pytorch

PyTorch KernelAgent 源码解读 ---（5）--- Dispatcherdispatch_kernel_agent.py 是 KernelAgent 系统中的调度组件，负责将 subgraph_extractor.py 生成的子图（JSON 格式）转换为具体的 Triton 内核生成任务，并调度 TritonKernelAgent 来生成和验证这些内核。

PyTorch KernelAgent 源码解读 ---（6）--- Composeruser/compose_end_to_end.py 是 Fuser 管道中的最后一个关键步骤，它将分散的、针对特定子图优化的 Triton 内核无缝地整合成一个单一的、高性能的端到端 Triton 内核，同时确保其功能与原始 PyTorch 实现的数值等价性。

Ultralytics：解读SPPF模块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。

猫狗分类模型 GPU版猫狗分类模型 - 基于 ResNet18 的二分类图像分类模型import torch from torchvision import transforms, models from PIL import Image import torch.nn as nn class CatDogNet(nn.Module): def __init__(self): super().__init__() self.backbone = models.resnet18(weights=None) self.backbo

拥抱太阳0616

HarmonyOS 应用开发《掌上英语》第2篇：ArkTS 模块化开发：Index.ets 统一导出模式深度解析在 HarmonyOS 多模块工程中，模块间的接口设计直接决定了代码的可维护性和复用效率。ArkTS 语言继承了 TypeScript 的模块系统，并在此基础上提供了 Index.ets 作为模块入口文件——这实际上是门面（Facade）模式在模块化领域的经典应用。

拥抱太阳0616

HarmonyOS 应用开发《掌上英语》第5篇：依赖注入与全局状态：AppStorageV2 实战HarmonyOS 应用开发《掌上英语》第1篇在 HarmonyOS 多模块应用中，跨模块状态共享是一个核心挑战。传统方案如 EventBus 存在类型不安全、调试困难等问题。HarmonyOS 从 API 12 开始引入的 AppStorageV2 提供了一种类型安全、可观察的全局状态管理方案。

在 Apple M5 MacBook Pro 上搭建 YOLO 训练环境：从 PyTorch MPS 到首次训练完整实录最近开始尝试在 Apple M5 MacBook Pro 上进行 YOLO 模型训练。这台机器使用 Apple M5 芯片和统一内存架构，不支持 NVIDIA CUDA，但可以通过 PyTorch 的 MPS 后端调用 Apple GPU。因此，这次环境搭建的核心目标是：

Ultralytics：解读PSA模块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。

无糖冰可乐21

安装wsl2，并链接Windows上的vscode运行项目目标：把GitHub的项目拉到wsl上基础情况：win11，自带wsl2，印象里没用过开了梯子了，更新卡在61.8大概10多分钟，ctrl +c中断想重试，重试失败

内蒙深海大鲨鱼

1.Introduction to PyTorch所有的深度学习都是对张量的计算。学习地址计算图，本质上就是记录了张量的计算过程，体现在pytorch中，就是标志位requires_grad=True，相当于一个开关，打开后就会记录计算过程。PyTorch 会启动它的 Autograd（自动求导）引擎，从这一刻起，任何包含这个 Tensor 的数学运算，都会被 PyTorch 记录在案，并在后台自动织出一张“计算图”。

RNN算法实战系列02 | 医疗成本预测（LSTM 回归）基于患者的人口统计信息、生活习惯、医疗状况、医疗保险等 19 个特征，预测其年度医疗费用（annual_medical_cost），这是一个典型的回归任务。

PyTorch KernelAgent 源码解读 ---（4）--- ExtractorAgentsubgraph_extractor.py 是 KernelFalcon 实现 “PyTorch 模型子图提取 + 形状签名去重” 的关键组件，核心职责是通过 Fuser 生成融合代码后，借助 LLM 解析并提取模型中唯一的计算子图（按形状 / 算子 / 权重特征去重），最终输出标准化 JSON 格式的子图信息。这一模块体现了 “Agent 端到端优化” 中 “精准子图识别” 的关键能力。

