pytorch

听风吹等浪起

第26章：ViT+InceptionDW+FocalLoss改进｜CT骨折影像二分类完整Pytorch实现（含PyQt5推理GUI）摘要：CT是临床诊断骨折的核心影像学手段，隐匿性细微骨折依靠人工阅片容易发生漏检。本文基于Pytorch框架，对ViT((1‑pt)^\gamma)B/16模型进行改进，在Transformer编码层后加入自研InceptionDW多分支深度可分离卷积模块增强局部多尺度特征提取，同时引入Focal Loss损失函数解决难样本学习问题，完成CT骨折/正常骨骼二分类任务。数据集总量3700余张CT切片，类别标签0:fracture骨折，1:normal正常。本文从业务背景、数据集说明、改进网络原理、网络结构图

【Manskill3】TableSceneBuilder学习笔记TableSceneBuilder 是 ManiSkill 自带的 Python 类，继承自 SceneBuilder，可以这样导入：

PyTorch 报 “no CUDA GPUs are available“ 怎么办？3 步排查PyTorch 与 CUDA 版本对应关系以 PyTorch 官网安装选择器为准，不同版本会变。兴冲冲装好 PyTorch，跑一行 torch.cuda.is_available()，结果返回 False。显卡明明在那儿，为什么 PyTorch 就是认不到？这是每个新手第一次装 PyTorch 几乎都会踩的坑，三个原因按顺序查。

深度学习28:PyTorch:参数更新方法(AdaGrad和RMSProp)AdaGrad（Adaptive Gradient，自适应梯度）会为每个参数适当地调整学习率，并且随着学习的进行，梯度会逐渐减小。

Windows 下 YOLO11 Det 的 TensorRT C++ 部署Windows 下 YOLO11 Det 的 TensorRT C++ 部署摘要：本文介绍如何在 Windows 下使用 TensorRT 10.16 以 C++ 部署 YOLO11 目标检测模型。内容涵盖环境准备（VS2022、CMake、CUDA 12.9、OpenCV 4.8.1、TensorRT）、工程编译与验证、模型导出（FP32/FP16/INT8）与 engine 序列化，以及命令行推理和部署自训练模型的完整流程。实测 C++ 实现推理单帧约 1.4 ms，相比 ultralytics Py

田里的水稻

FA_CNN卷积神经网络十八---感知机到多层感知机PyTorch线性回归输出的是一个实数，而感知机输出的是一个离散的类别。正是这一差别，把我们从「拟合数值」带入了「分类决策」的世界。本文沿着「单层感知机 → XOR 问题 → 多层感知机 → 激活函数 → 代码实战」的脉络，把这条主线梳理清楚，并给出可直接运行的 PyTorch 实现。

听风吹等浪起

第27章：EfficientNet全家桶｜钢材表面6类缺陷分类完整Pytorch实现摘要：钢材是现代制造业重要基础原料，生产过程中会产生裂纹、夹杂、斑块、点蚀、氧化皮、划痕等多种表面缺陷，不同缺陷对应不同生产故障成因，准确识别缺陷类型对工艺改进、产品质量管控意义重大。本文基于Pytorch搭建EfficientNet(b0‑b7)全套工业缺陷分类工程，数据集1700余张钢材表面图像，完成crazing、inclusion、patches、pitted_surface、rolled‑in_scale、scratches共6类缺陷识别。工程支持迁移学习、冻结主干训练、参数量与计算量统计、全套

MoE + LLM 应用生成时，SelfAttention 使用 KV Cache，每步只计算新 token 的 Q、K、V。

深度学习26:PyTorch:参数更新方法(Momentum)Momentum（动量法）会保存历史梯度并给予一定的权重，使其也参与到参数更新中：V ← α V − η ∇ V \leftarrow \alpha V - \eta \nabla V←αV−η∇ W ← W + V W \leftarrow W + V W←W+V

code样例import torch import torch.nn as nn from math import sqrt

论文复现现场

BEVFormer训练需要几张GPU？2张A100 80GB够不够，显存与云GPU成本分析复现 BEVFormer、训练 Occupancy 感知模型时，很多自动驾驶算法团队会遇到一个实际问题：官方使用8张GPU训练，如果只有2张A100 80GB，还能不能跑？

PyTorch基础｜Tensor张量详解，张量创建、数据类型与常用操作标签：pytorch、tensor、张量、cuda在PyTorch中，所有神经网络的输入、权重、梯度，全部都是Tensor（张量）。可以简单理解：

地平线开发者

QAT 实战：从 PyTorch 模型到 J6E 实板精度与延时验证本文从 CIFAR-10 浮点模型开始，依次完成校准、QAT 微调、BC 导出、HBM 编译，最后通过 UCP 在 J6E 开发板上验证精度和推理延时。整个流程基于 OpenExplorer 3.8.1，目标架构为 nash-e。

深度学习24:PyTorch:Sequential构建模型可以通过torch.nn.Sequential来构建模型,将各层按顺序传入

【深入理解 LSTM】从时间反向传播（BPTT）到长时记忆：门控机制与实验验证循环传递输入 x_t输入变换 W_xh x_t + b_xh上一时刻 h_(t-1)循环变换 W_hh h_(t-1) + b_hh

深度学习23:PyTorch:搭建神经网络测试(查看参数,模型结构和device设置)在神经网络框架中，由多个层组成的组件称之为模块（Module）。在 PyTorch 中模型就是一个 Module，各网络层、模块也是 Module。Module 是所有神经网络的基类。

# 在 Qwen3.5-2B 上把 GDN-1 无损换成 GDN-2：一次完整的架构手术实验（负结果）Qwen3.5 这个模型、在"事后改门"这个操作方式下：头级一个共享门已经够用，甚至是被模型主动选中的。证据就是权重统计里同头 128 个通道数值全等——模型拿着 128 份自由度却只用出 1 份，说明主干的表征结构本来就按"整头一起动"组织。所以通道级改造的收益 ≈ 0 还要倒贴过拟合风险，"多门收益不大"在这条线上是被三个证据共同判死的。

深度学习19:PyTorch:自动微分模块训练神经网络时，框架会根据设计好的模型构建一个计算图（computational graph），来跟踪计算是哪些数据通过哪些操作组合起来产生输出，并通过反向传播算法来根据给定参数的损失函数的梯度调整参数（模型权重）。

深度学习21:PyTorch:激活函数(Sigmoid,Tanh,ReLU,Softmax)