pytorch

Ultralytics：解读C3Ghost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。

不羁的木木

《HarmonyOS技术精讲-NearLink Kit（星闪服务）》第3篇：数据收发——点对点数据传输实战很多人第一次尝试用 NearLink Kit 做数据收发时，会发现自己陷入一个尴尬的局面：官方 demo 能跑通，但稍微改一下场景，比如页面切换后重新连接，或者同时处理多条连接，代码就开始频繁崩溃。这其实不是 API 设计的问题，而是开发者在理解连接生命周期和状态同步时容易忽视几个关键细节。

Ultralytics：解读C2fCIB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。

大模型量化从0到1（九）：用 llama.cpp 把模型转成 GGUF 并跑本地推理上一篇把 GGUF 这个"打包盒子"从里到外解剖清楚了。这一篇动手,把盒子从制作到使用完整走一遍:用 llama.cpp 把一个 HuggingFace 模型转成 GGUF、量化成你要的档位、然后在本地(CPU 或 GPU)真正跑起来。

Ultralytics：解读AConv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。

GPU 完整运行过程：驱动、CUDA Toolkit、Conda、Python PyTorch 与 R torch/usr/local/nvidia/bin/nvidia-smi/usr/local/nvidia/lib # 系统驱动位置 libnvidia-ml.so libcuda.so

All The Way North-

【完形填空实战】BERT中文MLM微调：数据构造→训练→评估，有完整可运行代码完形填空（MLM）任务的真实值：藏在输入里的标签与文本分类任务（需要独立的 label 字段）不同，完形填空任务不需要额外的人工标注标签。它的真实值（Ground Truth）就是被挖掉的那个词原本的 ID。

拥抱太阳0616

HarmonyOS 应用开发《掌上英语》第6篇-资源管理最佳实践多模块资源复用在多模块 HarmonyOS 应用中，资源管理是一个容易被忽视但至关重要的问题。资源放哪儿？怎么引用？暗色模式怎么覆盖？跨模块怎么复用？这些问题如果处理不当，会导致资源冗余、引用混乱和包体积膨胀。

YOLO数据集集合

果蔬视觉识别数据集全量使用指南｜计算机视觉图像分类工程落地｜PyTorch迁移学习训练全流程生鲜零售分拣、智慧农业采摘、商超智能称重、生鲜APP视觉识别四大场景中，95%研发团队会遇到公开果蔬图像样本量不足、品类覆盖单一、图像尺寸不统一、训练验证集未标准化划分四大痛点；Kaggle公开果蔬数据集大多样本不足3万、品类少于40类，无法支撑工业级高精度分类模型训练，自行采集标注十万级图像人力成本超10万元、周期3个月以上。本文完整介绍一套标准化果蔬图像数据集，配套4:1自动划分脚本、224×224图像预处理流水线、ResNet迁移学习训练推理代码、类别映射工具，覆盖数据集预处理、模型训练、线下部署全

【从零开始大模型开发与微调:基于PyTorch与ChatGLM】(从退化问题到信息高速公路:ResNet残差网络实战拆解)随着卷积网络模型的成功,更深、更宽、更复杂的网络似乎成为卷积神经网络搭建的主流.卷积神经网络能够用来提取所侦测对象的低、中、高特征,网络的层数越多,意味着能够提取到不同等级的特征越丰富.通过还原镜像发现,越深的网络提取的特征越抽象,越具有语义信息.这也产生了一个非常大的疑问,是否可以单纯地通过增加神经网络模型的深度和宽度(增加更多的隐藏层和每个层中的神经元)来获得更好的结果?答案是不可能.因为根据实验发现,随着卷积神经网络层数的加深,出现了另一个问题,即在训练集上,准确率难以达到100%正确,甚至产生了下

程序员羽痕

基于深度学习的眼疾识别系统眼疾识别系统是一个基于深度学习的医疗辅助诊断平台，旨在帮助眼科医生和患者快速识别常见眼部疾病。系统通过分析眼底图片，能够准确识别白内障、青光眼、高血压视网膜病变等常见眼疾，并提供识别置信度，为临床诊断提供参考依据。

大鹏的NLP博客

深度学习模型PyTorch与ONNX数值一致性校验通用技术报告（工业级技术规范 / R&D Engineering Guideline）在深度学习模型工程化部署流程中，将 PyTorch 训练完成的模型导出为 ONNX（Open Neural Network Exchange）通用中间格式，进而开展模型量化、端侧推理适配等后续工作，是模型落地部署的标准链路。在 PyTorch 模型向 ONNX 格式转换的核心环节，框架运行模式差异、算子底层实现不一致、数据预处理逻辑拆分、浮点计算精度不统一、随机计算分支生效等诸多因素，均会引入数值计算偏差。此类偏差在深度网络中会逐步

Ultralytics：解读BNContrastiveHead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。

PyTorch KernelAgent 源码解读 ---（5）--- Dispatcherdispatch_kernel_agent.py 是 KernelAgent 系统中的调度组件，负责将 subgraph_extractor.py 生成的子图（JSON 格式）转换为具体的 Triton 内核生成任务，并调度 TritonKernelAgent 来生成和验证这些内核。

PyTorch KernelAgent 源码解读 ---（6）--- Composeruser/compose_end_to_end.py 是 Fuser 管道中的最后一个关键步骤，它将分散的、针对特定子图优化的 Triton 内核无缝地整合成一个单一的、高性能的端到端 Triton 内核，同时确保其功能与原始 PyTorch 实现的数值等价性。

Ultralytics：解读SPPF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。

猫狗分类模型 GPU版猫狗分类模型 - 基于 ResNet18 的二分类图像分类模型import torch from torchvision import transforms, models from PIL import Image import torch.nn as nn class CatDogNet(nn.Module): def __init__(self): super().__init__() self.backbone = models.resnet18(weights=None) self.backbo

拥抱太阳0616

HarmonyOS 应用开发《掌上英语》第2篇：ArkTS 模块化开发：Index.ets 统一导出模式深度解析在 HarmonyOS 多模块工程中，模块间的接口设计直接决定了代码的可维护性和复用效率。ArkTS 语言继承了 TypeScript 的模块系统，并在此基础上提供了 Index.ets 作为模块入口文件——这实际上是门面（Facade）模式在模块化领域的经典应用。

拥抱太阳0616

HarmonyOS 应用开发《掌上英语》第5篇：依赖注入与全局状态：AppStorageV2 实战HarmonyOS 应用开发《掌上英语》第1篇在 HarmonyOS 多模块应用中，跨模块状态共享是一个核心挑战。传统方案如 EventBus 存在类型不安全、调试困难等问题。HarmonyOS 从 API 12 开始引入的 AppStorageV2 提供了一种类型安全、可观察的全局状态管理方案。

在 Apple M5 MacBook Pro 上搭建 YOLO 训练环境：从 PyTorch MPS 到首次训练完整实录最近开始尝试在 Apple M5 MacBook Pro 上进行 YOLO 模型训练。这台机器使用 Apple M5 芯片和统一内存架构，不支持 NVIDIA CUDA，但可以通过 PyTorch 的 MPS 后端调用 Apple GPU。因此，这次环境搭建的核心目标是：