本摘要解释了神经网络训练背后的机制，特别是自动微分（如 PyTorch 的 `loss.backward()`）的运作方式。 训练神经网络涉及通过梯度下降法调整参数，以最小化损失函数。为此，必须计算损失函数对每个参数的导数。计算引擎不再使用手动计算，而是使用**反向传播**——一种反向模式的自动微分。 该过程依赖于三个核心概念： 1. **局部导数：** 每个运算（如加法或乘法）都有简单且预定义的导数。 2. **链式法则：** 若要找出输入如何影响最终损失，需将从损失回溯至该输入的路径上的所有局部导数相乘。如果一个输入通过多条路径对损失产生贡献，则将这些路径的导数相加。 3. **计算图构建：** 当模型执行前向传播时，它会静默地构建一个“计算图”。每个数值都会记住其输入及其产生的运算过程。 “反向”传播只需将此图按拓扑排序进行反向处理，并将梯度从损失回溯至输入，从而在一次高效的遍历中更新所有参数。
每日HackerNews RSS
抱歉。
:focal(1024x683:1025x684)/https://tf-cmsv2-smithsonianmag-media.s3.amazonaws.com/filer_public/f8/ef/f8ef2bbf-1984-46d7-9fba-cb9324c82871/3917.jpg)
长期以来，研究人员一直试图揭开古罗马混凝土非凡耐久性的秘密。古罗马混凝土历经两千年依然完好，而现代混凝土往往在百年内就会崩解。虽然火山灰、石灰和水之间的“火山灰反应”早已广为人知，但一项针对哈德良别墅 1900 年前建筑的研究表明，碳化作用在这一长寿特性中起到了关键作用。
通过分析来自古代公共厕所的样本，科学家发现大气中的二氧化碳与混凝土内的钙化合物发生反应，形成了方解石。这种矿物质填补了孔隙和细小裂缝，使材料能够随着时间的推移进行“自我修复”并不断增强。这些发现建立在先前关于古罗马混凝土自愈特性的研究基础之上。
通过了解这些古代化学过程，现代工程师希望开发出更具韧性和可持续性的建筑材料。鉴于现代混凝土的生产约占全球碳排放量的 8%，解开这些秘密对于未来建筑至关重要，因为它有望实现更长久且更环保的基础设施建设。
罗马混凝土之所以持久坚固，很大程度上归功于其独特的化学成分，特别是石灰和火山灰的使用。与依赖钢筋（钢筋腐蚀会导致混凝土内部开裂）的现代波特兰水泥不同，罗马混凝土利用了一种“自我修复”过程：当暴露在潮湿环境中时，残留的石灰会发生反应并填补微小裂缝，从而随时间推移有效地加固结构。
Hacker News 上的讨论指出，虽然罗马混凝土极其耐用（尤其是在海洋环境中），但现代基础设施优先考虑的目标有所不同。当今的工程重点是快速施工、成本效率和特定的结构要求（例如高层建筑所需的抗拉强度），而非追求千年的寿命。
古建筑被认为“更优越”，很大程度上受到了“幸存者偏差”的影响；只有最坚固的罗马遗迹才得以保存至今。虽然现代建筑中存在不锈钢钢筋或非金属纤维等替代品，但它们通常被认为成本过高，无法普及使用。最终，向现代快速固化材料的转变是由经济和功能需求驱动的，尽管人们对在小规模、可持续房屋建设中使用石灰基“透气”材料仍保持着浓厚的兴趣。
```旧图标``` Old Icons
3 天前
在关于现代 Mac “圆角矩形（squircle）”图标的讨论中，Dr. Drang 博士回顾了最初 Macintosh 时代的各种设计局限。在早期，图标被限制在 32x32 的黑白像素内。为了区分应用程序和文档，苹果推广了一种带有“手”的“倾斜矩形”主题，用以暗示交互性。
Drang 指出，尽管许多现代评论家哀叹图标边界外“伸出”元素的消失，但这一设计原则其实源于早期的 Mac——当时，手部元素经常延伸到倾斜的应用程序图标边缘之外。虽然 Aldus 和 THINK 等开发者最初采用了这些惯例，但随着用户对平台越来越熟悉，对这种严格视觉线索的需求也随之淡化。最终，设计变得更加多样化，束缚也更少，从而诞生了像经典的 *ResEdit* 那样更具异想色彩的图标。归根结底，Drang 利用这段历史来梳理 Mac 图标演变的脉络，提醒我们：今天关于图标形状的争论，其实是结构一致性与创作自由之间长期对话的一部分。
抱歉。
2026年，科技在家庭暴力（DV）中被频繁用作武器，99%的案件涉及某种形式的数字追踪、间谍软件或骚扰。各大厂商的标准智能手机常因后台数据收集而损害用户隐私，使其易被施暴者利用。
为应对这一问题，PrivacyPros提倡使用“DV安全手机”——即经过专业加固、去除谷歌服务的设备，旨在帮助用户重获安全与独立。通过使用GrapheneOS等操作系统，这些手机消除了谷歌的遥测技术，提供严格的应用程序隔离，并具备紧急情况下的胁迫PIN码等功能。关键安全措施包括麦克风和摄像头的硬件切断开关、追踪器检测以及元数据删除。
这些设备旨在配合专业支持（如1800RESPECT和电子安全专员）共同使用。一部配置得当、去除谷歌服务的手机是保障隐私的重要工具，既能让幸存者保持联系，又能大幅减少其数字足迹。对于处于高风险状况的人士而言，转向以隐私为中心的设备是安全规划中至关重要的一步。
如果您或您认识的人正面临风险，请寻求专业帮助。专用技术可以帮助将潜在的施暴工具转化为安全与赋能的源泉。
对不起。
这看起来是一个 PDF 文件的乱码内容，无法翻译为中文。
抱歉。
