pytorch

AI基本结构12-lstm实现nlp之前的深度循环神经网络CharRNNBatch虽然采用了两层 RNN，并引入了 LayerNorm 和 Dropout 提高训练稳定性，但其本质仍然是普通 RNN，因此仍然存在明显的短期记忆（Short-term Memory）问题，难以有效学习长距离依赖关系。

工业机器视觉设计和实现

cifar10训练突破80分（三，摸到pytorch尾灯！）昨天，终于迎来转折点，可喜可贺！突然想起当年写机器视觉软件追赶visionpro的感觉！（一点一点的突破）

想会飞的蒲公英

PyTorch reshape、view、transpose、广播到底怎么选？副标题：手把手带你从"内存连续性"和"右对齐检查法"两个底层原理出发，分清 reshape / view / transpose / permute / 广播，Shape 转换从此不靠瞎试

Pytorch开发教程2——张量核心操作完全指南以下内容覆盖张量创建、基础属性、核心操作、Numpy互转四大模块，所有代码均可直接运行。张量（Tensor）是Pytorch的基础数据结构，可理解为多维数组，对标Numpy的ndarray，但支持GPU加速与自动求导。

【深度学习】循环神经网络RNN——结构、原理与长期依赖问题解析传统的前馈神经网络（如全连接网络、卷积神经网络）在处理数据时存在一个关键局限：无法有效建模序列数据。具体表现为：

Ultralytics：简要解读YOLOv8 → YOLO11 → YOLO26网络架构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强化学习实战（20）——优势演员-评论家（Advantage Actor-Critic, A2C）我们已经介绍了一种基于策略的方法，讨论了 REINFORCE 方法及其改进版本，后者使用折扣奖励来计算策略梯度(梯度指明了策略优化的方向)，这两种方法在简单的CartPole问题中表现良好，但在更复杂的 Pong 环境中却无法收敛。本节中，我们将讨论原始策略梯度方法的另一种变体，即演员-评论家 (actor-critic)算法，显著提升了方法的稳定性和收敛速度，现已成为深度强化学习中最强大的方法之一。

工业机器视觉设计和实现

动量的好处与困扰（二，摸到pytorch尾灯！）使用卷积层权重和bias的动量参与！就这一句话：scal_cpu << <(w_size + 255) / 256, 256 >> > (w_size, 0.98, _grad_weight, 1);

03-张量张量是PyTorch中的核心数据抽象张量中默认的数据类型是float32(torch.FloatTensor)

打通 PyTorch Monarch 与 ROCm：单 Controller 架构的异构算力实战千亿级参数大模型的训练，本质上是几百上千张 GPU 的分布式协同。在这个量级下，我们必须接受一个现实：硬件故障是常态。一张卡的内存错误、一次网络分区或者一个节点的宕机，都足以让持续数天的训练任务直接中断。

Pytorch开发教程1——CUDA安装CUDA的运行依赖显卡驱动，且驱动版本必须≥CUDA要求的最低版本。1.按下 Win+R ，输入 cmd 打开命令提示符

基于深度学习的IMDB电影评论情感分析完整实现本文完整实现了一个基于双向 GRU + Attention 机制的 IMDB 电影评论情感分类模型，使用 PyTorch 框架，在 25,000 条测试评论上达到约 87% 的准确率。项目涵盖数据探索分析（EDA）、模型定义、训练调优、测试预测全流程，所有代码均可直接运行。代码加数据: https://pan.baidu.com/s/1zBFmkjj14a0MAFpWycdhEQ 提取码: hasb

【计算机视觉】OpenCV 人脸检测与 Haar 级联分类器——原理、实现与实战案例在 OpenCV 中，人脸检测主要通过调用预训练的分类器来实现。OpenCV 官方提供了多种训练好的级联分类器，主要包括：

04-pytorch构建线性回归在pytorch中进行模型构建的整个流程一般分为四个步骤：准备训练集数据构建要使用的模型设置损失函数和优化器

【深度学习】YOLOv2目标检测算法——改进点、网络结构与聚类先验框解析YOLOv2 在 YOLOv1 的基础上进行了全方位的升级，主要改进点包括：YOLOv2 在每一层卷积之后都引入了 Batch Normalization（BN）层，并舍弃了 Dropout。

HarmonyOS ArkTS 实战：实现一个校园体育场馆预约应用项目难度：⭐⭐⭐ 中级实战适用人群：有 ArkTS 基础、希望学习预约类应用开发的 HarmonyOS 开发者开发环境：DevEco Studio Next / API 24+ 代码规模：单页面约 700 行，可直接运行

AI大模型入门-Python进阶-上下文管理与with语句不如语冰https://space.bilibili.com/70431433?spm_id_from=333.1007.0.0

# 倒计时器 — HarmonyOS TextInput与计时任务管理深入实践倒计时器（Countdown Timer）是日常生活中使用频率极高的工具类应用，广泛应用于烹饪计时、番茄工作法、运动训练、考试倒计时、会议提醒等场景。不同于普通的时钟或秒表，倒计时器的核心逻辑是从预设的时间点递减至零，并在计时结束时触发提醒。本篇博文将深入解析一个基于HarmonyOS ArkUI/ArkTS开发的倒计时器应用，探讨其完整的技术实现方案。

网络工程小王

【HCIE-AI】12.deepspeed分布式并行训练进阶版概述：训练大模型（7B+）时，会依次遇到显存、计算、通信、工程四个方面的瓶颈。理解这些瓶颈是理解后续所有解决方案的前提。

【Bug已解决】DAPO loss is not normalized by gradient_accumulation_steps 解决方案用 DAPO（Dynamic Sampling Policy Optimization）训练时，我们观察到：调大 gradient_accumulation_steps 后，训练行为明显变激进，loss 数值也跟着变大，但训练效果反而变差。具体日志：