pytorch

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。

想会飞的蒲公英

TF-IDF + 随机森林中文文本分类全链路实战：从训练脚本到 Flask API + Streamlit 前端上一篇复盘里，我们用 RNN 跑通了中文垃圾短信的训练—评估闭环。但跑完会发现一个尴尬的现实：模型权重躺在本地 .pt 文件里，除了你自己，没人能用它。

Ultralytics：解读C3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。

Ultralytics：解读PSABlock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。

从零手搓大模型前置知识（附录一）PyTorch 基础，从张量到训练循环这一部分是本系列的 PyTorch 入门补充。它不是直接讲大模型，而是帮你补齐后面手搓 LLM 必须用到的 PyTorch 基础：

从零手搓大模型前置知识（附录二）PyTorch GPU 训练基础接着附录一，重点讲：如果你没有 NVIDIA GPU，也可以阅读这篇，因为它解释的是后面训练大模型必须理解的设备管理逻辑。

机器学习与模式识别第十三章从线性模型到神经网络考点压缩综合来源：Lecture 13 PDF（43页）、课堂笔记（CSDN）占位图y(x,w)=f(∑jwjϕj(x)+w0)y(\mathbf{x}, \mathbf{w}) = f\left(\sum_j w_j \phi_j(\mathbf{x}) + w_0\right)y(x,w)=f(j∑wjϕj(x)+w0)

深度学习入门：神经网络原理与 PyTorch 实战

Ultralytics：解读C2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。

Ultralytics：解读Attention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。

萧萧秦风瘦飞马

CSDN博客-第5天-PyTorch标准训练流程与XOR本文记录深度学习学习第 5 天的内容：把昨天“手动创建参数 + 手动更新参数”的 PyTorch XOR 程序，改写成更标准的 PyTorch 工程写法。今天重点理解 nn.Module、nn.Linear、model.parameters()、optimizer、标准训练循环，以及为什么二分类任务更推荐使用 BCEWithLogitsLoss。

用电行为异常检测VAE-基于PyTorch设计用电行为异常检测模型：从时序特征提取到变分自编码器部署的完整实战摘要：本文融合两大技术实践：Typora插件开发与用电行为异常检测。前者将Typora从简洁编辑器升级为个性化"写作IDE"，通过插件系统扩展功能、自动化流程、定制界面，为开发者提供完整的插件开发指南。后者基于PyTorch和β-VAE模型，从智能电表日冻结数据中精准识别窃电、表计故障等异常行为，将误报率从96.1%降至12%，检出率提升至89%，提供从特征工程到生产部署的全链路实战方案。

AI工程师第四课 - 深度学习入门学习代码记录仓库使用Jupyter lab测试执行代码验证。PyTorch 是最流行的深度学习框架之一，由 Meta（Facebook）开发。它用张量（Tensor）处理数据，支持 GPU 加速，提供自动求导和构建神经网络的工具。

神经网络模型导出及开放标准格式ONNX本文在上一篇文章的基础上，继续深入的分析模型格式及导出，重点分析PyTorch导出格式pt及开放标准格式ONNX。