pytorch

PyTorch 进阶指南：从张量操作到模型训练全流程昨天我们入门了深度学习的核心概念和 PyTorch 的 Tensor 基础操作。但如果只停留在创建张量、做做加减乘除，离真正训练一个模型还差得远。今天我们继续深入——掌握张量的形状操作与拼接，理解自动微分的原理，走通模型训练的五步循环，最后用一个线性回归案例把所有知识串起来。

深度学习入门指南：从核心概念到 PyTorch 实战从线性回归到 KNN，从决策树到聚类，我们一路走过了机器学习的主要算法。但这些算法都有一个共同的特点——它们处理的是"浅层"特征，需要人工提取和选择特征。而深度学习的革命性在于：它能自动从原始数据中提取特征，通过多层非线性变换，端到端地完成从输入到输出的映射。

“pytorch安装时与本地电脑NVIDIA 显卡驱动不匹配导致安装的pytorch无法使用”情况的解决教程●GPU: NVIDIA T4 16GB ×1●CPU：8核●内存：32G●磁盘：≥100 GB SSD

大模型学习6 -- 深度学习 1 概述和PyTorch深度学习是机器学习的一个分支，核心是用多层神经网络自动从数据中学习特征和规律。下面从几个层面梳理一下。

为啥全要学

PyTorch 中网络剪枝、梯度剪裁、梯度累积PyTorch 提供了 torch.nn.utils.prune 模块，支持非结构化剪枝（单个权重置零）和结构化剪枝（整通道/整滤波器移除）。

Windows 搭建《动手学深度学习》PyTorch 环境：从安装到踩坑记录本文记录我在 Windows 上配置《动手学深度学习》（D2L）PyTorch 版的完整过程。环境：Windows + Miniconda + Python 3.9 + NVIDIA RTX 4060 Laptop。目标：能顺利运行 d2l-zh 的 Jupyter Notebook，并支持 GPU 加速。

2026 具身智能技术实战（一）：VLA 到底怎么控制机器人？——用 LeRobot 跑通 SmolVLA 推理给机器人一张桌面图片，再说一句“把红色方块放到蓝色托盘里”，接下来会发生什么？普通聊天模型通常给你一句回答。机器人需要的却是可以被控制系统使用的动作表示。两者之间，不是把一段自然语言直接发给电机那么简单。

sequeeze()和unsequeeze()这是最常见的用法，作用是‌去掉张量中维度为 1 的轴‌。‌import torch x = torch.randn(1, 3, 1, 4) print(x.shape) # torch.Size([1, 3, 1, 4]) print(x.squeeze().shape) # torch.Size([3, 4])

第21课：PyTorch｜GPU多卡训练与分布式训练基础【让多卡并行成为你的加速引擎】在第11课到第20课中，我们一直在单张GPU上进行模型训练。对于MNIST这样的小数据集，单卡训练完全够用。但当模型和数据规模增长时，单GPU会面临两大瓶颈：

ubuntu22.04部署完整deepseek局域网web服务全过程（RTX5090安装黑屏+web端多人并发）(1) 制作ubuntu22.04启动优盘后进入启动界面，选项选择第一个但不要进去。（2）键盘按“e”键，进入编辑模型。（3）在原文“splash”后面添加 nomodeset acpi=off noapic，然后按F10。（4）在如下界面耐心等待几秒后成功进入ubuntu22.04安装界面。

宿州派大星

[NLP实战] 基于PyTorch实现N-gram词嵌入模型：输入4个词预测第5个词在自然语言处理（NLP）的入门学习中，构建一个语言模型来预测下一个词是非常经典的实战任务。本文将基于一道人工智能大赛的真题（“AI报道”文本预测），带大家从零实现一个基于词嵌入（Embedding）的神经网络语言模型。我们的目标是：输入文件中的任意连续4个单词，模型输出第5个单词。

空圈容错视角下的无人机全链路审计：从理论框架到耦合式检验配套脚本：kongquan_uav_pipeline_demo.py（11阶段独立审计）、kongquan_uav_coupled_pipeline2.py（7阶段耦合检验）

Pytorch图模式技术原理解析作者：昇腾实战派知识地图：https://blog.csdn.net/Lumos_Lovegood/article/details/161601003

gather和scatter APIgather 和 scatter 是 PyTorch 里非常容易混淆、但其实可以用一个非常直观的方式理解的两个操作。

磁场转动100万匹

基于 dlib 与 OpenCV 的疲劳驾驶检测：眼睛纵横比（EAR）原理与代码逐段解析疲劳驾驶是交通事故的重要诱因之一。本文介绍一种基于计算机视觉的疲劳检测方案：通过摄像头实时捕捉人脸，利用 dlib 定位 68 个人脸关键点，提取眼睛区域的 6 个关键点，计算眼睛纵横比（Eye Aspect Ratio，EAR），并根据 EAR 的持续变化判断驾驶员是否处于闭眼疲劳状态，从而触发警报。

AWQ量化AWQ 全称 Activation-aware Weight Quantization，激活感知权重量化量化的本质是用更少的位，来存储权重，比如说fp16 -> int4 。大量节省了显存占用，同时带来一些精度损失。普通量化基本可以理解为： W^=Q(W)\hat W = Q(W) W^=Q(W) 然后推理： Y^=Q(W)X \hat Y=Q(W)X Y^=Q(W)X 于是输出误差： ΔY=(Q(W)−W)X ΔY=(Q(W)−W)X ΔY=(Q(W)−W)X 真正影响模型的不是“权重误差本身”，而

就叫你天选之人啦

安装torch+vllm+flash_attn的prompttorch、vllm、flashattn各种版本对不齐、abi错误；codex跑了4个小时终于给4090装上了，最后让总结成一个经验prompt

第16课：PyTorch｜循环神经网络RNN与序列数据处理【让模型拥有“记忆”】在第11课到第15课中，我们学习了如何处理图像数据，并搭建了CNN模型取得了不错的分类效果。但如果给你一段文本“我昨天去了____，今天回到北京”，要求预测空白处最可能是“上海”还是“吃饭”，图像模型就无能为力了。

【全步骤】Pytorch 搭建自己的Unet语义分割平台参考的是up主Bubbliiiing的教程视频教程博客参考我自己的项目路径：D:\demo\unet-pytorch-main

PyTorch强化学习实战——分布式策略梯度深度确定性策略梯度 (Deep Deterministic Policy Gradient, DDPG) 虽然在连续控制任务上取得了比优势演员-评论家 (Advantage Actor-Critic, A2C) 方法更优的效果，但其训练稳定性仍有提升空间。本节将介绍分布式分布深度确定性策略梯度 (Distributed Distributional Deep Deterministic Policy Gradient, D4PG) 算法，它从四个关键维度对 DDPG 进行了改进：用概率分布替代评论家的单一