pytorch

PyTorch 手写数字识别学习笔记最近学习了 PyTorch 框架的基础知识，并尝试使用 MNIST 手写数字数据集完成一个简单的图像识别任务。整个过程涉及神经网络结构、激活函数、梯度下降、反向传播、损失函数、数据加载和模型测试等内容。

PyTorch深度学习与实践【04】【迭代周期、autograd、构建计算图、*params参数解包、.grad属性】你拿一个批次 (batch)的数据送入网络前向：算出预测值、算出损失 loss反向：autograd 自动求导算出梯度

AI Infra 配置 Conda + CUDA + LibTorch + PyTorch 开发环境：解决版本漂移、编译报错的完整指南做 CUDA C++ 开发、LibTorch 自定义算子、PyTorch C++ 部署时，由于在conda环境中安装的 CUDAToolkit 安装源不匹配导致后面使用 LibTorch 时一直出现错误，折腾了整整一周才算把问题解决，遂总结以下出现的问题和正确安装过程：

LlmCraft｜大模型工程实践

【PyTorch NLP实战】从零实现 LSTM 酒店评论情感分析（附完整代码逐行讲解）摘要：本文用一个不到 250 行的完整项目，带你走通 NLP 最经典的入门任务——文本情感分类。从中文分词、建词表、文本转数字序列，到 Embedding + LSTM 建模、训练、评估、预测，全流程逐行讲解。学完这篇，你就拥有了文本分类任务的通用骨架。

HarmonyOS ArkGraphics 2D 自定义字体实操：注册字体并验证中文回退这篇做一个字体实验室：把 OTF 字体放进 rawfile，注册成 InterDisplay，再用 TextStyle.fontFamilies 切换自定义字体、系统字体和中英混排回退链。先看真机动态效果，再看实现。

PyTorch强化学习实战——融合人类示范数据的高效强化学习我们已经学习了强化学习在网页导航与浏览器自动化中的应用，介绍了 MiniWoB++ 基准测试，该环境提供像素观测、文本描述和 DOM 元素等多模态输入，动作空间涵盖鼠标键盘操作。并且实现了基于异步优势演员-评论家 (Asynchronous Advantage Actor-Critic, A3C) 算法的按钮点击智能体，将动作空间简化为网格化点击，通过卷积网络处理图像观测。实验结果表明该智能体能解决简单任务(如点击对话框)，但在处理多步骤、依赖文本描述或违反马尔可夫性质的任务时效果不佳。为改进训练过程，

PyTorch GPU 版安装记录（RTX 5060 + Python 3.14）整理日期：2026-09-04 适用环境：Windows 11 / RTX 5060 Laptop GPU (sm_120, Blackwell) / E:\PyNumpyLearning\python.exe (Python 3.14.7)

【机器学习入门】PyTorch 神经网络、卷积神经网络 CNN 实现矿物分类在地质勘探与矿物识别领域，传统的人工鉴定方法依赖专家经验，效率低且主观性强。随着机器学习技术的发展，利用矿物的物理化学特征（如密度、硬度、折射率、化学成分含量等）进行自动分类已成为一种高效可行的方案。

程序猿编码

基于GGML的C++17轻量化语音推理引擎：说话人识别与语音分析技术全解析这是一款完全从零开发、基于C++17标准构建的端侧语音推理引擎，底层依托GGML轻量级张量计算库实现，核心覆盖说话人识别与语音分析两大领域。引擎可以将任意语音片段转换为L2归一化的声纹特征向量，验证两段语音是否来自同一人，在注册声纹库中匹配说话人身份，还能分析语音中的年龄、性别、情绪属性。

PyTorch实验可复现实战：随机种子、依赖锁定与配置归档深度学习实验中，同一份代码换台机器就得出不同结果，是开发者常见的工程问题。即使使用相同的GPU算力平台，随机初始化、数据顺序、软件版本和CUDA算子差异，也可能让指标发生偏移。本文以PyTorch为例，建立一套从环境记录到结果复核的可复现流程。

