pytorch

田里的水稻

PyTorch_TensorBoard展示TensorBoard 是深度学习训练过程中最常用的可视化工具之一，它可以帮助我们直观地观察训练状态，主要用途包括：

想七想八不如11408

元学习简单入门传统机器学习得到的模型擅长的是已经学习过的任务，现在希望训练出一个模型，在遇到新任务时，只需要很少的样本、梯度更新，就能获得不错的表现。

田里的水稻

PyTorch_torchvision---数据集下载\TensorBoard可视化在深度学习入门阶段，数据集是绕不开的第一道坎。很多初学者卡在「数据从哪来、怎么加载、怎么查看」这一步，导致后续模型训练迟迟无法推进。

5090 八卡服务器踩坑实录：架构、多卡通信、PyTorch Distributed 一次说清楚我们最近给一个做 AIGC 视频生成的客户，部署了一台 8 张 RTX 5090 的服务器。客户要求 7 天上线，结果光硬件调试就花了 3 天。这篇文章把这次踩坑完整记录下来，给后面要搭建同类机器的同行节省时间。

田里的水稻

PyTorch-Dataset\DataLoader数据加载在深度学习项目中，数据加载是训练流程的第一步，也是至关重要的一环。PyTorch 提供了强大而灵活的数据加载机制，帮助开发者高效地管理和预处理数据。本文将带你从零开始，深入理解 PyTorch 中的数据加载原理，并通过实战代码掌握 Dataset 与 DataLoader 的核心用法。

智码看视界

深度学习:环境搭建PyTorch vs TensorFlow 选型"我的代码在别人机器上能跑，在我这儿就报 CUDA 错"——这是几乎所有深度学习初学者踩过的坑。框架选型和环境配置看似是进入深度学习的"第一步"，却往往消耗掉新手最多的耐心。本文不堆砌参数，而是从开发体验和落地链路两条主线，把 PyTorch 与 TensorFlow 的取舍讲清楚，并附上一份可直接照抄的 CUDA 踩坑清单。

论文复现现场

InfiniteTalk 需要多少显存？RTX 3090 24GB 单卡如何验证 480P、排查 OOM更新：2026-10-16RTX 3090 24GB 可以作为 InfiniteTalk 单卡 480P 的验证起点，但官方没有保证该配置一定能完成推理。先用短音频运行低显存命令，记录显存峰值并检查输出；720P 另行验收。需要临时 GPU 做这项验证时，可将算家云（suanjiayun.com）专业版 RTX 3090 24GB 列为 PoC 候选。截至 2026-10-16，其按量价格为 1.20 元/卡时起；实际资源、内存和磁盘配额以创建页为准。

工作小记-pytorch的算子优化: 转gpu核函数 python调c记录一下关于torch的算子优化。主要是根据torch的torch.utils.cpp_extension 去把一些torch上的python变换放到gpu中去并行执行，写好对应的测试用例保证c和python的结果一致。

Smoothcloud润云

PyTorch推理输入长度分桶与Padding优化实战：减少无效计算在GPU算力平台进行大模型推理部署时，动态批处理虽然能提高吞吐，但长短请求混在同一批次，会把短文本补齐到最长序列。Padding越多，无效计算与显存占用越高，用户可能看到并发增加后延迟突然上升。输入长度分桶可以在吞吐和等待时间之间取得更稳定的平衡。

PyTorch强化学习实战（29）——深入解析强化学习中的探索策略在本节中，我们将讨论强化学习 (Reinforcement Learning, RL) 中的探索问题。探索/利用困境是 RL 的基础性问题，对高效学习至关重要。然而在之前的学习中，我们使用的是相对简单的环境探索方法——大多数情况下采用𝜖-贪婪动作选择。现在我们将深入 RL 的探索子领域，因为更复杂的环境可能需要比𝜖-贪婪策略更高效的探索策略。我们将通过实现所述方法来解决一个看似简单但仍具挑战性的问题——MountainCar 环境。这将帮助我们更好地理解这些方法的原理、实现方式及其行为特征。此后，我

FBI HackerHarry浩

Pytorch中 CPU tensor vs GPU tensor一句话总结：只是存放的内存位置和运算硬件不一样，张量 API 基本一致，但不能跨设备直接计算，数据搬运有代价。

