回顾前景

在上一节中，咱们留了一个代码：

func main() {
    buffer := []byte("test")
    stringData := reflect.StringHeader{
        Data: uintptr(unsafe.Pointer(&buffer[0])),
        Len:  len(buffer),
    }
    str := *(*string)(unsafe.Pointer(&stringData))
    mmp := make(map[string]int, 32)
    mmp[str] = 3
    mmp["abcd"] = 4

    fmt.Println(mmp[str])
    buffer[0] = 'a'
    buffer[1] = 'b'
    buffer[2] = 'c'
    buffer[3] = 'd'
    fmt.Println(mmp[str])
    fmt.Println(mmp["test"])
    fmt.Println(mmp["abcd"])
    for k, v := range mmp {
        fmt.Println(k, v)
    }
}

上个月，Google把"相似图片搜索"正式放上了首页。

你可以用一张图片，搜索互联网上所有与它相似的图片。点击搜索框中照相机的图标。

一个对话框会出现。

你输入网片的网址，或者直接上传图片，Google就会找出与其相似的图片。下面这张图片是美国女演员Alyson Hannigan。

上传后，Google返回如下结果：

类似的"相似图片搜索引擎"还有不少，TinEye甚至可以找出照片的拍摄背景。

作者 | ZeR0

一、生物启发的理论雏形（1890-1949）

神经协作理论奠基

1890年，威廉·詹姆斯提出神经元协同机制理论，认为大脑皮层活动是神经元间信号传递的总和效应。这一思想启发了后续对神经网络的数学建模。

MP模型与数学基础

1943年，McCulloch和Pitts提出首个神经元数学模型（MP模型），用二进制逻辑模拟神经元激活，证明神经网络可实现算术与逻辑运算。

撰文 | 赵露阳

金磊 发自 凹非寺

量子位 报道 | 公众号 QbitAI

面对数以亿计的图片数据，到底该用什么样的方法才能快速搞实验？

建议大家可以实践下，代码都很详细，有不清楚的地方评论区见~

二、AlexNet

在imagenet上的图像分类challenge上大神Alex提出的alexnet网络结构模型赢得了2012届的冠军，振奋人心，利用CNN实现了图片分类，别人用传统的机器学习算法调参跳到半死也就那样，Alex利用CNN精度远超传统的网络。

1. conv1阶段DFD（data flow diagram）：

法棍面包或将申遗 作为“法国象征”，法棍面包或将代表法国出征2021年“申遗”之战，然而令人意想不到的是，法棍也是法国人浪费最多的食物。据法国BFM电视台13日报道，生产一根法棍造成的生态消耗十分庞大，平均需要4平方米土地、一整浴缸的水并排放140克二氧化碳。最新统计还显示，法国人年均丢弃法棍9根，全国总计达15万吨。这意味着，每年生产的全部法棍当中，有10%被直接丢弃。这个数据也让法棍成为法国人浪费最多的食物（占所有浪费食物总量的13%）。鉴于当前不少人靠领救济生活以及法棍面包的制作成本，BFM电视台发出“我们浪费了太多法棍”的感叹。报道称，因追求新鲜口感而丢弃隔夜法棍是造成浪费的首要原因。为“拯救”隔夜法棍，专家建议，可以将其打成面包屑或者切丁，然后用来烤制脆皮菜肴或者入汤。（环球网；CK）

【打工人就业心态数据：超6成毕业生选择先谋生再谋业】近日，一则关于大学生就业心态的数据发布，其中79%的受访者表示，即使不满意也要先工作；而62%的毕业生宁愿从事非对口专业也想先工作。 79%的受访者表示，即使不满意，也要先工作。其主要理由是：先谋生、再谋发展，在工作中发现新机会。另有21%的受访者则坚持“不妥协”，直到找到好工作。主要原因在于，第一份工作的起点极为重要，换工作和换跑道的成本很高，不愿浪费生命。 对于“在当前的环境下，你是否会考虑找专业不对口的工作?”，62%的受访者选择“会，先上班再说。”在业界看来，这一数据反映出当下青年人求职心态更加趋于务实；亦从另一个侧面表明，今年毕业生的求职就业压力山大，需求迫切。（每日经济新闻；CK）

北京商报讯（记者 吴其芸）6月23日，网易有道宣布正式开源“子曰3”系列大模型的数学模型。这是国内首个专注于数学教育，可在单块消费级GPU上高效运行的开源推理模型。其在一系列数学推理任务中取得当前最优性能，超越了许多规模更大的通用模型。

据了解，“子曰3数学模型”在解决国内数学问题任务中展现出了优势。其通过大规模增强学习以及一系列的创新算法，训练成本仅为2.6万美元，推理性能约为DeepSeek—R1的15倍。测试数据显示，在CK12—math（Internal）、GAOKAO—Bench（Math）、MathBench（K12）、MATH500等数据集上，14B轻量级的“子曰3数学模型”各项得分均高于DeepSeek—R1等通用大模型。在GAOKAO—Bench（Math）这一基于高考数学题的大模型评测框架中，“子曰3数学模型”的得分高达98.5分。