pytorch

Ultralytics：解读PSABlock模块Ultralytics 基于多年的计算机视觉和人工智能基础研究，创建了最先进的 (SOTA) YOLO 模型。我们的模型不断更新性能和灵活性，快速、准确且易于使用。他们擅长对象检测、跟踪、实例分割、语义分割、图像分类和姿势估计任务。

从零手搓大模型前置知识（附录一）PyTorch 基础，从张量到训练循环这一部分是本系列的 PyTorch 入门补充。它不是直接讲大模型，而是帮你补齐后面手搓 LLM 必须用到的 PyTorch 基础：

从零手搓大模型前置知识（附录二）PyTorch GPU 训练基础接着附录一，重点讲：如果你没有 NVIDIA GPU，也可以阅读这篇，因为它解释的是后面训练大模型必须理解的设备管理逻辑。

机器学习与模式识别第十三章从线性模型到神经网络考点压缩综合来源：Lecture 13 PDF（43页）、课堂笔记（CSDN）占位图y(x,w)=f(∑jwjϕj(x)+w0)y(\mathbf{x}, \mathbf{w}) = f\left(\sum_j w_j \phi_j(\mathbf{x}) + w_0\right)y(x,w)=f(j∑wjϕj(x)+w0)

深度学习入门：神经网络原理与 PyTorch 实战

Ultralytics：解读C2模块Ultralytics 基于多年的计算机视觉和人工智能基础研究，创建了最先进的 (SOTA) YOLO 模型。我们的模型不断更新性能和灵活性，快速、准确且易于使用。他们擅长对象检测、跟踪、实例分割、语义分割、图像分类和姿势估计任务。

Ultralytics：解读Attention模块Ultralytics 基于多年的计算机视觉和人工智能基础研究，创建了最先进的 (SOTA) YOLO 模型。我们的模型不断更新性能和灵活性，快速、准确且易于使用。他们擅长对象检测、跟踪、实例分割、语义分割、图像分类和姿势估计任务。

萧萧秦风瘦飞马

CSDN博客-第5天-PyTorch标准训练流程与XOR本文记录深度学习学习第 5 天的内容：把昨天“手动创建参数 + 手动更新参数”的 PyTorch XOR 程序，改写成更标准的 PyTorch 工程写法。今天重点理解 nn.Module、nn.Linear、model.parameters()、optimizer、标准训练循环，以及为什么二分类任务更推荐使用 BCEWithLogitsLoss。

用电行为异常检测VAE-基于PyTorch设计用电行为异常检测模型：从时序特征提取到变分自编码器部署的完整实战摘要：本文融合两大技术实践：Typora插件开发与用电行为异常检测。前者将Typora从简洁编辑器升级为个性化"写作IDE"，通过插件系统扩展功能、自动化流程、定制界面，为开发者提供完整的插件开发指南。后者基于PyTorch和β-VAE模型，从智能电表日冻结数据中精准识别窃电、表计故障等异常行为，将误报率从96.1%降至12%，检出率提升至89%，提供从特征工程到生产部署的全链路实战方案。

AI工程师第四课 - 深度学习入门学习代码记录仓库使用Jupyter lab测试执行代码验证。PyTorch 是最流行的深度学习框架之一，由 Meta（Facebook）开发。它用张量（Tensor）处理数据，支持 GPU 加速，提供自动求导和构建神经网络的工具。

神经网络模型导出及开放标准格式ONNX本文在上一篇文章的基础上，继续深入的分析模型格式及导出，重点分析PyTorch导出格式pt及开放标准格式ONNX。

那个右下角的小数字怎么“卡”住我打字——我用 HarmonyOS 自己写了一个字数限制输入框发微博的时候，你有没有被那个右下角的数字制裁过？你正写得文思泉涌，突然“198 / 200”变成了“205 / 200”，那串数字变红了，输入框也像被施了咒一样，再多敲一个字都吞不进去。你只好停下来，回去删掉几个“的”字，把“哈哈哈哈”改成“笑死”，小心翼翼地把字数压回 200 以内。这个限制无处不在：微博 140 字（后来放宽了），短视频标题 50 字，短信 70 字，小程序简介 100 字……它们背后，其实都藏着同一个小逻辑：监听输入内容、计算字符数、比较上限、决定是否允许继续输入。

《PyTorch 深度修炼》Dataset 和 DataLoader：数据如何喂给模型很多人刚学 PyTorch，会把数据加载理解成“读文件”。这个理解太浅。训练模型时，真正进入模型的不是图片路径，不是 JSON，不是数据库记录，而是整理好的 Batch Tensor。

【大模型】Gemma4在ROCm和vLLM部署Gemma 4 是 Google DeepMind 于 2026 年 4 月推出的一系列最新、最强的开源大模型。它的定位非常明确：以极高的"参数效率"为核心，将强大的 AI 能力从云端带到你的手机、电脑等本地设备上。

装不满的克莱因瓶

了解多标签图像分类方法——从Sigmoid输出到真实世界复杂视觉理解目录一、前言二、多标签图像分类的本质（一）任务定义（二）示例（三）核心区别三、多标签分类与多类别分类的本质区别

【VAE】From Pixels to Faces: Building a VAE from Scratch从零实现 VAE：用变分自编码器生成人脸图像本文基于 PyTorch 实现一个完整的 Variational Autoencoder (VAE)，在 CelebA 数据集上训练，实现人脸重建与生成。代码已添加详尽注释，适合作为理解生成模型的入门实践。

PyTorch强化学习实战（14）——优先经验回放机制经验回放 (Experience Replay) 通过打破样本间的时序相关性，极大地稳定了训练过程，使深度Q网络 (Deep Q-Network, DQN) 能够从非平稳分布中高效学习。然而，传统经验回放采用均匀采样策略，对所有经验样本一视同仁，这引发了一个关键问题：是否所有经验都具有同等价值？2015 年，DeepMind 的研究团队发表了《Prioritized Experience Replay》，提出了一种全新的采样机制——优先级经验回放。该方法的核心是：强化学习算法可以从更重要、更有价值的经验中

TensorFlow 2.21 进阶实战：从训练优化到生产部署的完整指南在2026年的深度学习框架格局中，TensorFlow与PyTorch形成了鲜明的分工：PyTorch以约85%的研究论文采用率主导学术界，而TensorFlow凭借37.51%的企业市场份额和25,099家公司的生产部署，依然是工业界最信赖的框架。TensorFlow 2.21.0的发布进一步巩固了其在生产部署、边缘计算和TPU训练领域的优势。

PyTorch 2.12 完全指南：从动态图到编译优化的深度学习框架演进PyTorch是一个开源的深度学习框架，由Meta（原Facebook）于2017年1月开源，2022年9月移交至Linux基金会旗下的PyTorch Foundation独立治理。其核心理念是 “定义即运行”（Define-by-Run） ——代码逐行执行，立即返回结果，完全像标准Python一样工作。这与早期TensorFlow的静态图模式形成鲜明对比，也是PyTorch在学术界迅速崛起的关键原因。

装不满的克莱因瓶

【工业领域】了解目标检测评估指标——从mAP到IoU的完整评价体系解析目录一、前言二、为什么目标检测不能只看Accuracy（一）分类任务 vs 检测任务分类任务目标检测任务