pytorch

PyTorch实战（30）——使用TorchScript和ONNX导出通用PyTorch模型我们已经深入探讨了 PyTorch 模型部署，这可能是将 PyTorch 模型投入生产系统中最关键的一环。在本节中，我们将聚焦另一个重要维度：模型导出。我们已经学习了如何在经典的 Python 脚本环境中保存和加载 PyTorch 模型。但是我们还需要更多的方式来导出 PyTorch 模型，主要是出于以下考虑：

使用mmdetection项目进行训练记录open-mmlab/OpenMMLabCourse：OpenMMLab课程索引及相关内容MMDetection 环境搭建保姆级指南（支持50系列显卡）_mmdetection windows安装-CSDN博客

pytorch分布式训练解释在分布式训练（Distributed Data Parallel, DDP）中，这几个概念是核心，理解它们对于配置多机多卡训练至关重要。我们可以把分布式训练想象成一个“大型工厂”，里面有多个“车间”（节点 Node），每个车间里有多个“工人”（GPU/进程 Process）。

深度学习基础理论与 PyTorch 实战 —— 从传统机器学习到前沿模型全攻略系统地学习深度学习的基础理论知识及对应的Pytorch代码实现方法，掌握深度学习的基础知识，与经典机器学习算法的区别与联系，以及最新的迁移学习、循环神经网络、长短时记忆神经网络、时间卷积网络、对抗生成网络、Yolo目标检测算法、自编码器等算法的原理及其Pytorch编程实现方法。

大连好光景

PyTorch深度学习----优化器在深度学习中，优化器是训练模型的重要组件，用于更新模型参数以最小化损失函数。优化是一个尝试为深度学习模型找到最佳参数集的过程。优化器生成新的参数值，并使用某些标准来评估它们以确定最佳选项。作为神经网络架构的重要组成部分，优化器有助于确定能够产生预期输出的最佳权重、偏差或其他超参数。

【3D-AICG 系列-11】Trellis 2 的 Shape VAE 训练流程梳理配置文件：configs/scvae/shape_vae_next_dc_f16c32_fp16.json

08. PyTorch_张量基本创建方式PyTorch中的张量就是元素为同一种数据类型的多维矩阵。在PyTorch中，张量以 "类" 的形式封装起来，对张量的一些运算、处理的方法被封装在类中。

07. PyTorch框架简介PyTorch一个基于Python语言的深度学习框架，它将数据封装成张量（Tensor）来进行处理。PyTorch提供了灵活且高效的工具，用于构建、训练和部署机器学习和深度学习模型。

大鹏的NLP博客

Rust + PyTorch 实现 BGE 向量检索系统本项目展示了如何在 Rust 中集成 PyTorch 的 BGE-Large-ZH-v1.5 模型，实现高效的中文文本向量化和相似度检索。该系统将 Rust 的性能优势与深度学习模型的能力结合，适用于生产级的向量检索应用。

蚁群优化算法1.基本原理蚁群算法模拟了自然界中蚂蚁寻找食物的群体智慧。蚂蚁在行进途中会释放信息素，在寻找路径时，蚂蚁倾向于选择信息素浓度更高的路段。由于短路径往返耗时短、单位时间内通过的次数多，其信息素堆积速度远超长路径，而挥发损失相对较小。这种“正反馈”机制使得信息素强度在最优路径上迅速跃升，最终引导整个群体收敛至全局最优解。

All The Way North-

【LSTM系列·终篇】PyTorch nn.LSTM 终极指南：从API原理到双向多层实战，彻底告别维度错误！由于字数限制，本篇是【LSTM系列】第五篇，也是最后一篇第一篇链接：【LSTM系列·第一篇】彻底搞懂：细胞状态、隐藏状态、候选状态、遗忘门——新手最晕的4个概念，一篇厘清第二篇链接：【LSTM系列·第二篇】彻底搞懂输入门、输出门与LSTM全流程：维度分析+PyTorch工程实现第三篇链接：【LSTM系列·第三篇】单样本 vs Batch：LSTM全流程计算对比，彻底搞懂为何 h_t 与 c_t 维度必须相同第四篇链接：【LSTM系列·第四篇】彻底搞懂：单样本与 batch 的矩阵等价性、参数共享原理