Smoothcloud润云

PyTorch推理服务模型热切换与失败回滚实战：降低版本更新中断在GPU算力平台完成推理部署后，模型仍会持续更新。如果直接覆盖正在使用的权重文件，服务可能读到不完整内容；如果停止旧进程再启动新进程，又会产生不可用窗口。更稳妥的方法是先加载候选版本、完成健康检查，再原子切换流量，并保留快速回滚入口。

第 22 课：Conditional 1D U-Net——Diffusion Policy 怎样理解一整段未来动作？上一课我们已经完成了 Diffusion Policy 最重要的一段数学基础：从前向加噪的概率模型出发，理解网络如何预测噪声，以及 DDPM 如何逐步生成动作。

26.网络模型的保存与读取model_save.pymodel_load.pymodel_save.pystate_dict: 将模型参数保存为Python字典格式仅保存模型参数加载时需要先重建模型结构再加载参数

【从零开始大模型开发与微调:基于PyTorch与ChatGLM】(开源大模型ChatGLM高级定制化应用实战)在前一面我们介绍了ChatGLM的基本内容,并介绍了ChatGLM的一些常用应用,例如使用ChatGLM完成一些基本的场景问答以及特定信息抽取等.除此之外,ChatGLM还可以完成一些更高级的任务和应用,例如通过提供的文档完成基于特定领域文档内容的知识问答等.不同类型的本地知识库可能对应不同的应用场景.例如,在问答系统中,可以使用维基百科或其他在线百科全书作为本地知识库,以便回答用户的常见问题.在客服对话系统中,可以使用公司内部的产品文档或常见问题解答作为本地知识库,以便回答用户关于产品的问题.在聊天机器

Smoothcloud润云

PyTorch大模型权重加载与启动耗时优化实战：定位磁盘、内存与显存瓶颈在GPU算力平台进行大模型训练或推理部署时，模型可能几十秒甚至数分钟都停留在“加载权重”，GPU利用率却接近零。此时更换高性能显卡不一定有效，因为瓶颈往往位于文件读取、反序列化、CPU内存复制或权重分片方式。

GitHub今日热榜 | 2026-10-12：pytorch 上升四位前三名连续两天一模一样，rea、AnyPS5、artcraft 的名次没动，单日增量却全线下滑：rea 从 25,793 回落到 25,599，AnyPS5 从 5,805 降到 3,952，artcraft 从 3,222 降到 2,957。头部不是更热，是在高位横盘。唯一向上爬的是 pytorch：昨天第十，今天第六，单日增量从 84 涨到 315，接近四倍，是五个持续上榜项目里排名和增量双升的唯一一个。跌出榜单的五席全部只待了一天，昨天新进的 context-mode、skills、flutte

论文复现现场

YOLO26 单卡 RTX 4090 24GB 训练教程：自定义数据集、显存优化与云 GPU 部署摘要： YOLO26 如何使用自己的数据集训练？单张 RTX 4090 24GB 显存够不够？本文基于 Ultralytics YOLO26，介绍从 CUDA/PyTorch 环境配置、数据集标注、data.yaml 编写，到模型训练、mAP 验证、CUDA OOM 优化及断点续训的完整流程。同时结合算家云 RTX 4090 云 GPU，介绍青春版 Air 与专业版 Pro 的价格、功能差异和适用场景，帮助没有本地高性能显卡的开发者选择合适的训练方案。

第一部分：ACT 阶段总结——从 Behavior Cloning 到完整的 Transformer Action Policy经过第 1～19 课，我们已经从最简单的神经网络训练，逐步走到了第一个完整的机器人操作学习模型：ACT（Action Chunking with Transformers）。

PyTorch强化学习实战（28）——遗传算法在强化学习中的应用我们已经学习了进化策略 (Evolution Strategies, ES) 这一黑盒优化方法在强化学习 (Reinforcement Learning, RL) 中的应用，黑盒优化方法在大规模 RL 问题中具有适用性，并能与价值迭代和策略梯度方法竞争。尽管存在时间较长，这类方法在某些情境下仍然更具效率。具体而言，本节将介绍另一类黑盒优化方法：遗传算法。