DeepMind推出AlphaTensor，用AI发现矩阵乘法新算法

DeepMind推出AlphaTensor，用AI发现矩阵乘法新算法 数千年来，算法一直在帮助数学家进行基本运算。 古埃及人发明了一种不需要乘法表就能得出两个数字的乘积的算法；欧几里得描述了一种沿用至今的计算最大公约数的算法；在伊斯兰的黄金时代，花拉子米设计出了求解线性方程和二次方程的新算法。尽管现如今我们对算法已经非常熟悉，但发现新算法的过程仍是非常困难的。 在一篇于近期发表在《自然》杂志上的论文中，DeepMind团队介绍了第一个用于发现新的、高效的、可证明正确的基本算法（如矩阵乘法）的人工智能系统AlphaTensor。它打破了一个保持了50多年的记录，发现了一种能更快地计算两个矩阵之间的乘法的算法... 来自：雷锋 频道：@kejiqu 群组：@kejiquchat 投稿：@kejiqubot

《计算机图形学入门：3D渲染指南 》

《计算机图形学入门：3D渲染指南 》 简介：计算机图形学入门：3D渲染指南是一本围绕其核心主题展开的深刻探索之作，书中详细讨论了与其主题相关的各类观点与现实应用，带给读者全新的思考视角。这本书为那些想深入了解相关领域的读者提供了充实的内容，值得一读。更多详情请访问相关链接。 标签： #计算机#计算机图形学入门：3D渲染指南#书籍 文件大小：NG 链接：https://pan.quark.cn/s/306b9dec46a6

《Computer Graphics from Scratch》从零开始的计算机图形学

《Computer Graphics from Scratch》从零开始的计算机图形学 动画电影中的美丽画面和流行电子游戏的逼真环境背后隐藏着一些神秘的算法。 这本《从零开始的计算机图形学》旨在揭开这些算法的神秘面纱，并向你展示计算机图形可以非常简单。 ​ | #电子书

大学计算机必修课新讲编译原理+操作系统+图形学

大学计算机必修课新讲编译原理+操作系统+图形学 描述：编译原理，操作系统，图形学它们在回答计算机领域三个基本问题：程序如何被编译成机器指令然后被执行（编译原理）、多个程序如何共享资源（操作系统）、人和机器如何交互（图形学）。 链接： 大小：NG 标签：#学习 #知识 #课程 来自：雷锋 频道：@Aliyundrive_Share_Channel 群组：@alyd_g 投稿：@AliYunPanBot

计算机图形学领域经典著作：《Physically Based Rendering》第四版

计算机图形学领域经典著作：《Physically Based Rendering》第四版 这本书于2023 年 3 月 28 日推出了第4版。通过完整的渲染系统的文档源代码，展示了一系列现代渲染算法。 此版描述了现代真实感渲染系统背后的数学理论及其实际实现。一种称为“文学编程”的方法将人类可读的文档和源代码组合成一个专门为帮助理解而设计的参考文献。通过本书中的想法和软件，你将学习设计和使用功能齐全的渲染系统来创建令人惊叹的图像。 这个新版本极大地改进了其最畅销的前身版本，增加了有关 GPU 光线追踪的新章节；全面报道体积光传输的最新进展；关于光谱渲染的新部分；对蒙特卡洛采样算法的许多改进；一个新的双线性补丁基元；彻底更新了反射模型的覆盖范围，包括改进了测量的 BRDF 的表示；以及更多。这些更新反映了当前最先进的技术，再加上文本和代码的清晰配对，确保了本书作为渲染工作人员的参考文本的领先地位。 （第3版，第4版）|| #电子书

LightNet 是一个基于流行的暗网平台的深度学习框架，旨在为计算机视觉任务创建高效、高速的卷积神经网络（CNN）。该框架经过

LightNet 是一个基于流行的暗网平台的深度学习框架，旨在为计算机视觉任务创建高效、高速的卷积神经网络（CNN）。该框架经过改进和优化，可为各种深度学习挑战提供更通用、更强大的解决方案。 LightNet 融合了多项前沿技术和优化来提高 CNN 模型的性能。主要特点包括： ●多任务学习 除了暗网中的对象检测之外，LightNet 还经过扩展以支持语义分割学习，从而可以对图像内的对象进行更准确、更详细的分割。此功能支持训练 CNN 模型来识别和分类图像中的各个像素，从而实现更精确的对象检测和场景理解。 例如，语义分割可用于识别图像中的各个对象，例如汽车或行人，并用相应的对象类别标记图像中的每个像素。这对于各种应用都很有用，包括自动驾驶和医学图像分析。 ●2:4 结构化稀疏性 2:4 结构化稀疏技术是一种减少 CNN 模型参数数量同时保持其性能的新颖方法。这种方法使模型更加高效并且需要更少的计算，从而缩短训练和推理时间。 例如，使用 2:4 结构化稀疏性可以减少 CNN 模型的内存占用和计算要求，从而更容易部署在手机或嵌入式系统等资源受限的设备上。 ●通道修剪 通道剪枝是一种优化技术，可以减少 CNN 模型中的通道数量，而不会显着影响其准确性。此方法有助于减小模型大小和计算要求，从而在保持性能的同时缩短训练和推理时间。 例如，通道修剪可用于减少 CNN 模型中的通道数量，以便在低功耗处理器上进行实时处理，同时仍保持高精度。这对于在计算资源有限的设备上部署模型非常有用。 ●训练后量化（维护中） 训练后量化 (PTQ) 是一种减少训练后 CNN 模型的内存占用和计算要求的技术。此功能目前正在维护中，将在未来版本中提供。 ●量化感知训练（未来支持） 虽然 PTQ 被认为足以满足 NVIDIA GPU 上的 LightNet，但对于不支持每通道量化的 AI 处理器，我们可能会考虑根据需要添加对量化感知训练 (QAT) 的支持。 | #框架