NumPy
PulseAugur coverage of NumPy — every cluster mentioning NumPy across labs, papers, and developer communities, ranked by signal.
19 天有情绪数据
-
新的K-ABENA框架通过选择性梯度计算大幅降低AI训练成本
研究人员推出了一种用于神经网络训练中选择性梯度计算的新框架K-ABENA。该方法旨在通过排除一部分低损失观测值在反向传播中的参与来降低每次迭代的计算成本。K-ABENA的补偿版本利用Horvitz-Thompson重加权技术，实现了无偏梯度估计，并展示了与全批量随机梯度下降（SGD）相当的收敛保证，同时提供了显著的计算节省。
-
VLMs 实现开放词汇视频场景图生成
一种新的视频场景图生成（SGG）方法利用视觉语言模型（VLMs）来创建视频内容的结构化、机器可读的描述。与依赖固定词汇的传统 SGG 方法不同，这种方法使用 Qwen2.5-VL 等开放词汇 VLMs 直接从视觉和语言线索生成描述。该过程包括从视频中选择关键帧，然后使用 VLM 识别对象、人物及其关系，形成一个可编程分析的图。
-
新框架使用图流进行带缺失数据的安全检索
研究人员开发了一个名为“电导修复证据图”的新框架，用于前瞻性安全检索。该方法通过以时间戳方式处理来自各种渠道（如 CVE 描述和修复提交）的证据，来应对操作分类的挑战。系统不依赖学习的预测器来处理缺失数据，而是使用确定性的图流递归来扩展不完整的通道，并发出详细说明该过程的修复证书。理论基础包括用于识别缺失通道的自适应下界和最小有害修复的 NP-hard 性结果。
-
作者详述使用AI辅助构建的个人财富追踪器
作者详述了如何使用AI构建个人财富追踪器，特别提到了Claude作为AI助手。该项目涉及在Jupyter Notebook环境中利用Pandas、NumPy、Matplotlib和Seaborn等Python库来处理和可视化金融数据，最终将其导出到Google Sheets。
-
通过代码和类比解释反向传播和矩阵微积分
本文解释了反向传播和矩阵微积分在深度学习中的数学概念。它使用工厂装配线的类比来说明如何通过反向传播识别和纠正错误，这类似于神经网络中梯度的计算。解释中详细介绍了用于进行预测的前向传播、代表客户不满意的损失函数，以及通过层追溯错误以使用梯度下降调整参数的反向传播。
-
在Python中训练的感知器可在不可编程的Casio计算器上运行
一位业余爱好者成功地在一台不可编程的Casio-Fx-82-Es Plus计算器上实现并运行了一个感知器（一种神经网络）。该项目涉及在没有NumPy等外部库的情况下使用Python训练感知器，以识别一个点是否落在特定的伯努利双纽线曲线上。然后在计算器上执行推理，成功率达到70-85%。
-
RAG-Anything 教程：在 Colab 中构建多模态检索管道
本教程演示了如何使用 RAG-Anything 在 Google Colab 中构建多模态检索管道。该过程包括设置环境、安装 OpenAI 和 Pillow 等必需的软件包，并配置系统以处理包括文本、表格、方程和图像在内的各种数据类型。然后，用户可以生成合成报告，将其转换为可用格式，并在 RAG-Anything 框架内测试不同的检索模式。
-
新的基准测试使用真实代码优化测试 LLM
研究人员推出了 SWE-fficiency，这是一个旨在评估语言模型在真实软件存储库上性能优化能力的新基准。该基准包含 498 个任务，涵盖 NumPy 和 Pandas 等九个流行的数据科学、机器学习和 HPC 存储库。它挑战代理分析代码、识别性能瓶颈并提出能够匹配或超越专家加速效果但又能通过所有单元测试的补丁。初步评估显示，当前最先进的代理表现明显不佳，由于在定位、跨函数推理和保持代码正确性方面存在困难，其加速效果仅为专家的 0.…
-
作者构建混合搜索引擎，结合了向量搜索和关键词搜索
作者在 LLM Zoomcamp 2026 期间详细介绍了他们构建混合搜索引擎的经验。他们解释了传统关键词搜索和向量搜索之间的基本区别，强调向量搜索通过将文本转换为数值向量来匹配含义而非精确的词语。该项目包括使用轻量级 ONNX 模型实现文本嵌入，使用 NumPy 从头开始构建向量搜索，以及对长文档进行分块以提高检索准确性。最后，作者使用倒数排名融合 (RRF) 集成了关键词搜索和向量搜索，以结合两种方法的优点，从而获得更精确的搜索结果。
-
LLM 评估指标需要置信区间来区分信号与噪声
评估大型语言模型 (LLM) 需要理解性能指标中固有的不确定性。单一分数，例如 84.2% 的准确率，可能具有误导性，因为它没有考虑到抽样误差。通过使用 bootstrap 置信区间，开发人员可以将点估计转换为一个范围，揭示模型之间观察到的差异是否具有统计学意义，还是仅仅是噪声。这种方法，特别是用于模型比较的配对 bootstrap，有助于确保改进是真实的，而不是特定评估数据集的结果。
