pytorch

PyTorch实验可复现实战：随机种子、依赖锁定与配置归档深度学习实验中，同一份代码换台机器就得出不同结果，是开发者常见的工程问题。即使使用相同的GPU算力平台，随机初始化、数据顺序、软件版本和CUDA算子差异，也可能让指标发生偏移。本文以PyTorch为例，建立一套从环境记录到结果复核的可复现流程。

YOLO 涨点研究（六）：网络结构改进之小目标增强篇1——无人机视角下的车辆与行人检测本系列博客旨在从源码层面拆解 YOLO 的每一个技术细节，找到涨点突破口。第一篇：《YOLO 全代码详细解读：从预处理到后处理的完整数据流动》第二篇：《YOLO 涨点研究（二）：Loss 函数深度解析与正负样本分配策略》第三篇：《YOLO 涨点研究（三）：数据增强策略深度解析与涨点技巧》第四篇：《YOLO 涨点研究（四）：网络结构改进与涨点技巧》第五篇：《YOLO 涨点研究（五）：模块优化的实验设计与代码落实全指南》第六篇：网络结构改进之小目标增强篇1——无人机视角下的车辆与行人检测（本文）

HarmonyOS ArkGraphics 2D场景化可变帧率实操——做一个智能帧率专注计时器先看完整操作：把时间从5分钟拖到25分钟，再回到1分钟，随后开始、暂停、恢复并复位。紫色交互层只在拖动时运行，绿色核心层只在计时时运行。

PyTorch DataLoader数据加载性能排查：GPU利用率低的实操指南深度学习训练时，GPU利用率忽高忽低，不一定是显卡性能不足。很多任务在GPU算力平台上更换高性能显卡后，速度仍没有明显提升，真正的瓶颈往往出现在图片解码、磁盘读取或DataLoader配置。本文通过一套可复用的排查流程，定位“GPU等待数据”的问题。

机器学习及其Python实践机器学习及其实践机器学习及其实践通过计算机程序去做获取数据的行为, 之后进行处理, 再接着分析, 还要进而理解数据, 借此识别出数据里存在的模式与规律, 并且利用这些知识来做出智能决策或者预测未来, 这被称作机器学习。近年来, 伴随社会信息化进程加快, 机器学习领域受到广泛关注, 还得到了广泛研究, 其已经在图像处理、语音识别、文本处理、推荐系统等多个领域有着广泛应用。

从零理解 PyTorch：用神经网络完成 MNIST 手写数字识别最近学习了一些深度学习和 PyTorch 框架的基础知识，并尝试使用 MNIST 手写数字数据集完成一个简单的图像分类任务。虽然手写数字识别是深度学习入门中非常经典的案例，但它包含了神经网络训练的完整流程：数据集加载、模型构建、前向传播、损失计算、反向传播、参数更新以及模型测试。

PyTorch强化学习实战——基于图像-文本融合的自动化网页导航我们已经学习了强化学习在网页导航与浏览器自动化中的应用，介绍了 MiniWoB++ 基准测试，该环境提供像素观测、文本描述和 DOM 元素等多模态输入，动作空间涵盖鼠标键盘操作。并且实现了基于异步优势演员-评论家 (Asynchronous Advantage Actor-Critic, A3C) 算法的按钮点击智能体，将动作空间简化为网格化点击，通过卷积网络处理图像观测。实验结果表明该智能体能解决简单任务(如点击对话框)，但在处理多步骤、依赖文本描述或违反马尔可夫性质的任务时效果不佳。在本节中，我们将

Python TensorFlow对比PyTorch_Python TensorFlow和PyTorch在机器学习中的差异究研与速快代迭更适配, 因着其动态图、API以及主导的学术生态；于生产部署、多端支持和企业级工具链方面更成熟。

中文 BERT 多任务分类项目：从模型结构到训练细节项目将评论分析拆成三个独立分类任务：投诉分流四分类、虚假评论二分类、广告骚扰二分类。每个任务使用自己的训练数据和分类头。

【无标题】运行 export.py 时，导入 Ultralytics 失败：错误发生在 from ultralytics import YOLO 导入阶段，实际触发点是 PyTorch 加载 c10.dll 时缺少或未正确安装 Microsoft Visual C++ 运行库依赖。

克里斯蒂亚诺更新

学习PyTorch要理解PyTorch，抓住这四个核心组件就够了：张量（Tensor）：这是PyTorch的基本数据结构，你可以把它理解为“能在GPU上运行的Numpy数组”。所有数据（图片、文字、音频）在PyTorch里都是以张量形式流动的。

HarmonyOS Navigation 实战：NavPathStack 跳转、传参、返回和路由表一次讲清系列：HarmonyOS 开发入门 · 08上一篇解决“为什么选 Navigation”，这一篇直接把一套能用于真实项目的基础结构搭起来。

训完怎么带走？AI模型私有化部署平台DLTM模型导出ONNX/PyTorch与离线部署跑遍产线边缘很多刚接触DLTM的团队会问一个很实在的问题：模型在平台里训好了，可我的业务系统在产线上、在边缘盒里、在内网隔离区，它怎么过去、怎么跑起来？会不会被“锁”在训练平台里？

深度学习Pytorch下载推荐（笔记，仅记录学习）下载推荐：b站up主“我是土堆”，有个专门的讲解下载流程注意点：新版pycharm配置环境不在使用conda，而是使用python，后期运行项目后在看是否正确，反正输出可以了 main.py文件：输出：

ubuntu24.04:降内核+显卡驱动+cuda+cudnn+pytorch+anaconda+pycharmhttps://blog.csdn.net/sinat_30065705/article/details/164096032?fromshare=blogdetail&sharetype=blogdetail&sharerId=164096032&sharerefer=PC&sharesource=sinat_30065705&sharefrom=from_link

有梦想的骇客

PyTorch学习笔记PyTorch基础介绍PyTorch基础是张量，包含torch.autograd、torch.nn、torch.optim等子模块；包含多种损失函数，包括 MSE（均方误差 = L2 范数）、交叉熵损失和负熵似然损失（对分类器有用）等。

HarmonyOS 7 新特性（四）｜沉浸光感：空间材质、性能分级与降级策略适用范围：HarmonyOS 7、API 26 Developer Beta。沉浸光感在不同系统版本、设备算力等级和窗口形态上的效果可能不同。本文把它当成一套“可分级的语义材质系统”，而不是固定滤镜参数。

【深度学习入门】Windows 下 PyTorch GPU 环境搭建深度学习的第一步，永远是把环境装好、把第一个 Demo 跑通。本文以 PyTorch 为例，从头讲解 Windows 下 CUDA 配套的 torch、torchvision、torchaudio 安装流程，涵盖驱动检查、CUDA Toolkit 安装、WHL 本地安装与在线安装方式，并附版本匹配要点和验证步骤，助您一次成功。

蓝悦无人机

端侧神经网络量化（二）：训练后量化（PTQ）训练后量化（Post-Training Quantization，PTQ）是一种无需重新训练的量化方法：拿到一个已训练好的 FP32 模型，借助少量无标签校准数据，在几分钟内将其转换为 INT8 推理模型。

磁场转动100万匹

PyTorch 手写数字识别实战：从数据加载到模型训练（零基础详解版）手写数字识别是深度学习入门最经典的实战项目之一，它基于 MNIST 数据集，目标是把 28×28 像素的灰度图片正确分类为 0 到 9 十个数字。本文结合一段完整的 PyTorch 代码，从数据加载、数据加载器、设备选择、神经网络构建、训练与测试等环节，系统讲解深度学习的基础概念，帮助读者理解模型是如何一步步学会识别数字的。