2023-08-31 Zhihu RSS - Githubissues

知乎每日精选 2023-08-31

一个人要怎么训练才能骑行速度达到均速 40km/h 以上？

2023-07-18 13:14:16

正好我这段时间研究过这个事儿。

我就是从菜腿150w 胖子100kg练过来的，虽然现在也不是高手也就240W 80kg，在有训练的业余圈子里面算刚入门水平。本文从完全刚买车新手的角度来回答。高手看了可能觉得太菜了都是废话。但是第一手经验过程和数据对新手快速入门可能有参考作用。

1. 明确目标，怎么才算均速40？

先来一张图

均速40怎么达成，大概需要多少功率？一句话回答的话：公路车跟风170~220w，破风或者单飞260~340w，区间上下限取决于：1，体重（60~90kg) 2，身高(160~190) 3，姿势(如果单飞破风一直趴得够低非常重要！）4，器材（一般1~3W RMB尺寸和保养合适的公路车这项就算够用，骑行台功率计码表心率带这些辅助作用也很大）5，环境（平路顺风还是爬坡逆风，效果完全不一样）。那这个问题就成了怎么训练达成FTP（一小时最大平均功率）进入上面两个区间，怎么不枯燥效率高？

喜羊羊与灰太狼之遨游神秘洋文章归档1-30集

2023-07-13 11:12:04

遨游神秘洋 01-03：流浪羊村

终于来啦！全新的充满着末日世界危机的动画到来啦！

喜羊羊与灰太狼之遨游神秘洋正式开播啦，开场三集就搞出一个大事件，直接将整个羊村从青青草原驮走，突出一个流浪羊村。

如果只从画风和人物展现上看，这一季的动画有了翻天覆地的改变。

画风的3D感更强，在注视着玄龟以及飞奔而来的海盗船时，我们看到整个透视效果技术的提升。
如何展现巨大沉没物（玄龟）呢，就必须要通过以人物为中心试点向四周辐射和自上而下的俯视镜头，在快速的切换中交替。

所以运动镜头也变得前所未有的多，而且不仅

华为云提出盘古气象大模型：中长期气象预报精度首次超过传统数值方法，速度提升10000倍以上

2023-07-07 18:53:26

上世纪20年代以来，特别是近三十年随着算力的迅速发展，数值天气预报在每日天气预报、极端灾害预警、气候变化预测等领域取得了巨大的成功。但是随着算力增长的趋缓和物理模型的逐渐复杂化，传统数值预报的瓶颈日益突出。研究者们开始挖掘新的气象预报范式如使用深度学习方法预测未来天气。在数值方法应用最广泛的领域如中长期预报中，现有的AI预报方法精度仍然显著低于数值预报方法，并受到可解释性欠缺，极端天气预测不准等问题的制约。

来自华为云的研究人员提出了一种新的高分辨率全球AI气象预报系统：盘古气象大模型。盘古气象大模型是首个精度超过传统数值预报方法的AI方法，1小时-7天预测精度均高于传统数值方法（欧洲气象中心的operational IFS^[1]），同时预测速度提升10000倍，能够提供秒级的全球气象预报，包括位势、湿度、风速、温度、海平面气压等。盘古气象模型的水平空间分辨率达到 $0.25^\circ\times0.25^\circ$ ，时间分辨率为1小时，覆盖13层垂直高度，可以精准地预测细粒度气象特征。作为基础模型，盘古气象大模型还能够直接应用于多个下游场景。例如，在热带风暴预测

登上Nature正刊、欧洲气象中心背书、轻量级方案发布：盘古气象大模型后续进展综述

2023-07-07 18:51:58

前言

自2022年11月上传arXiv^[1]以来，盘古气象大模型受到了气象学界的广泛关注。我们十分感谢同行们提出的意见和建议，它让我们更好地审视这个工作的缺点，也明确了未来的工作方向。在本文中，我们更新8个月内的进展，以期进一步充实对盘古气象大模型的理解。

盘古气象大模型的首次文稿，请参见：

谢凌曦：华为云提出盘古气象大模型：中长期气象预报精度首次超过传统数值方法，速度提升10000倍以上

开源预训练模型

盘古气象预训练模型已于2023年3月公开，见此链接。

我们公开了论文中使用的1小时、3小时、6小时、24小时模型，使得所有研究者都能够在ERA5数据集上与我们达到相同的测试结果。这些模型的运行速度很快，即使在CPU上，单步迭代需要的时间也不超过1分钟。这意味着每个研究者都可以

