pytorch

【从零开始大模型开发与微调:基于PyTorch与ChatGLM】(新时代的曙光之大模型与人工智能)在人工智能快速演进的今天,大语言模型已经从前沿研究逐渐走向真实业务场景,成为智能问答、内容生成、代码辅助、知识库检索等应用的核心能力.然而,对于许多开发者而言,大模型依然像一个"黑箱":我们知道它强大,却不一定清楚它是如何构建、如何训练,又该如何针对具体任务进行高效微调.本文将以"从零开始"为主线,围绕大模型开发与微调的完整流程展开,结合 PyTorch 的灵活深度学习能力与 ChatGLM 的中文大模型实践基础,带你一步步理解大模型背后的关键技术.从模型结构、数据处理、训练流程,到参数高效微调、推理部署

PyTorch梯度计算我来详细介绍 PyTorch 的梯度计算和更新机制，并提供易于理解的示例。PyTorch 使用动态计算图来自动计算梯度。当你对张量进行操作时，PyTorch 会记录这些操作，然后反向传播时自动计算梯度。

【无标题】很好，Python 3.8.5 完全够用（第一天不需要更高版本）。接下来继续第一天剩余的任务：在 base 环境里安装必需的库，并成功跑通第一个本地大模型。

一个基于 PyTorch 手语翻译模型Xuanmen_NetXuanmen_Net 是一个基于 PyTorch 的先进手语翻译模型，融合了最先进的mediapipe技术，提供高精度手语翻译能力。本项目不仅包含推理演示，还提供完整的训练框架，用户可轻松自定义训练自己的手语翻译模型。

PyTorch深度学习实战（56）——在iOS上构建PyTorch应用我们已经学习了如何使用 PyTorch Mobile 优化 MNIST 手写数字识别模型，并将优化后的模型部署到 Android 系统上。在本节中，我们将在 iOS 平台上重复了这一过程，开发一个 iOS 应用程序，用于对手写数字的摄像头拍摄图像进行分类识别。我们将复用 Android 应用开发环节中已优化的 MNIST 手写数字识别模型。

心中有国也有家

GE图引擎深度解析——CANN的计算图优化与执行引擎你在Python里写了一行 loss.backward()，到NPU上真正执行时，中间发生了什么？答案是：CANN的GE（Graph Engine）会做「图编译」和「图优化」。这篇文章拆开GE的内部机制——从Python计算图到NPU可执行文件的全流程。

使用 mis-tei 在昇腾310P上部署 bge-m3模型BGE-M3 是 BAAI 推出的开源多语言通用嵌入模型，支持文本嵌入、相似度计算、检索重排等多种任务，凭借优异的多语言适配能力和精度表现，被广泛应用于 RAG 知识库、文本检索、语义匹配等 AI 场景。

ai 模型加密，强化版终极防盗方案支持烧录的显卡列表现有TEE方案的局限性 | 方案类型 | 代表技术 | 核心缺陷 | |---------|---------|---------| | CPU-centric TEE | Intel SGX、AMD

【infra之路】模块三:Kubernetes (下) — 阶段一毕业项目:在集群里跑 PyTorch 训练AI Infra 学习路线 · 阶段一 · 模块三(下半部分)= 阶段一毕业项目目标:把训练代码打包成镜像 → load 进集群 → 写 Pod 跑训练 → kubectl logs 看 loss 下降环境:Windows + WSL2 + Docker Desktop + minikube + PyTorch (CPU 版)

不羁的木木

《HarmonyOS技术精讲》三：记忆链接 ── 跨场景数据融合HarmonyOS NEXT 开发里，Multimodal Awareness Kit 的记忆链接功能，官方文档把它叫 Metadata Binding。

国家超算中心系统自带模型和pytorch 和cuda版本https://www.scnet.cn/ui/console/index.html#/notebook/add?clusterIds=all

pytorch安装流程

ComfyUI 安装部署教程：Windows 下快速搭建可视化 AI 绘图工作流，零基础也能跑通这两年 AI 绘图工具是真的多，但如果你稍微玩深一点，很快就会发现：只会“输入提示词然后点生成”，其实不够。

PyTorch自动微分模块：从原理到实战一摘要第1章 PyTorch自动微分核心原理深度解析　　1.1 自动微分（Automatic Differentiation）基础理论　　1.2 PyTorch Autograd架构设计　　1.3 动态计算图（Dynamic Computation Graph）机制　　1.4 反向传播引擎实现原理　　1.5 雅可比向量积（JVP）与向量雅可比积（VJP）

不羁的木木

HarmonyOS文件基础服务(Core File Kit)实战演练03-文件增删改查与目录操作在应用开发中，文件管理是最基础且高频的操作。无论是缓存用户数据、保存下载文件，还是处理日志输出，都离不开文件的增删改查。HarmonyOS 的 Core File Kit 提供了完整的文件与目录操作能力，但很多开发者容易忽视沙箱路径限制和异步处理的注意事项。本文基于 API Version 6.1.0(23) 的官方文档，整理应用沙箱内文件管理的核心用法，涵盖创建、删除、复制、移动、重命名、属性获取及目录遍历。

PyTorch深度学习实战（55）——在Android上部署PyTorch模型我们已经学习了如何将 PyTorch 模型作为生产系统服务进行部署。虽然将机器学习 (Machine Learning, ML) 模型部署为云端服务仍是最主流的 ML 部署方式，但在以下场景中，我们需要将模型部署到移动设备：

PyTorch 复杂模型转 ONNX 踩坑纪实：从 diff 到 nan_to_num 的三关突破最近在将一个用 PyTorch 实现的睡眠分期模型（基于多尺度 CNN、Transformer 与注意力机制，结构较复杂）导出为 ONNX 格式，以便在不同框架中部署推理。模型代码包含大量自定义算子与模块，导出过程中接连遇到了三个 ONNX 不支持的算子错误，最终通过逐步替换和升级 opset 版本解决了问题。本文将完整记录这一过程，并提供通用的排查思路与解决方案。

weixin_46846685

PyTorch 与 TensorFlow 实战选型与应用场景指南在深度学习项目的推进过程中，许多团队都会面临一个经典的抉择困境：是选择灵活易用、适合快速迭代的动态图框架进行算法探索，还是直接拥抱高性能、适合大规模部署的静态图架构？这并非一个简单的二选一问题，而是一场关于研发效率与运行性能之间的博弈。对于算法研究员而言，能够像编写普通 Python 代码一样即时调试模型结构，意味着能更快地验证灵感；而对于工程落地团队来说，毫秒级的推理延迟和稳定的吞吐量则是不可妥协的底线。

PyTorch 新手从零搭建深度学习环境实战指南本指南专为深度学习初学者设计，提供从零开始搭建PyTorch环境的详细步骤。涵盖Python环境配置、PyTorch安装、基础概念理解、简单模型构建与训练的完整流程。通过手把手教学，确保每位新手都能顺利完成环境搭建并运行第一个深度学习模型。

keineahnung2345

在 Google Colab 中安裝 PyTorch 2.2.0為了試跑 Dynamo Overview 中的程式碼，筆者首先在 Google Colab 預設的 Python 3.12.13 + PyTorch 2.11.0+cpu 環境裡執行，但在跑到 How to inspect artifacts generated by Dynamo? 章節的這一行時：