让 AI 拆 InfoNCE 分母：正例没变，重复一个负例为何仍会加大损失 对比学习常被说成“拉近正例、推远负例”。这句话没有说明一批候选怎样一起影响损失。让AI固定正例与负例的评分，只重复一条负例，就能看见InfoNCE衡量的并非孤立的正例距离。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
用 AI 算 Focal Loss：一百个容易样本，为何不再压过一个难样本 同一批训练样本中，容易判断的项目可能数量很多。每项损失虽然小，合起来仍会盖过少数难例。要理解Focal Loss改变了哪里，可以让AI先算单张卡，再把同一种卡复制一百次，检查总贡献怎样变化。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
用 AI 做保序校准：高分样本暂时失败，为何要和前一段合并 分类分数越高，校准后的概率通常希望不要反而下降。但少量标注里完全可能出现“低一点的分数成功，高一点的分数失败”。保序回归不会把标签重新排序，它在保持分数顺序的条件下寻找一组尽量贴近标签的拟合值。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
让 AI 比较 Huber 与 Smooth L1：转折点相同，损失为何仍差一个倍数 Huber与Smooth L1都常用来减弱大残差的影响，名字相近、曲线形状也相似。让AI比较时，若只说“都是小误差平方、大误差线性”，就会漏掉缩放差别，连同一批数的损失大小都可能算错。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
用 AI 算一层 GCN：邻居都填一，归一化后为何不一定还是一 图神经网络的聚合常被口头叫作“平均一下邻居”。但经典GCN的一种对称归一化并不等于逐行求平均。给每个节点都放入数字1，输出仍可能不同，这个小反例能帮助AI把两个公式分清。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
让 AI 走一遍 NMS：中间框被压掉以后，为何不能继续淘汰第三个框 目标检测给出多个重叠框以后，非极大值抑制NMS会保留哪些？若AI把所有“重叠超过阈值”的框连成一组，再整组只留最高分，算出的结果可能与贪心NMS不同。三个框就能把差别走出来。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
用 AI 算朴素贝叶斯词频：这个词更像甲类，最终为何仍判乙类 AI解释文本分类时，如果只看“某个词在哪一类更常见”，可能漏掉类别本身出现的频率。多项式朴素贝叶斯提供了一个很小却完整的练习：同一个偏向甲类的词，出现一次和出现两次，最后判断可以不同。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
让 AI 找 SVM 的支持向量：远处再添样本，分界线为何可能不动 训练样本增加了，分类边界就一定移动吗？对一份线性可分的硬间隔练习，新增点如果没有收紧约束，最优边界可以保持原样。让AI从不等式推导一次，比只记住“支持向量在边缘”更具体。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
用 AI 拆 VAE 重参数化：随机数固定以后，均值和尺度仍然可以求导 “采样是随机的，所以不能训练”并不是VAE面对问题后的全部结论。把随机来源单独取出来，模型参数仍可通过一条确定的计算路径影响样本。让AI用一个标量展开这条路径，便能检查它有没有混淆方差与标准差。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
让 AI 算 PPO 裁剪项：概率比同样超界，优势符号为何改变结果 看到PPO公式里的clip，容易让AI把所有超界的概率比都替换成边界，算完便结束。但原式还要比较裁剪前后两项，优势的正负会改变哪一项被保留下来。四格手算比一句“限制更新幅度”更能说明这件事。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
yunqueblog
