全部文档 / 作者: vixhal / 标签: 线性代数

The Math Needed for AI Inference Engineering (Complete Roadmap)

本文系统梳理了AI推理工程所需的核心数学知识路线图。内容涵盖：浮点数表示（FP32/FP16/BF16/FP8/INT8等格式的位分配与精度/范围权衡）、舍入误差累积、溢出与下溢、机器epsilon、灾难性消除及稳定softmax与log-sum-exp技巧；量化数学，包括scale与zero-point线性映射、对称/非对称量化、粒度选择、范围裁剪、激活离群值处理及基于Hessian的曲率方法；以及线性代数计算成本分析，如矩阵乘法的浮点运算量与内存读写开销估算。作者强调在性能分析前能手算层耗时是推理工程中最有价值的习惯。

技术 › LLM

vixhaℓ 2026-09-0827.9 KB 93.1K 870 85

AI推理量化浮点数线性代数数学基础模型优化 LLM 性能优化学习路线图

人工智能/机器学习数学基础与学习路径

文章详细阐述了掌握人工智能和机器学习所需的三大数学支柱：统计学与概率、线性代数以及微积分。作者不仅解释了每个领域的核心概念（如贝叶斯定理、矩阵分解和梯度优化），还强调了它们在 AI 模型（如神经网络、回归）中的实际应用。最后，作者分享了一条个性化的学习路线图，推荐了 3Blue1Brown、Coursera 课程及《统计学习导论》等优质资源，帮助读者从直观理解过渡到理论实践。

技术 › 机器学习

vixhaℓ 2026-07-066.3 KB 152.4K 1.1K

AI 数学机器学习线性代数概率统计微积分学习路线教程

AI/ML 所需的线性代数知识（完整路线图）

本文旨在消除从事 AI/ML 工作对数学博士学位的恐惧，提供了一份精准的线性代数学习路线图。文章分为五个阶段：从标量、向量、矩阵等基础概念，到特征值、SVD（奇异值分解）等核心机器学习数学工具，再到连接微积分的梯度与雅可比矩阵。作者强调了掌握这些概念对于理解神经网络、PCA、推荐系统及 LoRA 微调等技术的重要性。

技术 › LLM

vixhaℓ 2026-04-2424.4 KB 106.9K 1.3K 79

人工智能机器学习线性代数数学基础 SVD 深度学习学习路线矩阵 PyTorch 张量