pytorch

能力越小责任越小YA

服务器(Linux)新账户搭建Pytorch深度学习环境以前都是用Anaconda管理环境，这次试试Miniconda。二者创建新环境的能力上是完全一样的，区别仅仅在于初始的base环境中预装的东西多少。

深度学习-----《PyTorch神经网络高效训练与测试：优化器对比、激活函数优化及实战技巧》并行批量训练机制梯度更新策略多轮训练重要性测试集评估逻辑损失值与正确率的关系资源管理优化数据预处理预测结果处理

PyTorch实战（1）——深度学习概述深度学习 (Deep Learning, DL) 是机器学习的一个分支，它通过模拟人脑神经网络的结构和功能，利用多层次的神经网络模型进行数据处理和学习，彻底改变了计算机用于构建现实问题自动化解决方案的方式，本节将回顾深度学习的基本概念。深度学习可以自动从大量数据中提取特征，通过复杂的非线性函数学习输入与输出之间的关系。如下图所示，常见的输入输出类型包括：

CUDA安装，pytorch库安装由于本机没有GPU所以会出现这个报错，如果有GPU会出现如下报告：CUDA下载地址： CUDA Toolkit Archive | NVIDIA Developer

动手学深度学习（pytorch版）：第六章节—卷积神经网络（1）从全连接层到卷积目录1. 不变性2. 多层感知机的限制2.1. 平移不变性2.2. 局部性3. 卷积4. “沃尔多在哪里”回顾

深度学习（深度神经网络）Pytorch框架目录一.深度学习核心框架的选择1.深度学习框架的介绍2.框架选择与安装3.CPU与GPU的架构差异4.GPU的显存与性能指标

深度学习：CUDA、PyTorch下载安装对计算机而言，中央处理器 CPU 是主板上的芯片，图形处理器 GPU 是显卡上的芯片。每台计算机必有主板，但少数计算机可能没有显卡。显卡可以用来加速深度学习的运算速度（GPU 比 CPU 快 10-100 倍）。

Matplotlib 可视化大师系列（三）：plt.bar() 与 plt.barh() - 清晰对比的柱状图本系列旨在提供一份系统、全面、深入的 Matplotlib 学习指南。以下是博客列表：柱状图是数据可视化中最常用、最有效的图表类型之一，专门用于比较不同类别的数值。Matplotlib 提供了 plt.bar()（垂直柱状图）和 plt.barh()（水平柱状图）两个函数来创建这种图表。本文将深入解析这两个函数，帮助你掌握创建清晰、准确对比图表的艺术。

Pytorch安装详细步骤首先鼠标右击桌面-显示更多选项-NVIDIA控制面板-点击弹出界面右上角的(系统信息)-点击弹出界面的(组件)

PyTorch API 2torch.autograd 提供了实现任意标量值函数自动微分的类和函数。只需对现有代码进行最小改动——您只需要通过requires_grad=True关键字声明需要计算梯度的Tensor即可。目前，我们仅支持浮点型Tensor(包括half、float、double和bfloat16)和复数型Tensor(cfloat、cdouble)的自动微分功能。

PyTorch 环境配置参考文章：【2025年最新PyTorch环境配置保姆级教程（附安装包）】【超详细 CUDA 安装与卸载教程（图文教程）】【PyTorch安装、配置环境（全网最新最全）】

【TrOCR】模型预训练权重各个文件解读huggingface上预训练权重trocr-base-printed 下载后的trocr-base-printed是一个文件夹，结构如下：

Python day51@浙大疏锦行 Python day51复习日，DDPM

爱学习的小道长

神经网络中标量求导和向量求导在神经网络反向传播过程中 loss = [loss₁,loss₂, loss₃]，为什么 ∂loss/∂w

PyTorch - Developer Noteshttps://pytorch.org/docs/stable/notes/amp_examples.html

使用 TensorBoardX 实现 PyTorch 神经网络可视化：从入门到进阶在深度学习模型的开发过程中，可视化工具扮演着至关重要的角色。它不仅帮助我们理解模型结构、训练过程和特征提取机制，还能显著提升调试效率和模型优化能力。TensorBoard 是 Google 为 TensorFlow 提供的可视化工具，而 TensorBoardX 则是为 PyTorch 用户量身打造的兼容性工具，它不仅支持多种数据类型的可视化，还能够无缝对接 TensorBoard 的强大功能。

PyTorch API 6https://docs.pytorch.org/docs/stable/onnx.html开放神经网络交换格式(ONNX) 是一种用于表示机器学习模型的开放标准格式。torch.onnx 模块能够从原生 PyTorch torch.nn.Module 模型中捕获计算图，并将其转换为 ONNX 计算图。

基于Pytochvideo训练自己的的视频分类模型https://github.com/facebookresearch/SlowFastFacebook Research 的《X3D: Expanding Architectures for Efficient Video Recognition》

PyTorch API 7https://docs.pytorch.org/docs/stable/sparse.html警告：PyTorch 的稀疏张量 API 目前处于测试阶段，近期可能会发生变化。我们非常欢迎通过 GitHub issues 提交功能请求、错误报告和一般性建议。

深度拆解AI大模型从训练框架、推理优化到市场趋势与基础设施挑战人工智能大模型（如GPT、LLaMA等）已成为推动AI产业变革的核心引擎。其价值在于通过海量数据预训练提取通用知识，大幅提升模型泛化能力，降低微调成本。然而，大模型的开发涉及复杂的训练流程、高效的推理优化、激烈的市场竞争以及底层基础设施的严峻挑战。今天我将从大模型训练层、推理层、市场洞察及基础设施层四个维度，系统解析技术细节，希望对你们有所帮助，记得点个小红心支持一下。