pytorch

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。

PyTorch 线性层nn.Linear底层数学原理假设我们有：np.dot(x, self.w1.T) + self.b1 的执行过程如下：设：计算每个样本与转置权重的点积：

多智能体强化学习实战：从 Dec-POMDP 到 QMIX/MADDPG/MAPPO 的可运行 PyTorch 实现下面按“算法介绍 → 可运行源码 → 关键实现片段 → 选型与框架”组织。先说明：MARL 没有单一算法，核心是多智能体信用分配和非平稳性问题；主流工程范式是 CTDE（集中训练、分散执行）。

Web3&Basketball

TorchTPU 迁移实战：3 个 CUDA 卡点我把手上一个典型的 GPU 训练工程搬到 TorchTPU 上试了一遍，「换芯片要重写几个月代码」这句话，在 2026 年 10 月 20 日之后需要打个折。那天 PyTorch Conference 上，Google 与 Meta 的 PyTorch 团队一起把 TorchTPU 开源了：TPU 成为一个原生 PyTorch 设备，理论上你只需要把 .to("cuda") 改成 .to("tpu")。我把手上一个典型的 GPU 训练工程拿去试了一遍，改一行是真的，跑起来之后才发现问题都在那一行之外。这篇

田里的水稻

FA_CNN卷积神经网络十二_CIFAR10全流程PyTorchFA：Formulas and Algorithm，CNN：Convolutional Neural Network

论文复现现场

RTX 3090 云GPU租赁价格对比：8家平台配置、计费方式与环境测试哪里能租到RTX 3090？目前，智星云、优云智算、算家云、AutoDL等多个云GPU平台提供相关实例，但不同平台的CPU、系统内存、镜像环境和计费方式存在较大差异。

【PYTORCH】迷你DECODER-ONLY模型设置下三角为0，从第一行开始，其中第一行从左到有有diagonal个0mask = torch.triu(torch.ones(5, 5),diagonal=0) print(mask)

田里的水稻

FA_CNN卷积神经网络四---线性层及其拉平PyTorchFA：Formulas and Algorithm， CNN：Convolutional Neural Network

GPU实战笔记

NVIDIA L40S 云端任务验证：训练、推理与生成工作流怎样先试再租准备租一张 NVIDIA L40S 48GB 做模型微调、推理或图像视频生成，最容易犯的错是：看到“48GB 显存”，就直接决定租一周甚至一个月。显存容量只能提供资源规格线索，不能替你证明环境能用、模型能跑、任务能按预期完成。

QN1幻化引擎

信号场注意力（SFA）：把 KV Cache 变成 O(1) 的双通道注意力——0.1B/0.3B 受控 A/B 精度反升 15.5% / 24.3%一句话：把注意力拆成「近场滑窗 softmax + 远场 EMA 信号场」两个通道，解码状态从随长度线性增长变成常数 2.362 MB（2,080 个位置下比标准注意力小 64.9×），而精度不降反升——0.1B 规模受控 A/B 相对困惑度降低 15.51%±0.21pp，0.3B 规模降低 24.34%±0.70pp（均以最差种子判定，预注册 fail-closed）。## 1. 问题：推理的瓶颈不是算力，是 KV Cache自回归解码每一步都要读全部历史的 K/V。标准注意力的 cache 随上下文

田里的水稻

FA_CNN卷积神经网络二---PyTorchFA：Formulas and Algorithm，CNN：Convolutional Neural Network

Google 和 Meta 把 TPU 变成 PyTorch「原生设备」：TorchTPU 开源，device="cuda" 改一个词就能上 TPUTL;DR：2026-10-20 的 PyTorch Conference 上，Google 与 Meta 联合宣布 TorchTPU 正式开源——一个运行时零 JAX 依赖、eager 优先的 PyTorch 原生 TPU 后端。官方口径是：model.to("cuda") 改成 model.to("tpu") 就能开箱跑（拿峰值性能当然还得调）；已持续验证约 5000 个 Hugging Face 高频模型，Qwen3 235B MoE 训练一路扩到 8192 芯片的 TPU Pod，第三方 Infe

Time_Memory_cici

在Windows系统安装Pycharm以及PyTorch方法这学期执教深度学习理论与应用，因为是理论结合实际，所以有实践课，也就是基于PyTorch框架完成一定的功能，例如搭建全连接神经网络、基于CNN实现图像分类等。

田里的水稻

FA_CNN卷积神经网络七---优化器PyTorchFA：Formulas and Algorithm，CNN：Convolutional Neural Network

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.