pytorch

PyTorchTensor 是 PyTorch 中最基础的数据结构。模型的输入、输出、权重和梯度，最终都使用 Tensor 表示。

DAY41一、前言：深度学习可解释性痛点 CNN、深度学习模型在训练和推理过程中，前向、反向传播属于黑盒机制，我们无法直接查看中间层特征输出、梯度变化，无法判断模型关注图像哪些区域、为何做出当前预测。

一只积极向上的小咸鱼

pytorch 与资源核算主要参考Datawhale社区 # 第三章：pytorch 与资源核算在 1024 张 H100 显卡上，训练一个 70B（700亿参数）的模型，数据量是 15T（15万亿 tokens），大概要多久

小女孩真可爱

GPT(3)----------------GQA分组查询注意力机制提速为了减少模型的计算了，针对于大模型结构提出来多种设计思路，其中比较有名的有GQA, MLA, MHA,SWA等等，其中GPT用到的是GQA,所以本文主要讲这个，其他的可以自行了解。

沐神-动手学习深度学习-习题 4.3. 多层感知机的简洁实现####答案这一节介绍了如何使用深度学习框架（如 PyTorch）的高级 API 简洁地实现多层感知机（MLP）。相比上一节的“从零实现”，简洁实现将重点放在了模型架构的定义和训练流程的标准化上。

复现一个 Transformer Encoder：从论文公式到最小 PyTorch系列：开源 AI 论文复现实验与代码解读日期：2026-08-24 适合读者：研究生、科研新人、希望真正理解 Transformer 代码的工程读者检索日期：2026-08-24

小桥流水---人工智能

Windows下RTX 5070安装PyTorch GPU完整教程：Python 3.11 + PyTorch 2.8.0 + CUDA 12.9最近在一台搭载 NVIDIA GeForce RTX 5070 的 Windows 电脑上重新配置 PyTorch GPU 深度学习环境。

【微调】（案例）SpeedWolf 狼人杀策略分析模型安装过程已经在上一章描述过了，本章节不再赘述，按照以下方法执行即可：如果说显存不够，或者配置环境麻烦，推荐租赁 AutoDL 服务器，选择单卡 RTX 4090，镜像选择 hiyouga/LLaMA-Factory/LLaMA-Factory:v6 即可。

Nano-VLLM全代码解析笔记(6)-embed_head和linear一些问题：[系列(1) 开篇](https://blog.csdn.net/xxx/article/details/xxxxxx) [系列(2) 核心原理](https://blog.csdn.net/xxx/article/details/xxxxxx) 🔗上一篇：[系列(1)开篇](https://blog.csdn.net/xxx/article/details/xxxxxx) 🔗下一篇：[系列(3)实战演练](https://blog.csdn.net/xxx/article/details/

智慧校园13类视频异常检测：数据集与预训练模型全攻略在智慧校园、周界安防等场景中，视频异常检测（Video Anomaly Detection, VAD）是核心能力之一。不同于通用目标检测，安防场景往往需要对打架、跌倒、攀爬、入侵、烟火等十余类异常行为进行实时识别与告警。

DeepSeek Harness 使用 Ollama 本地部署的 AI 大模型（以Qwen3.8-27B为例）DeepSeek Harness 是 DeepSeek AI 推出的开源 Agent 框架，而 Ollama 是最流行的本地大模型运行工具。将两者结合，可以构建一套完全本地化、无需联网、数据不出电脑的 AI Agent 系统。

吃旺旺雪饼的小男孩

U-Net 语义分割详解：原论文、PyTorch 实现与真实消融实U-Net 已经发表十余年，但它仍是语义分割中最值得先掌握的结构之一。原因不复杂：编码器负责压缩上下文，解码器负责恢复分辨率，同尺度跳跃连接把定位信息送回解码端。后来出现的 UNet++、Attention U-Net、3D U-Net、nnU-Net 以及大量 Transformer、状态空间模型变体，都没有绕开这组基本矛盾——语义需要大感受野，边界需要高分辨率。

如何用Python实现深度学习？PyTorch框架核心与实践关键词：PyTorch、深度学习、张量运算、自动微分、神经网络训练在AI大模型应用开发的浪潮中,无论是搭建RAG检索增强生成系统,还是开发Agent智能体平台,底层都离不开深度学习模型的训练与推理。而PyTorch作为当前最流行的深度学习框架之一,凭借其Pythonic的设计风格和动态计算图机制,已成为学术界和工业界的首选工具。

【深度学习】（四）案例：基于PyTorch的全连接神经网络实现手机价格区间预测Jones创办了一家二手手机公司，在经营过程中遇到了一个核心难题：如何准确估算二手手机的合理售价。为了解决这个问题，他系统性地收集了多家手机销售公司的历史交易数据。该数据集包含了二手手机的各项性能指标，以及对应的最终成交价格区间。价格被划分为0、1、2、3四个等级，分别代表从低到高的价格范围，这使得问题本质上成为一个多分类任务，而非传统的回归预测问题。

【Pytorch】PyTorch 深度学习框架详解：从安装到实战本文系统梳理 PyTorch 的核心概念与常用 API，涵盖安装配置、张量操作、自动求导、神经网络搭建、数据加载、训练循环、模型保存与加载、GPU 加速、常用技巧等内容，配合可运行代码示例讲解，适合有 Python 基础、希望系统入门深度学习实战的开发者阅读。

程序猿零零漆

PyTorch 入门核心：张量操作与自动微分全解析本文将从零开始，系统梳理 PyTorch 张量的创建方法、数值运算、形状变换以及自动梯度的计算与更新，通过大量可运行的代码示例，帮助你快速建立起 PyTorch 编程的底层认知，为后续构建和训练复杂的神经网络打下坚实基础。

DAY 38此前学习的表格结构化数据，维度格式为 (样本数, 特征数)，是一维特征结构；而图像数据需要保留空间位置信息（高度、宽度），维度格式完全不同。

Είναι η κοπέλα

PyTorch 模型导出与部署实战：ONNX + onnxruntime（可直接落地）训练好的模型放在 .pth 里没人会用，导出成 ONNX 才能部署交付。这篇从导出到封装成 HTTP 服务一条龙，代码真实可跑，接单交付用得上。

PyTorch CosineAnnealingLR的T_max和eta_min参数设置在深度学习训练中，学习率调度器（Learning Rate Scheduler）是至关重要的超参数优化工具。其中，余弦退火（Cosine Annealing）因其平滑的衰减特性和优秀的性能表现，已成为最流行的调度策略之一。

PyTorch强化学习实战——用预训练语言模型和ChatGPT玩转文本游戏文本互动小说 (interactive fiction) 是强化学习研究中一个独特而富有挑战性的领域。与图形丰富的街机游戏不同，这类游戏通过纯文本描述呈现状态，要求智能体理解自然语言、进行长期规划并在复杂的语义空间中决策。我们已经以微软 TextWorld 为实验平台，学习了如何使用自然语言处理 (Natural Language Processing, NLP) 工具处理复杂的文本数据，并在交互式小说游戏环境中进行实验，在本节中，我们将借助 Hugging Face 预训练 Transformer 和