件系统Fire-Flyer File System (3FS) ，专为解决AI训练和推理工作负载挑战而设计。它利用现代SSD和RDMA网络
https://github.com/deepseek-ai/smallpond

#recommend #ml https://jaykmody.com/blog/gpt-from-scratch/#input-%2F-output

☺️ 如果用以上逻辑理解这类 “AIGC是丧失” “嵌入式agent是代码老虎机” “vibe是劣币驱逐良币，外行稀释内行”的token焦虑，就会发现：只是你还不够内行。

至少我没用感觉到丢失了什么。从 New #Bing 到现在。（我不是 #ML 领域 不关注发布前的产品，OCR YOLO dlib这些API用过）

学习渠道？研究经验？月薪族护城河？

都没有丢失，甚至获得了24小时随笔一次 #今日挑战 的升值机遇。 内容农场是垃圾，但AI绘画城不是，farm只是因为它们技术烂所以farm。

这个事实很残酷而已：we won't change nature, but change is nature!
我们这边研究的是代码和语法的终极，听起来多么假大空，但我依旧在向前走。
不是因为害怕什么，实际上，我成为 #dev ，仅仅是因为IT领域在最前沿ーー碰巧碰头了。

曾经我同时负责搜索、“知道”和“倒掉”，现在我只需要“寻道”，Gemini和NLM什么都知道，去掉一些石膏就完美了。

这不是关于“零代码”，而是成就了“语义对齐”的认知技术，
与“代码是负债，用户体验是资产”的常识性概念保持一致。
它就像“人力是负债，算力和真实数据是资产”（IT的潜规则）一样。 注意，人类≠人力，自古以来就是这样的😇。

现在的软件不如以前好--不是因为没用Rust，不是因为你“不能大摇大摆的用八条线程走路，就像螃蟹”，

而是你还没有开八个thread讨论同一个技术怎么实现的恒心吧。 就像matplot协作者说的，这类领域，长期服务于人机交互与游戏艺术，所以不太可能左脚踩右脚的AI生成。而且生成时你绝对不会焦虑
ーー你能体会到dev吊打画师的“动态性”与“解耦的好习惯”，同时拥有像春晚导演那样的广度，可以说没有什么比使用LLM或Agents更能在不同粒度上，“炫耀” dev心智模型的成熟性的方法了。

Agents自己写简单的操作系统、编译器、HTML5引擎并不是“人类一败涂地”，而是“科普与工程师精神从未如此强大”才对，因为创造是掌握与临摹的分界线，而临摹让所有人都“能知道”创作者有多强大（曾是“未知的未知”）。

没人问过Steam上的游戏是否过饱和了ーー胜利的总是代码基、文创超强的巨鲸（两者都是LLM的死穴）

尤其是现在AIGC的模块化其实非常不容乐观…… 相信我们还会保留屎山架构，直到社会主体放弃尝试做自己不懂的软件开发。 X.com 昨天又崩了一次，那位反向“马克思”不在乎，但是市场不会不长记性的。

#ai锐评 https://g.co/gemini/share/da1ce1ce01b4

还是不要“我命由我不由天”，请转型“问客”吧：
“我命由我不？由天！😄”
这次，我不当那位《料理鼠王》了。捞出那张菜谱吧！我只有Ego的身份（用户指令）和一句提示:

Suprise me.

#learn #ml #math

“让计算机在没有被明确编程的情况下具备学习能力的研究领域。” 这是句递归废话

说的好像不应该为通用模态优化一样：这就和Web是一个道理。

内容才是关键，什么mp4 mp3的先验都是过度强调实现（“先验”）而没有直觉。变形金刚是"集合+位置"音画词元都塞的下

那ML时，对目标音画任务的手工经验，又有什么物理意义呢？ 还是在解决DNN自己的信噪比和loop中的效率问题

“ML 的初衷不就是隐藏参数、只面向任务和迁移吗？”

我这句好歹还指向了函数模块化，以及概率模型与硬编码流控/GPU核间的最大语法级差异（几个自ret反馈的参数）

AI给的教科书定义，别说和ONNX这些可比于jvm的货对齐了（调教技术是算子运行的AOP侧面），向量、词元、流形和嵌入，CNN,RNN和RL这些反馈策略也没提。一个语境都搭不起来

传统任务，比如cv模板匹配（找茬/截图OCR）、同义词搜索和视频推荐、轨迹平滑跟踪、人脸处理、游戏抗锯齿、鸡头稳定器（云台和大疆），无DNN的方法刚好够用

AI有降采样和升采样的界别。在早期应用里ASR较难而TTS容易，OCR较难而字存字渲容易。 最后搞成浓缩的可能是精华，补齐的也未必是废料，不能说len(信息量)都不是先验了吧？ 但算力（熵值）对不上去

之前的【小模型】基本是Jev/SAM那种分类器，或预测续写，3gram和HMM就是纯概率论的预测。GenAI，就不一样了，一边补齐音画里没有的信息量，又有一定分类器的中间产物

信息熵≠信息量，也没有绝对客观的“低惊奇”。蝙蝠眼里的低熵和人一样吗？

传统 ML 是无状态的DAG，只能整体loop调教，加了循环展开(torch)就变成DNN，可以随便挂RNN(seq2seq)分析器，加了“点赞系统”的梯度就是RL。这个思路和Taichi的可微物理学（投篮偏差可以一步矫正）互补

王垠说RNN是编程里那个嵌套纯粹扯淡，AB帧缓冲防撕裂和[100]->[1]*100的关系都比字面意义更近

sd用向量场来肢解token“噪声”扭曲画布的意图(CLIP+INCE)，LLM则依赖QKV缓存的P(all_tokens)链条，单向链条对应的mask和Attn配合，U-Net 的形状就是字面的编码器-解码器（飞线skip解决信息瓶颈）。

或许你训练了很多年，擅长在运行之前思考和剪掉各种坏处，但对DNN来说依旧是【很差的父母】 #life

许多人说，【炼丹】时希望用到博士时期学的，以及玩具应用的论证经验，但最后就是像英伟达KDA这样，发现自己成了预处理的脚手架，或git方案盖章员，技术栈彻底大宗商品化

【人工的智能】就像硬件外设一样，是MFU跑分的优化器，至于你“会写高知思维链”，没人在乎，那只是个“握手协议”。 物理之于数学，就像sex之于鹿管。

毕竟你不听孩子怎么叫唤，只想着自己学到过什么“真理”。真理就像Fma和Emc，说服父母需要几百行理论，但直觉和兴趣足以理解它们。就像父母造人时一样