YOLO 涨点研究（六）：网络结构改进之小目标增强篇1——无人机视角下的车辆与行人检测本系列博客旨在从源码层面拆解 YOLO 的每一个技术细节，找到涨点突破口。第一篇：《YOLO 全代码详细解读：从预处理到后处理的完整数据流动》第二篇：《YOLO 涨点研究（二）：Loss 函数深度解析与正负样本分配策略》第三篇：《YOLO 涨点研究（三）：数据增强策略深度解析与涨点技巧》第四篇：《YOLO 涨点研究（四）：网络结构改进与涨点技巧》第五篇：《YOLO 涨点研究（五）：模块优化的实验设计与代码落实全指南》第六篇：网络结构改进之小目标增强篇1——无人机视角下的车辆与行人检测（本文）

HarmonyOS ArkGraphics 2D场景化可变帧率实操——做一个智能帧率专注计时器先看完整操作：把时间从5分钟拖到25分钟，再回到1分钟，随后开始、暂停、恢复并复位。紫色交互层只在拖动时运行，绿色核心层只在计时时运行。

PyTorch DataLoader数据加载性能排查：GPU利用率低的实操指南深度学习训练时，GPU利用率忽高忽低，不一定是显卡性能不足。很多任务在GPU算力平台上更换高性能显卡后，速度仍没有明显提升，真正的瓶颈往往出现在图片解码、磁盘读取或DataLoader配置。本文通过一套可复用的排查流程，定位“GPU等待数据”的问题。

机器学习及其Python实践机器学习及其实践机器学习及其实践通过计算机程序去做获取数据的行为, 之后进行处理, 再接着分析, 还要进而理解数据, 借此识别出数据里存在的模式与规律, 并且利用这些知识来做出智能决策或者预测未来, 这被称作机器学习。近年来, 伴随社会信息化进程加快, 机器学习领域受到广泛关注, 还得到了广泛研究, 其已经在图像处理、语音识别、文本处理、推荐系统等多个领域有着广泛应用。

从零理解 PyTorch：用神经网络完成 MNIST 手写数字识别最近学习了一些深度学习和 PyTorch 框架的基础知识，并尝试使用 MNIST 手写数字数据集完成一个简单的图像分类任务。虽然手写数字识别是深度学习入门中非常经典的案例，但它包含了神经网络训练的完整流程：数据集加载、模型构建、前向传播、损失计算、反向传播、参数更新以及模型测试。

PyTorch强化学习实战——基于图像-文本融合的自动化网页导航我们已经学习了强化学习在网页导航与浏览器自动化中的应用，介绍了 MiniWoB++ 基准测试，该环境提供像素观测、文本描述和 DOM 元素等多模态输入，动作空间涵盖鼠标键盘操作。并且实现了基于异步优势演员-评论家 (Asynchronous Advantage Actor-Critic, A3C) 算法的按钮点击智能体，将动作空间简化为网格化点击，通过卷积网络处理图像观测。实验结果表明该智能体能解决简单任务(如点击对话框)，但在处理多步骤、依赖文本描述或违反马尔可夫性质的任务时效果不佳。在本节中，我们将

Python TensorFlow对比PyTorch_Python TensorFlow和PyTorch在机器学习中的差异究研与速快代迭更适配, 因着其动态图、API以及主导的学术生态；于生产部署、多端支持和企业级工具链方面更成熟。

中文 BERT 多任务分类项目：从模型结构到训练细节项目将评论分析拆成三个独立分类任务：投诉分流四分类、虚假评论二分类、广告骚扰二分类。每个任务使用自己的训练数据和分类头。

【无标题】运行 export.py 时，导入 Ultralytics 失败：错误发生在 from ultralytics import YOLO 导入阶段，实际触发点是 PyTorch 加载 c10.dll 时缺少或未正确安装 Microsoft Visual C++ 运行库依赖。

克里斯蒂亚诺更新

学习PyTorch要理解PyTorch，抓住这四个核心组件就够了：张量（Tensor）：这是PyTorch的基本数据结构，你可以把它理解为“能在GPU上运行的Numpy数组”。所有数据（图片、文字、音频）在PyTorch里都是以张量形式流动的。