使用大语言模型编程既能带来极高的生产力，也具有极大的破坏性。虽然人工智能可以生成代码，但这一过程会产生一种“监管疲劳”——即从令人满足的构建过程，转变为持续验证和提示工程带来的枯燥任务。这种转变往往让人感到孤独，并消耗了编码通常能带来的“多巴胺激励”，导致开发者的反馈循环被打破。
作者认为，这并非软件工程的终结，而是一次重大的演变。就像向响应式设计的过渡一样，核心技艺并没有消亡，而是在发生转移。工程师的价值已不再体现在编写代码行数上，而在于是否具备品味、架构判断力以及作为人工智能输出质量把关人的专业知识。
当前的挑战在于“人类奖励函数问题”，即学习如何在优先考虑人类意图和系统级思维、而非手动编写语法的流程中找到满足感。尽管这种转变令人疲惫且需要承受巨大的压力，但它最终强化了一个事实：人类的判断力仍然是软件开发中最稀缺、最有价值的资源。你并不是在失败，你只是在适应工作本质上发生的根本性变革。
抱歉。
对不起。
**LingBot-Map** 是一款专为高效流式 3D 重建而设计的最先进 3D 基础模型。它利用**几何上下文 Transformer** 架构，将坐标定位、稠密几何线索和长距离漂移校正统一到一个单一的流式框架中。
**主要特性：**
* **高性能：** 使用带有分页 KV 缓存注意力的前馈架构（通过 FlashInfer 优化），在 518×378 分辨率下可实现约 20 FPS。
* **可扩展性：** 通过滑动窗口推理和智能关键帧间隔选择，支持超过 10,000 帧的序列。
* **多功能性：** 兼容多种基准测试（KITTI、Oxford Spires、Tanks and Temples 等），并提供交互式浏览器查看器和强大的离线批量渲染流程。
* **先进功能：** 包含通过 ONNX 实现的自动天空遮罩，以及通过基于 YAML 的配置实现的高度可定制的虚拟摄像机路径，用于电影级飞行浏览。
LingBot-Map 为研究和生产而开发，在性能上优于传统的基于优化的方法。该模型采用 Apache 2.0 许可证发布，并为支持 CUDA 12.8 的 PyTorch 环境提供了完整的安装和使用文档。
抱歉。
Google 将于 2027 年 1 月 1 日关闭其自定义搜索 JSON API (CSE)。对于自 2006 年以来一直依赖此工具进行网络搜索集成、RAG 流水线及学术研究的开发者而言，此次停用意味着必须转向第三方搜索引擎结果页面 (SERP) 提供商。 Google 建议的替代方案 Vertex AI Search 属于企业级工具，旨在搜索内部语料库而非公共网络，因此并不适合大多数 CSE 用户。虽然 SerpApi、ScaleSerp 和 Bright Data 等替代方案可行，但开发者需要重写现有代码以适配它们各自独特的 JSON 模式。 为减少迁移阻力，开发者可以使用“CSE 替代”执行器（例如 Apify 平台上的此类工具），它通过封装 SERP 抓取工具来输出完全一致的 CSE JSON 模式。这样，开发者只需对 API 端点和身份验证进行少量修改，即可保留当前的解析逻辑。 **建议行动计划：** 1. **审计：** 梳理所有当前的 CSE 端点、每日请求量及所依赖的字段（如 `items[].link`、`totalResults`）。 2. **选择：** 在商业提供商（需重写代码）与兼容模式的执行器（仅需极小改动）之间做出选择。 3. **验证：** 在 2027 年截止日期前，实施双轨运行以对比结果。
抱歉。
为了提升性能，`tsbootstrap` 经过重新设计，消除了不必要的内存开销和 Python 层面的瓶颈。此前，该库采用“批处理”设计，将每一个自助采样（bootstrap replicate）物化为一个庞大且占用大量内存的张量。这种方法导致“算术强度”低下，迫使 CPU 反复等待数据在主内存与缓存之间传输。 此次重构的核心原则有二： 1. **内核融合 (Kernel Fusion)：** 不再构建庞大的中间张量，改用 JIT 编译的内核在单次遍历中高效处理每个采样。工作集保留在缓存中，仅最终统计结果被保留。 2. **无状态随机性 (Stateless Randomness)：** 该库摒弃了导致巨大开销的每个采样对应一个 Python 随机种子对象的方式，转而采用基于计数器的伪随机数生成器 (Philox)。通过将随机性视为根密钥和计数器的纯函数，消除了与状态相关的内存分配。 基准测试显示，在持续工作负载下，融合路径的速度提升了 3.1 倍至 20 倍，小规模任务的延迟从 13.1 毫秒降至 0.55 毫秒。虽然该库仍为需要完整采样张量的用户保留了原路径，但这些优化表明：性能提升往往源于你选择“不去构建”的内容。
Hacker News | 最新 | 过往 | 评论 | 提问 | 展示 | 招聘 | 提交 | 登录
计算字节数，而非浮点运算次数 (thepragmaticquant.com)
10 分，作者：sgilda，1 天前 | 隐藏 | 过往 | 收藏 | 1 条评论
帮助
shlokgilda 1 天前 | 下一条 [–]
JIT 预热扫描的实际运行成本是多少？调用一次 bootstrap_reduce 的脚本是每次都要付出这个成本，还是每个进程只在第一次调用时付出？
回复
考虑申请 YC 2026 年秋季批次！申请截止日期为 7 月 27 日。
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系方式
搜索：