-
把一份 MNIST 旧代码变成可复现实验：Gluon 训练循环逐项验收
手写数字识别的价值不在于再得到一个准确率数字，而在于用最小数据集检查形状、设备、损失、更新与评估是否连贯。本文以 MXNet Gluon 为历史实验环境，重建一条可复算、可保存、可迁移的训练流程。
-
深度学习的边界不在模型大小：可学性、分布与反馈回路
规模扩大能够提升表示与拟合能力，却不能自动补全缺失信息、消除分布变化或证明因果。本文用五个边界条件判断深度学习何时有效、何时该换方法。
-
Keras数据加载并发：何时用tf.data、PyDataset与进程队列
给生成器的next方法加锁只能串行取数，不能自动获得正确并发或更高吞吐。本文比较tf.data与PyDataset，处理随机性、进程复制、批次覆盖和性能分析。
-
Loss卡住时别盲调学习率：一条可复现的神经网络排障路线
训练损失不降、验证损失反弹和线上测试失效是三类不同问题。本文从单批次过拟合、数据与损失契约、梯度检查到分布漂移，给出按证据推进的诊断顺序。
-
读懂ASVRG：方差缩减、近端映射与单动量加速
ASVRG面向有限和复合优化，把SVRG梯度估计、近端映射和较简洁的动量步骤组合起来。本文从问题形式、每轮计算、理论口径与实验边界解读论文。
-
一台机器装不下之后：分布式机器学习该按什么顺序学
分布式训练并不是多启动几个进程，而是把优化问题、模型状态与通信流量重新切分。本文从“为什么单机不够”出发，给出算法语义、并行策略、集合通信、扩展效率和故障恢复五层学习路线，并为每层配置可验证练习。
-
中文语音数据集怎么选：任务、场景、许可与切分检查
语料规模不是唯一标准。本文按朗读识别、会议、多领域、众包口音和语音合成列出仍有官方入口的代表资源，并给出许可、说话人切分与质量审计清单。
-
损失怎样一路传回第一层：用计算图拆开反向传播
神经网络先把输入变成预测，再把预测误差沿依赖关系逆向分配给每个参数。本文用单隐藏层网络和 L2 项建立计算图，解释局部导数、梯度汇合、矩阵形状、显存占用与数值梯度检查。
-
让模型想法真正落地：AI学习者的编程底座怎么搭
模型调用只是人工智能实践的一小段，真正决定项目能否复现、扩展和交付的，是问题拆解、数据结构、调试、测试与系统知识构成的编程底座。
-
培养能把AI做成系统的人：高校课程与科研协同的设计图
人工智能专业建设不能停留在增设热门课程，高校需要从能力目标出发，把数学与计算机基础、跨学科课程、项目实践、科研平台和分阶段培养连成一条路径。
-
训练前先算清显存账：参数、激活、梯度和优化器状态逐项估算
模型文件大小只是显存预算的一部分，训练峰值还由梯度、优化器状态、前向激活、临时工作区与框架分配行为共同决定，必须分项估算再用实测校准。
-
ASRT中文语音识别系统导览：数据、声学模型、CTC与文本输出
ASRT把音频数据、声学模型、CTC解码与文本转换组织成一条中文语音识别链。本文依据当前仓库梳理模块职责、输入输出、评估方法与适用边界。
