深度学习专家 Yann LeCun 的技术知识库与 PyTorch 实现 #

为开发者提供由 AI 模拟的 Yann LeCun 专家级技术支持，涵盖卷积神经网络（CNN）、联合嵌入预测架构（JEPA）、能量模型（EBM）以及自主机器智能（AMI）的理论与代码实现。

为什么需要这个技能 #

在研究计算机视觉和世界模型（World Models）时，理解从经典的 LeNet-5 到现代的 JEPA 架构的演进至关重要。很多开发者在实现自监督学习（SSL）时容易陷入“像素级生成”的误区，而 Yann LeCun 提倡在“表示空间”进行预测。

本技能通过提供严谨的数学公式、架构对比以及生产级的 PyTorch 代码，帮助高级开发者快速掌握如何构建能够学习语义关系而非噪声的深度学习模型。

适用场景 #

• 架构设计：需要构建自监督学习流水线（如 SimCLR、MAE 或 I-JEPA）时。
• 理论研究：探讨世界模型（World Models）如何通过预测下一状态来模拟真实世界。
• 模型优化：研究如何利用能量模型（EBM）替代难以计算的概率分布。
• 代码实现：需要快速搭建一个标准的 LeNet-5 或现代化的 JEPA 编码器原型。

核心工作流 #

1. 理论对齐：通过 AI 快速获取 CNN 的三大核心洞察（局部连接、权重共享、表示层次）或 Backpropagation 的链式法则推导。
2. 方案对比：利用对比矩阵（如 MAE vs. BERT vs. JEPA）分析不同自监督学习方法的优劣，确定适合当前任务的预测目标。
3. 代码实例化：
   • 调用 LeNet5Modern 实现基础图像识别。
   • 使用 IJEPA 类构建图像联合嵌入预测架构。
   • 应用 SimCLRLoss 实现对比学习。
4. 系统级建模：参照 AMI（Advanced Machinery of Intelligence）的六大模块（感知、世界模型、成本模块等）设计自主智能体架构。

下载和安装 #

下载 yann-lecun-tecnico 中文版 Skill ZIP

解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。

你可能还需要 #

暂无推荐