Profile8.1才是最佳？一篇文章搞懂所有杜比视界格式

2023-07-07 17:57:39

点亮双杜比可以很简单，也可以很复杂，因为杜比视界和全景声格式并不是只有一种。

杜比全景声已经很复杂了，DDP/LPCM/TrueHD三种内核对应了流媒体、次时代游戏和蓝光原盘；

杜比视界则更加复杂，Profile4/5/7/8/9，有着不同的向下兼容能力和画质增强层。

目前来说，市场上还没有一台播放设备能够通吃市面上所有杜比视界格式；

新手玩家经常会问：同样是杜比视界的片源，为什么有的点亮杜比视界，有的只能点亮HDR，还有的颜色会偏绿偏紫？

如果你从头到尾认真读一遍这篇文章，那么关于杜比视界格式的一切都会搞懂；

如果还是不懂，也不需要再读一遍，只需记住：

挑Profile8.1的杜比视界电影下载！

（本文只会介绍不同格式之间的区别，对于色彩编码、PQ感知量化、HLG等技术则不会深入）

Profile 4

谁动了我的显存？——深度学习训练过程显存占用分析及优化

2023-07-06 18:47:02

在大语言模型时代，不仅语言模型变得越来越大，而且几乎所有的模型都想变得越来越大，试图在模型变大之后观察到一些涌现出来的能力。

模型变大之后，最突出的问题就是显存不够用了。本文对深度学习训练过程中的显存占用问题进行一些具体分析，加深我对训练过程的理解，能够进行一些简单的显存优化操作。如果读者们有更多的相关资料、优化技巧，欢迎在评论区补充。

显存占用概述

深度学习训练过程中的显存占用，大致可以分为三部分：

框架占用，例如pytorch框架的cuda context会占用大约几百MB显存
模型参数相关的占用，比如7B的模型以FP16格式要占用14GB显存。此处还包括优化器、梯度相关的参数占用，全量微调的情况下，梯度与参数一样大，优化器状态是梯度的1~2倍（SGD为1倍，Adam为2倍）。如果使用DDP进行多卡训练，则还需要乘以显卡数量；如果使用FSDP进行多卡训练，显存占用与显卡数无关，但是会增加通信开销。
特征相关的占用，这部分显存占用是最复杂的，因为它与模型的具体计算流程有关。很多地方只会笼统地说这类占用与batchsize成正比，但是具体的比例系数很难分析。

本文希望详细解析特征相关的显存占用到底是多少。

统计方法

我们用一个样例程序，来使用不同的方法、在不同的情况下计算 $(x+1)(y+1)$ 这样一个简单的函数。具体程序为：

import torch

# Create two tensor

北京有哪些值得一逛的胡同？

2023-06-30 13:48:23

郭德纲在相声里问于大爷家住在 "七大胡同，还是九大胡同来着？"于大爷回 "八大胡同"，观众笑了。说明，八大胡同确实有点意思，至少，不仅仅是博人一笑之用。

记得有朋友总问起我去阿姆斯特丹时是否去过那里最有名的红灯区，我也曾津津乐道的告知他们自己在那里转悠了一整天，就连犄角旮旯的小巷子也没放过。并且，在心里对那些橱窗女郎们一遍又一遍的评头论足着。

然而，无论这个世界上有多少被合法化了此类区域，都依旧蕴含着被时间与空间隔开了的文化差异，即使看过多少攻略，阅读多少资料，也无法为内心带来某种近在咫尺的触碰感与对不同时代下历史文化的解读性。

直到有一天，我慢慢悠悠的闲逛在宽宽窄窄北京胡同里，走在距今六百多年前就已是莺歌一片、艳色无边的小巷里，指尖触碰着灰墙，脚底与石路摩擦，尽管眼前是偏隅一角的市井生活，却偏偏要在脑海中浮现的那些个诸如《霸王别姬》《洗澡》《城南旧事》的镜头中去寻找熟悉的老北京元素时，才明白，那种游走于异国景致中却始终无法真正产生的“触碰感”并非因为某种好奇心才会如约而来，而是一种钻进历史的夹缝对时代与人性解读之后的结果。