【论文精读（三）】PointMLP：大道至简，无需卷积与注意力的纯MLP点云网络 (ICLR 2022)博主导读：在 PointNet++ 之后，点云深度学习似乎陷入了一个“内卷”怪圈：大家都在拼命设计更复杂的局部聚合器 (Local Aggregator)。

基于yolov10的火焰、火灾检测系统，支持图像、视频和摄像实时检测【pytorch框架、python源码】更多目标检测、图像分类识别、目标追踪、图像分割、图像检索等项目可看我主页其他文章功能演示（看shi pin 下面的简介）：

PyTorch实战（29）——使用TorchServe部署PyTorch模型在 PyTorch 深度学习模型部署一节，我们学习了如何使用 Flask 库创建可远程部署、通过网络提供预测服务的模型服务器。在本节中，我们将继续讨论使用 TorchServe 将一个已经训练并测试过的 PyTorch 深度学习模型对象部署到一个独立的环境中，使其能够对新输入数据进行预测或推理。这也称为模型的生产化，即将模型部署到生产系统中。

【YOLO】YOLO-Master 腾讯轻量级YOLO架构超越YOLO-13（含检测和分割推理）这些模型依赖于对所在这里插入图片描述有输入进行统一处理的静态稠密计算，错误地分配了表征能力和计算资源，例如将整体资源分配在琐碎的场景上，而忽略了复杂的场景。这种不匹配导致了计算冗余和次优的检测性能。

【技术专题】PyTorch2 深度学习 - 张量(Tensor)的定义与操作大家好，我是锋哥。最近连载更新《PyTorch2 深度学习》技术专题。本课程主要讲解基于PyTorch2的深度学习核心知识，主要讲解包括PyTorch2框架入门知识，环境搭建，张量，自动微分，数据加载与预处理，模型训练与优化，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。。同时也配套视频教程《PyTorch 2 Python深度学习视频教程》

DDPG手写讲解强化学习DDPG手写代码实现过程随着深度学习的发展，强化学习在复杂决策问题中的应用逐渐扩展到连续控制领域。然而，传统的值函数方法（如 DQN）主要适用于离散动作空间，在机器人控制、自动驾驶、机械臂操作等连续动作场景中难以直接应用。为了解决这一问题，Deep Deterministic Policy Gradient（DDPG）算法被提出，用于处理高维、连续动作空间下的强化学习问题。

图神经网络实战：从社交网络到推荐系统的工业级应用目录摘要1. 🎯 开篇：为什么图神经网络是AI的下一个风口？2. 🧮 数学基础：图与图卷积的精华2.1 图的基本概念：节点、边、邻接矩阵

构建 HuggingFace 图像-文本数据集指南很显然，大多数时候，我们可以自由的构建数据集来供我们训练的模型读取，但是，到了需要“标准化”或者说数据量很大的情况下，我们需要了解，有什么方式能够方便我们去构建数据量很大的数据集，以及方便别人也能使用，本文就是出于这样的考虑而编写的，我必须得吐槽一句，modelscope实在是太难用了，还是huggingface好用。

从0开始复现nano-vllm「model_runner-py」下半篇之核心数据编排与执行引擎调度prepare_prefill 函数的作用，本质上是为大模型推理中的 prefill 阶段做一次完整的数据整理与运行时环境构建，它并不是简单地把多个序列拼接起来，而是在一个支持 block 级 KV cache、prefix cache 复用以及 FlashAttention 的高性能推理框架中，将多个变长、可能部分已缓存的序列，转换成一次可以直接送入 GPU kernel 执行的结构化输入。