-
NVIDIA Canary-1B-v2 教程：ASR、翻译和字幕生成
本教程演示了如何利用 NVIDIA 的 Canary-1B-v2 模型进行高级音频处理任务，包括自动语音识别 (ASR)、翻译和字幕生成。该指南涵盖了使用 NeMo、NumPy 和 SciPy 等依赖项设置必要的 Python 环境，然后加载 Canary 模型以在 GPU 上进行高效推理。它详细介绍了准备音频文件、执行多语言 ASR、翻译语音、生成时间戳以及导出 SRT 格式字幕，为各种音频应用提供了全面的流程。
-
TimeCopilot 教程展示了使用 Foundation Models 的端到端预测
本教程演示了如何使用 TimeCopilot 构建端到端的预测管道，TimeCopilot 是一个集成了各种预测模型的工具。该过程包括准备一个包含真实航空公司乘客数据和包含异常值的合成序列的数据集。然后，它评估了一系列统计模型，包括 Prophet 和 Chronos，以及可选的基于 GPU 的模型，如 TimesFM，以确定最佳性能模型。工作流程包括生成概率预测、可视化趋势、检测异常观测值以及利用 LLM 代理进行模型选择和解释。
-
开发者创建简化的 torch.compile 以解释算子融合
一位开发者用大约 500 行 Python 代码创建了 PyTorch 的 `torch.compile` 的简化实现。该项目旨在说明算子融合的核心概念，这是 `torch.compile` 实现显著加速的关键，即使在处理像 NumPy 中那样高度优化的函数时也是如此。开发者分享了代码和相关的 notebook 来解释其机制。
-
新框架提炼基础模型用于专业时间序列预测
研究人员开发了一个名为 Guard 的新颖框架，用于将大型通用基础模型（FM）的知识提炼成轻量级、专业的时序预测器。该方法解决了 FM 在科学领域应用面临的挑战，这些领域中分布不匹配和高计算成本是重大障碍。Guard 使用实例级决策过程和上下文路由器来选择最相关的教师 FM，并使用不确定性门控温度机制来控制提炼强度，从而实现适合资源受限边缘部署的高精度预测。此外，一个教程演示了如何使用 TimeCopilot 构建端到端的预测管道，该…
-
ZenML 0.80.0 发布，旨在解决 ML 流水线可复现性问题
ZenML 是一个开源的 MLOps 框架，已发布 0.80.0 版本，旨在解决机器学习流水线中可复现性的重大挑战。该框架将实验跟踪器和编排器等 20 多种不同工具连接到一个统一的系统中，使用户能够构建和管理生产就绪的 ML 流水线。此版本强调基于 Python 的方法，抽象化基础设施的复杂性，并实现从本地开发到云部署的无缝过渡。
-
NumPy：AI 计算的基石
本文重点介绍 NumPy 作为 AI 计算的基本组成部分，解释了它在快速数值运算和数组操作中的作用。文章强调，没有 NumPy，现代 AI 生态系统就不可能存在，突出了它对 AI 库和数据科学的关键重要性。
-
DuckDB 的速度解析：进程内执行与列式存储
DuckDB 是一种进程内分析型 SQL 数据库，因其易用性和出色的性能而迅速普及。它作为一个库运行，无需单独的服务器，简化了与应用程序的集成。本篇是深入探讨 DuckDB 内部机制的第一部分，解释了其设计选择，如列式存储、向量化和进程内执行，如何提升其速度，使其能够快速处理大型数据集，而无需大量基础设施。
-
新基准评估LLM代理行为的公平性
研究人员推出了AgentFairBench，这是一个旨在评估大型语言模型（LLM）代理行为中人口统计学差异的新基准。该基准基于偏见传导框架，涵盖招聘、贷款和医疗分诊领域。它利用合成档案和受Bertrand Mullainathan工作启发的 منهج来衡量行为率差异和工具调用差异，并侧重于统计严谨性以避免夸大差异。对Claude Haiku 4.5的初步测试显示，除抽样噪声外，没有显著的人口统计学效应。
-
用户因依赖冲突难以安装fastsdcpu
一位Reddit用户在Windows 11上安装fastsdcpu软件时遇到了严重困难。主要问题似乎是依赖冲突，特别是NumPy的新版本（2.0+）与onnxruntime等组件所需的旧版本（1.x）之间的冲突。此外，与PyTorch版本不兼容以及弃用的行为也会导致导入错误。用户已设法在虚拟环境中强制使用特定旧版本的NumPy和PyTorch，但由于连接错误（可能与Gradio或防火墙设置有关），应用程序仍无法启动。
-
MONAI教程：使用UNet实现端到端3D脾脏分割
本教程演示了一个使用MONAI框架的端到端3D医学图像分割流程。它专注于使用3D UNet模型从CT图像中分割脾脏。该过程涉及广泛的医学成像转换、混合精度训练和滑动窗口推理以实现准确预测。