PyTorch强化学习实战（18）——基于DQN处理股票交易问题在本节中，我们将尝试运用深度Q网络 (Deep Q-Network, DQN) 知识来处理更具现实意义的金融交易问题。我们的目标旨在突破 Atari 游戏的局限，展示如何将强化学习 (Reinforcement Learning, RL) 应用于另一个实际领域。

万亿少女的梦168

基于深度学习的动物图像分类系统设计与实现技术说明：本文围绕动物图像分类系统进行深度学习应用复盘，重点整理图像数据处理、分类模型选型、ConvNeXt结构思路、训练与评估、系统交互和部署验证等技术要点。内容用于计算机视觉、深度学习图像分类和AI应用系统设计方法交流，不涉及商业推广或服务宣传。

西西弗Sisyphus

PyTorch 数据加载：Dataset、DataLoader 与 WeightedRandomSampler 解决类别不平衡flyfish当数据集中多数类样本数远多于少数类时，模型会天然偏向预测多数类。PyTorch 提供了一套分层、灵活的数据加载机制：通过 Dataset 封装数据访问逻辑、DataLoader 组织批次迭代，再配合 WeightedRandomSampler 实现加权随机采样，可以在数据层面调控每个批次的类别比例。

小白学大数据

无库无捷径，PyTorch 手写完整 Transformer 大语言模型 LLM调用 **<font style="color:rgb(0, 206, 185);background-color:rgb(252, 252, 252);">from transformers import AutoModel</font>** 只要一行代码，但真正理解 Transformer 的人少之又少。多数开发者对 Attention 的认知停留在"Q、K、V 三个矩阵"的口号层面——面试时背得出公式，动手时写不出一个完整的 Block。

【从零开始大模型开发与微调:基于PyTorch与ChatGLM】(基于PyTorch卷积层的MNIST分类实战:从卷积直觉到高效卷积设计)前面使用多层感知机完成了MNIST分类实战的演示.多层感知机是一种对目标数据进行整体分类的计算方法.虽然从演示效果来看,多层感知机可以较好地完成项目目标对数据进行完整分类,但是多层感知机会在模型中使用大规模的参数,同时,由于是对数据进行总体性的处理,从而无可避免地会忽略数据局部特征的处理和掌握,因此我们需要一种新的能够对输入数据的局部特征进行抽取和计算的工具.卷积神经网络是从信号处理衍生过来的一种对数字信号进行处理的方式,发展到图像信号处理上演变成一种专门用来处理具有矩阵特征的网络结构处理方式.卷积神经网

想会飞的蒲公英

一个 PyTorch 模型训练的完整流程学 PyTorch 时，单个概念看懂不难，真正容易乱的是完整训练流程。这篇文章先不追求复杂模型，只把一条最基础的训练主线串起来。

Flask + PyTorch模型部署实战：从训练权重到API接口完整工程解析（附完整代码）在深度学习项目的落地环节中，模型训练只是万里长征的第一步。如何将训练好的模型权重封装成可调用的Web服务，让其他应用程序（如移动端、前端页面、第三方系统）能够便捷地使用模型推理能力，是算法工程师必须掌握的工程技能。

PyTorch从零手写CNN实现NEU钢材表面缺陷检测（完整实战·单篇完结）钢材表面缺陷检测是工业视觉检测的典型应用场景，在钢铁生产、智能制造、质量筛查领域具备极高实用价值。传统人工质检效率低、误差大、易受主观因素影响，基于深度学习的自动化缺陷识别可实现高精度、大批量、实时化检测。本文基于PyTorch从零搭建原生卷积神经网络，不使用预训练模型与迁移学习，完成NEU钢材表面六类缺陷分类任务。完整实现数据预处理、工业场景适配性数据增强、CNN模型搭建、训练调优、结果可视化、缺陷误判分析与工程优化方案，代码可直接运行、适配工业数据集特征，可用于工业视觉课题、课程设计、毕设落地项目。