最近几年大语言模型（LLM） 获得了越来越多的关注，其中最知名的当属 GPT-3[6] 模型。GPT-3 模型展现了一些大模型才具备的突现能力（就是模型规模必须得增大到一定程度才会显现的能力，比如至少百亿级），其中一项能力就是上下文学习（In-Context Learning）[1,2,3,4,5]。
GiantPandaCV导语：本文主要内容是，通过图文结合的方式向读者讲解Pytorch的view 机制的原理。
参考文献：Train Short, Test Long: Attention with Linear Biases Enables Input Length Extrapolation， [链接]
expand 算子的功能简单来说就是，能够实现将输入张量的沿着大小为 1 的维度进行复制，至于复制多少份由第二个参数决定（下面将该参数称为 expand_size）。
夯实深度学习知识基础, 涵盖动态滤波，超分辨，轻量级框架等
从专利出发，浅析一切关于柔性屏、折叠屏、10倍光学变焦技术等有趣的前沿技术
本文首发于 GiantPandaCV 公众号：一文学会 Pytorch 中的 einsumGiantPandaCV导语：本文主要内容是关于如何理解 Pytorch 中的爱因斯坦求和 （einsum） ，并结合实际例子讲解和 Pytorch C++实现代码解读，希望读者看完本文后可以掌握 einsum 的基本用法。
从技术协同到产业革命，从智能密钥到已知尽头
写让你脑洞大开且能看懂的人工智能、流媒体、海外科技
【GiantPandaCV导语】本文主内容是推导 InstanceNorm 关于输入和参数的梯度公式，同时还会结合 Pytorch 和 MXNet 里面 InstanceNorm 的代码来分析。
本文主要内容是如何用Oenflow去复现强化学习玩 Flappy Bird 小游戏这篇论文的算法关键部分，还有记录复现过程中一些踩过的坑。
“星辰”处理器也可以称之为中国的Cortex-M，不过两者没有很大的交叠。授权转自微信公众号：芯基建 作者：吴优
订阅极术公开课，即时获取最新技术公开课信息
两年前，当我参与到深度学习软件系统的研发和优化时，一个观念逐渐在我脑海中形成——相关的软硬件系统会逐步收敛成标准，或一两个巨无霸。两年过去了，深度学习生态有了很大的变化。
炼丹师在转换模型的时候，经常会发现给转换前后的模型输入同样的图片，模型结果有微小的差别。其中的原因有数值算法的误差、不同 jpeg 解码库产生的结果不同等等，也有不同框架内部对某些算子的实现差异。
原文来自我的博客。本文包含集中常见方法以及 QNNPACK 优化方法的介绍。数学公式可能有排版问题，可参考原文。 采用知识共享 署名-非商业性使用-禁止演绎 4.0 国际许可授权，转载请注明出处。
本文主要内容是介绍ARMv7和v8内联汇编的一些基础知识，并且会结合两个具体例子去看下如何用内联汇编来改写原来的代码。 作者：梁德澎首发知乎：[链接]
气象预报、石油勘探、核子物理等现代科学技术大多依赖计算机的计算模拟，模拟计算的核心是表示状态转移的矩阵计算。另一方面，计算机图形处理以及近年来兴起的深度学习也和矩阵乘高度相关。而矩阵乘对计算资源消耗较大，除了计算机体系结构的不断更新外，软件优化方面也有大量的研究工作。
原载于黎明灰烬 博客。采用知识共享 署名-非商业性使用-禁止演绎 4.0 国际许可授权，转载请注明出处。文章是从 Neural Network Quantization Introduction 转译而来，因此有些翻译感，对原文感兴趣亦可直接查看。 如果公式和文字的联系对你比较重要，建议参考原文。
Tengine是一款轻量级模块化高性能的神经网络推理引擎 ；欢迎体验Tengine，[链接] 《Tengine开发者入门资料包》[链接]
