反向传播算法深度实战：从链式法则到现代深度学习引擎
从微积分链式法则出发，详解反向传播算法的数学原理与工程实现，涵盖PyTorch autograd引擎、梯度消失/爆炸解决方案、混合精度训练、Feedback Alignment与Z-Prop等现代变体，附完整NumPy实现。
深度学习
2026年深度学习推理加速与模型优化技术全景：从量化压缩到大模型部署实战
2026年深度学习推理加速与模型优化技术全景，涵盖MXFP4量化、FlashAttention-4、MoE加速、SGLang、Specular Decoding等最新技术进展
Transformer架构深度解析：从自注意力机制到大语言模型的演进之路
深入剖析Transformer架构核心组件——自注意力机制、多头注意力、位置编码、前馈网络，探讨如何支撑千亿参数大语言模型的训练与推理
Transformer架构的演进之路：从注意力机制到通用计算引擎
系统梳理Transformer架构从2017年诞生至今的完整演进脉络：从原始自注意力机制，到Encoder/Decoder架构分化，到MoE、线性注意力、状态空间模型等前沿方向。深入分析Flash Attention、RoPE、SwiGLU、DeepNorm等关键技术变革，并展望Transformer与SSM混合、推理时计算扩展、多模态统一等未来趋势。
GPU 并行计算深度实战：从 CUDA 核心编程到内存层次的全栈优化
从GPU硬件微架构出发系统梳理CUDA编程核心抽象、内存层次优化策略以及性能调优方法论，覆盖SIMT模型、合并访问、Bank Conflict、Register Tiling、Tensor Core编程、Roofline分析等主题。
LoRA微调实战：从零实现参数高效微调
深入解析 LoRA（Low-Rank Adaptation）的数学原理与工程实践。涵盖核心直觉、架构设计、从零实现、训练流程、QLoRA量化微调、多任务管理、DoRA改进版，以及常见问题排查与调优指南。附完整 PyTorch 代码示例，帮助读者在消费级显卡上高效微调大语言模型。
拓扑学深度实战：从拓扑空间、开集闭集与连续映射到紧致性、连通性、分离公理与基本群和同伦的完整工程链路
从点集拓扑第一性原理出发，用纯Python从零实现有限拓扑引擎，覆盖开闭集/闭包/内部/边界、分离公理、连续性、紧致性(Heine-Borel)、连通性、基本群与同伦，每段配可运行代码并映射到深度学习(流形假设/损失地貌/Mode Connectivity/拓扑正则化)
解码生命的算法密码：当AI遇见精准医学，一场正在发生的医疗革命
AI与基因组学深度融合正在推动精准医学从理论走向大规模临床应用，从变异解读到影像解码，从多基因风险评分到实时药物响应预测，本文全景式解析这场医疗革命的底层技术与未来图景。
组合数学深度实战：从生成函数、容斥原理与卡特兰数到斯特林数、Burnside 引理与组合计数的完整工程链路
深入剖析组合数学核心——生成函数卷积、容斥原理与错排、卡特兰数递归、斯特林数与贝尔数、Burnside 引理群计数，配6段可运行Python代码并映射现代深度学习（排列不变性/组合优化/假设空间）
泛函分析深度实战：从赋范空间、巴拿赫与希尔伯特空间到压缩映射、正交投影、再生核希尔伯特空间与神经正切核的完整工程链路
深入剖析泛函分析核心——赋范空间/巴拿赫/希尔伯特、有界算子与算子范数、巴拿赫不动点、正交投影与Gram-Schmidt、里斯表示定理与RKHS、神经正切核NTK，配6段可运行Python代码连接现代深度学习
