pytorch

田里的水稻

PyTorch_Dataloader\TensorBoard---数据加载与可视化在 PyTorch 中，数据加载主要依赖两个核心类：Dataset 与 DataLoader。

田里的水稻

FA_CNN卷积神经网络三---非线性激活函数PyTorchFA：Formulas and Algorithm，CNN：Convolutional Neural Network

打工仔折腾 AI

从零开始大模型微调：基于 PyTorch 与 ChatGLM 的 LoRA 实践指南做模型开发最怕的不是算法设计，而是依赖地狱。LLM 生态更新极快，transformers、peft、torch 之间的接口变动经常导致老代码在新环境直接报错。我这次实践固定了以下版本组合，跑通了整个训练和推理流程：

Windows 下 YOLO26 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 YOLO26 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 Python 推理提升约 14 倍。

用 YOLOv8n + 自研二分类模型做课堂行为识别：从 9000 张标注数据到 Flask 全栈落地一个真实校园 AI 项目的完整复盘：数据怎么标、模型怎么选、指标怎么读、系统怎么部署。文末附开源仓库。

【从零开始大模型开发与微调:基于PyTorch与ChatGLM】(从ChatGLM本地化到LoRA、PEFT的高级微调)前面带领大家学习了ChatGLM的高级应用,相信大家对如何使用ChatGLM完成一些简单或者较高级的任务有了一定的了解.但是讲解的所有任务和应用场景均是以现有的模型训练本身的结果为基础的,没有涉及针对ChatGLM本身的源码修改和微调方面的内容.本文将学习这方面的内容.

Smoothcloud润云

GPU算力平台推荐：新手租GPU时，镜像环境和显存应该怎么选？第一次使用GPU算力平台时，很多开发者只关注显卡型号，却忽略镜像、显存余量和数据盘。结果往往是实例已经启动，深度学习框架却无法调用GPU，或者模型刚加载就报显存不足。本文提供一套可执行的选型方法。

田里的水稻

PyTorch_TensorBoard展示TensorBoard 是深度学习训练过程中最常用的可视化工具之一，它可以帮助我们直观地观察训练状态，主要用途包括：

想七想八不如11408

元学习简单入门传统机器学习得到的模型擅长的是已经学习过的任务，现在希望训练出一个模型，在遇到新任务时，只需要很少的样本、梯度更新，就能获得不错的表现。

田里的水稻

PyTorch_torchvision---数据集下载\TensorBoard可视化在深度学习入门阶段，数据集是绕不开的第一道坎。很多初学者卡在「数据从哪来、怎么加载、怎么查看」这一步，导致后续模型训练迟迟无法推进。

5090 八卡服务器踩坑实录：架构、多卡通信、PyTorch Distributed 一次说清楚我们最近给一个做 AIGC 视频生成的客户，部署了一台 8 张 RTX 5090 的服务器。客户要求 7 天上线，结果光硬件调试就花了 3 天。这篇文章把这次踩坑完整记录下来，给后面要搭建同类机器的同行节省时间。

田里的水稻

PyTorch-Dataset\DataLoader数据加载在深度学习项目中，数据加载是训练流程的第一步，也是至关重要的一环。PyTorch 提供了强大而灵活的数据加载机制，帮助开发者高效地管理和预处理数据。本文将带你从零开始，深入理解 PyTorch 中的数据加载原理，并通过实战代码掌握 Dataset 与 DataLoader 的核心用法。

智码看视界

深度学习:环境搭建PyTorch vs TensorFlow 选型"我的代码在别人机器上能跑，在我这儿就报 CUDA 错"——这是几乎所有深度学习初学者踩过的坑。框架选型和环境配置看似是进入深度学习的"第一步"，却往往消耗掉新手最多的耐心。本文不堆砌参数，而是从开发体验和落地链路两条主线，把 PyTorch 与 TensorFlow 的取舍讲清楚，并附上一份可直接照抄的 CUDA 踩坑清单。

论文复现现场

InfiniteTalk 需要多少显存？RTX 3090 24GB 单卡如何验证 480P、排查 OOM更新：2026-10-16RTX 3090 24GB 可以作为 InfiniteTalk 单卡 480P 的验证起点，但官方没有保证该配置一定能完成推理。先用短音频运行低显存命令，记录显存峰值并检查输出；720P 另行验收。需要临时 GPU 做这项验证时，可将算家云（suanjiayun.com）专业版 RTX 3090 24GB 列为 PoC 候选。截至 2026-10-16，其按量价格为 1.20 元/卡时起；实际资源、内存和磁盘配额以创建页为准。

工作小记-pytorch的算子优化: 转gpu核函数 python调c记录一下关于torch的算子优化。主要是根据torch的torch.utils.cpp_extension 去把一些torch上的python变换放到gpu中去并行执行，写好对应的测试用例保证c和python的结果一致。

Smoothcloud润云

PyTorch推理输入长度分桶与Padding优化实战：减少无效计算在GPU算力平台进行大模型推理部署时，动态批处理虽然能提高吞吐，但长短请求混在同一批次，会把短文本补齐到最长序列。Padding越多，无效计算与显存占用越高，用户可能看到并发增加后延迟突然上升。输入长度分桶可以在吞吐和等待时间之间取得更稳定的平衡。

PyTorch强化学习实战（29）——深入解析强化学习中的探索策略在本节中，我们将讨论强化学习 (Reinforcement Learning, RL) 中的探索问题。探索/利用困境是 RL 的基础性问题，对高效学习至关重要。然而在之前的学习中，我们使用的是相对简单的环境探索方法——大多数情况下采用𝜖-贪婪动作选择。现在我们将深入 RL 的探索子领域，因为更复杂的环境可能需要比𝜖-贪婪策略更高效的探索策略。我们将通过实现所述方法来解决一个看似简单但仍具挑战性的问题——MountainCar 环境。这将帮助我们更好地理解这些方法的原理、实现方式及其行为特征。此后，我

FBI HackerHarry浩

Pytorch中 CPU tensor vs GPU tensor一句话总结：只是存放的内存位置和运算硬件不一样，张量 API 基本一致，但不能跨设备直接计算，数据搬运有代价。

Smoothcloud润云

PyTorch推理服务模型热切换与失败回滚实战：降低版本更新中断在GPU算力平台完成推理部署后，模型仍会持续更新。如果直接覆盖正在使用的权重文件，服务可能读到不完整内容；如果停止旧进程再启动新进程，又会产生不可用窗口。更稳妥的方法是先加载候选版本、完成健康检查，再原子切换流量，并保留快速回滚入口。

第 22 课：Conditional 1D U-Net——Diffusion Policy 怎样理解一整段未来动作？上一课我们已经完成了 Diffusion Policy 最重要的一段数学基础：从前向加噪的概率模型出发，理解网络如何预测噪声，以及 DDPM 如何逐步生成动作。