背景 项目全景 数据集探索：Speech Commands v2 标签列表 V1~V3：试错过程 V1：随手跑（CPU，MFCC + 简单 CNN） V2：换 GPU 加轮数 V3：SpecAugment + 残差网络（快速验证） V4：根因发现——MFCC 丢帧 V5（最终方案）：MelSpectrogram + 残差 CNN + Mixup 改进组合 训练曲线分析 代码架构拆解 为什么 Mel 比 MFCC 强？ 评测结果（真实数据） 总体指标 每类准确率 混淆矩阵 Top 15 分析 推理延迟（RTX 4060, Batch=1） 模型偏置分析 部署管道 1. ONNX 导出 2. ONNX → DLC（SNPE 专有格式） 3. INT8 量化 4. 真机推理（adb） 踩坑大全 1. MFCC hop_length 的隐藏

- 阅读剩余部分 -

为什么做这件事 先拆再补 类型标注：给自己和机器一个共同的契约 print 换 logging 写 pytest，不要靠人眼验证 pre-commit：提交前把门关上 pyproject.toml：别再弄五六个配置文件了 验证结果 和 Android 熟悉的那套对上 总结 系列文章 这是 AI 实操第 8 天。第 1 天的 MNIST 训练脚本，172 行塞一个文件里，print 满天飞，没有测试，没有类型标注。今天把它拆了重写：类型标注、logging、pytest、pre-commit 一条龙。 本文首发地址 https://h89.cn/archives/674.html 项目地址 https://gitee.com/chenjim/cockpit-ai-from-zero 为什么做这件事 第 1 天写了个能跑的 MNIST 识别——功

- 阅读剩余部分 -

引言：为什么需要 SNPE？ SDK 怎么下载 关键工具有哪些 理解 DLC 格式 SNPE 运行时后端 实战：从 ONNX 到 DLC 环境搭建 执行转换 理解转换过程 查看 DLC 结构 x86 CPU 推理验证 踩坑记录 坑一：Python 版本不兼容（30 分钟） 坑二：onnx 版本限制（10 分钟） 坑三：系统库依赖缺失（30 分钟） 坑四：Padding 计算无符号整数溢出（2 小时） 验证结果汇总 总结 系列文章 这是 AI 实操第 6 天。前 5 天模型还只在通用引擎上跑，今天开始走上车路线：用高通 SNPE 把 ONNX 转成骁龙芯片专用的 DLC 格式，并在 x86 CPU 上验证推理结果一致。 本文首发地址 https://h89.cn/archives/672.html 项目地址 https://gitee

- 阅读剩余部分 -

为什么要关注 MNN？ 从零搭建 MNN 环境 模型转换：从 PyTorch 到 .mnn 用 Python 写推理代码 实测延迟：0.033ms 一次推理 MNN 在 AI 部署管线里的位置 和 ONNX Runtime 的简单对比 踩坑记录 总结 系列文章 这是 AI 实操第 4 天。第 2 天导出了 ONNX，今天用阿里开源的 MNN 在纯 CPU 上跑端侧推理，并验证转换后精度不掉。 本文首发地址 https://h89.cn/archives/670.html 项目地址 https://gitee.com/chenjim/cockpit-ai-from-zero 为什么要关注 MNN？ 训练好一个 PyTorch 模型，只是万里长征走了一半。真正头疼的是怎么把它塞进手机 App、IoT 设备或者边缘盒子。这些设备没有 GPU，没有 CU

- 阅读剩余部分 -

为什么需要实验追踪 MLflow 的四个核心概念 实验（Experiment） 运行（Run） Model Registry（模型注册表） MLflow Tracking Server 安装和基础用法 给训练脚本加上 MLflow 追踪 创建实验 记录一次运行 注册最佳模型 跑 3 组实验的结果对比 在 WebUI 中对比实验 踩坑记录 坑一：Python 文件命名 坑二：MLflow 版本差异 坑三：小数据集上实验差异不大 坑四：局域网访问被安全中间件拦截 总结 下一天预告 系列文章 这是 AI 实操第 3 天。前两篇做了 PyTorch 训练和 ONNX 导出，手上有好几个模型文件了。哪个准确率最高？当时用的什么参数？过一周还记不记得？这就是 MLflow 要解决的问题。这篇记录我实际操作 MLflow 的过程和踩的坑，读者水平跟我差不多——懂点 Pyt

- 阅读剩余部分 -

模型练好了，怎么用？ ONNX 是什么？为什么需要它？ 关键概念先扫盲 torch.onnx.export dynamic_axes（动态轴） onnx.checker.check_model onnxruntime.InferenceSession netron 代码 walkthrough：export_onnx.py 1. 加载第 1 天的模型类 2. 加载模型参数并切到评估模式 3. 导出 ONNX 4. 模型结构检查 5. 用同一张图对比 PyTorch 和 ONNX Runtime 的预测 6. 启动 netron 可视化 怎么看懂 netron 的图 界面布局：左中右三块 算子名：ONNX 的叫法和 PyTorch 不一样 连线上的形状：看懂数据怎么变 点开算子看参数 从代码到图的完整对照 踩坑记录 为什么用 imp

- 阅读剩余部分 -

MNIST 是深度学习里的"Hello World" 环境准备：先搭窝，再写代码 核心概念：用大白话理解神经网络 1. 数据集（Dataset） 2. 数据加载器（DataLoader） 3. 神经网络模型（Model） 4. 卷积层（Conv2d）和池化层（MaxPool） 5. 损失函数 6. 优化器（Optimizer） 7. 训练模式与评估模式 代码走读：理解 train_mnist.py 1. 定义模型 2. 加载数据 3. 训练与评估 4. 主流程 训练结果：5 轮后准确率接近 99% 踩坑记录 1. MNIST 是灰度图，不是彩色图 2. 四个 .gz 文件和 .ubyte 格式 3. 下载进度条的变化 4. 为什么数据路径是 ../data 5. 规模对比：5 分钟 vs 几个月 6. 损失下降但准确率波动

- 阅读剩余部分 -