pytorch

深度学习26:PyTorch:参数更新方法(Momentum)Momentum（动量法）会保存历史梯度并给予一定的权重，使其也参与到参数更新中：V ← α V − η ∇ V \leftarrow \alpha V - \eta \nabla V←αV−η∇ W ← W + V W \leftarrow W + V W←W+V

code样例import torch import torch.nn as nn from math import sqrt

论文复现现场

BEVFormer训练需要几张GPU？2张A100 80GB够不够，显存与云GPU成本分析复现 BEVFormer、训练 Occupancy 感知模型时，很多自动驾驶算法团队会遇到一个实际问题：官方使用8张GPU训练，如果只有2张A100 80GB，还能不能跑？

PyTorch基础｜Tensor张量详解，张量创建、数据类型与常用操作标签：pytorch、tensor、张量、cuda在PyTorch中，所有神经网络的输入、权重、梯度，全部都是Tensor（张量）。可以简单理解：

地平线开发者

QAT 实战：从 PyTorch 模型到 J6E 实板精度与延时验证本文从 CIFAR-10 浮点模型开始，依次完成校准、QAT 微调、BC 导出、HBM 编译，最后通过 UCP 在 J6E 开发板上验证精度和推理延时。整个流程基于 OpenExplorer 3.8.1，目标架构为 nash-e。

深度学习24:PyTorch:Sequential构建模型可以通过torch.nn.Sequential来构建模型,将各层按顺序传入

【深入理解 LSTM】从时间反向传播（BPTT）到长时记忆：门控机制与实验验证循环传递输入 x_t输入变换 W_xh x_t + b_xh上一时刻 h_(t-1)循环变换 W_hh h_(t-1) + b_hh

深度学习23:PyTorch:搭建神经网络测试(查看参数,模型结构和device设置)在神经网络框架中，由多个层组成的组件称之为模块（Module）。在 PyTorch 中模型就是一个 Module，各网络层、模块也是 Module。Module 是所有神经网络的基类。

# 在 Qwen3.5-2B 上把 GDN-1 无损换成 GDN-2：一次完整的架构手术实验（负结果）Qwen3.5 这个模型、在"事后改门"这个操作方式下：头级一个共享门已经够用，甚至是被模型主动选中的。证据就是权重统计里同头 128 个通道数值全等——模型拿着 128 份自由度却只用出 1 份，说明主干的表征结构本来就按"整头一起动"组织。所以通道级改造的收益 ≈ 0 还要倒贴过拟合风险，"多门收益不大"在这条线上是被三个证据共同判死的。

深度学习19:PyTorch:自动微分模块训练神经网络时，框架会根据设计好的模型构建一个计算图（computational graph），来跟踪计算是哪些数据通过哪些操作组合起来产生输出，并通过反向传播算法来根据给定参数的损失函数的梯度调整参数（模型权重）。

深度学习21:PyTorch:激活函数(Sigmoid,Tanh,ReLU,Softmax)

PyTorch自动求导Autograd详解｜requires_grad、backward、grad、梯度清零标签：pytorch、autograd、自动求导、反向传播神经网络训练本质就是：前向计算损失 → 反向求梯度 → 更新参数。 PyTorch的Autograd自动求导引擎帮我们自动完成链式求导，不用手写导数。

从推理到训练：Intel Ultra 核显 GPU 加速 YOLO 模型训练在本专栏的前面文章中，介绍了使用 OpenVINO 在 Intel Ultra 处理器的 CPU、NPU、核显 GPU 上加速 YOLO12 模型的推理：

从 AI 应用开发到 GPU 计算软件：一份完整的 GPGPU、PyTorch、vLLM 与 AI Infra 学习路线最近在研究 AI Infra、大模型推理优化和 GPU 计算软件工程，系统梳理了一些值得学习的技术资料、开源项目以及实践方向。

计算机毕业编程指导师

计算机毕设推荐：基于深度学习的动物图像识别方法研究（Python+Django+PyTorch）⭐⭐个人介绍：自己非常喜欢研究技术问题！专业做Java、Python、小程序、安卓、大数据、爬虫、Golang、大屏等实战项目。 ⛽⛽实战项目：有源码或者技术上的问题欢迎在评论区一起讨论交流！也可以在主页上或文末下与博主交流~~ ⚡⚡Java、Python、小程序、大数据实战项目集](https://blog.csdn.net/2301_80395604/category_12487856.html)

【四足强化学习经典算法】（一）：RMA——盲视运动控制与快速适应模块强化学习的价值不应局限于算法本身，更重要的是将其应用于复杂的实际问题。尤其是在机器人领域，面对传统控制方法难以应对的复杂环境与任务，强化学习为机器人自主决策与运动控制提供了新的思路。因此，学习强化学习不能仅停留在算法原理和简单环境的实验上，还需要结合复杂机器人与实际应用场景，进一步理解算法的设计思想与应用价值。

PyCharm安装与PyTorch项目配置｜Jupyter Notebook与PyCharm使用对比标签：pycharm、jupyter、pytorch、conda环境配置上一篇我们搭建好了Anaconda + PyTorch虚拟环境，但是很多人在命令行里面跑代码没问题，放到PyCharm里就各种报错，本质就是解释器没有选对。同时做深度学习经常会纠结，到底用Jupyter还是PyCharm，本篇一次性讲清楚。

【模型式强化学习】（二）PETS——从概率动力学模型到模型预测控制（MPC）说人话：环境模型就是智能体自己写的一份操作说明书，查一下当前状态和动作，就知道下一步会到哪、能拿多少分

段一凡-华北理工大学

高炉炼铁机器视觉与智能识别十八讲~系列文章17：实战案例：一个风口监控系统的完整搭建理论讲了一路，是时候"真刀真枪"做一遍了。本期以高炉最成熟、最典型的场景——风口回旋区监控系统为例，把从"立项调研 → 选型方案 → 数据与建模 → 系统搭建 → 上线运行"的全流程完整走一遍。让你看清这些技术点如何被串成一个能跑、能用、有价值的系统。这不是抽象概念，而是一份"照着能做"的实战路线图。