pytorch

GoCodingInMyWay

PaddleOCR 开始PaddleOCR-VL-1.6 (0.9B) 是 SOTA 级文档视觉语言模型 (VLM)。该模型以 96.3% 精度刷新 OmniDocBench v1.6，文本、公式、表格识别全面领先，并在古籍、生僻字、印章、图表等多场景能力显著增强，支持以 Markdown 和 JSON 格式输出结构化结果。

ComfyUI 使用 MiniMax H3 进行文生视频你需要下载以下 5 个核心模型文件（总大小约 40GB），并放置到 ComfyUI 的 models/ 目录下的对应子文件夹中。

Ubuntu 26.04 下 Intel Meteor Lake 核显 + NPU 驱动配置与 PyTorch NPU 推理实测刚拿到一台 Redmi Book Pro 16 2024,CPU 是 Intel Core Ultra 7 155H(Meteor Lake),带 Intel Arc 核显和一颗 AI Boost NPU。系统装的是 Ubuntu 26.04 LTS(Resolute Raccoon),内核 7.0.0-29。

程序猿编码

不用PyTorch，不用CUDA，我用C++手写了一个能跑GPT和Whisper的推理库现在想跑个大模型，大多数人的第一反应是装PyTorch、下HuggingFace权重、调pipeline()。这一套确实方便，但代价是：你的电脑里突然多了几个G的依赖，GPU驱动要配，CUDA版本要对，连跑个Demo都得等半天环境搭建。

Windows AMD显卡跑PyTorch不存在“完美运行”，分档位；Windows原生ROCm只支持新一代显卡，老消费级AMD独显官方无Windows正式ROCm支持，有替代方案。

一碗白开水一

入门实践工程十：PyTorch 模型量化与 ONNX 导出~附:安装依赖库及工程源码🔥 别再死磕枯燥理论了！AI 时代，拿实战作品说话才是硬道理！（原创不易哈，希望可以帮到还有些许学习劲儿的同学们） 🔥 【进阶版还在创作中，耗费精力中……】

一键构建 pytorch cpp lib 前端和 wheel系统环境：ubuntu 22.04 V100 GPU cuda 12.8.2 cudnn 9.10.2.21 TensorRT 10.9.0.34

Ultralytics：解读 YOLO26 知识蒸馏整合自两份源码精读：YOLO26 知识蒸馏（训练与推理全过程） + YOLO26 蒸馏损失逐行精讲。基于 ultralytics 源码：ultralytics/nn/distill_model.py、ultralytics/engine/trainer.py、ultralytics/utils/loss.py、ultralytics/nn/modules/head.py、ultralytics/nn/tasks.py、ultralytics/utils/torch_utils.py。全程以一个具体设定

《深度学习框架PyTorch入门与实践》系列：04-nn模块详解：用积木搭建神经网络本文你将学到：如何继承 nn.Module 写出自己的网络层、nn.Parameter 与自动反向传播的关系、Conv2d/Pool/Linear/BatchNorm/Dropout 五大常用层的参数含义与输出形状计算、ReLU 的 inplace 陷阱、Sequential 与 ModuleList 两种容器的三种写法与本质区别（为什么普通 list 存的层"训练不到"）、LSTM 与 LSTMCell 的关系，以及损失函数为什么也是一种 layer。全文代码基于 PyTorch 1.8，均可直接运行。

阳光开朗男孩

Pytorch的安装与配置先确认当前装了哪些 CUDA继续输入就能查看到版本号，以及位置，系统变量按Win + R，输入 appwiz.cpl，找到NVIDIA CUDA Toolkit，去控制面板里面卸载，其他的NVIDIA不用管，然后删除版本文件夹，清理环境变量

等一朵映山红

动态图 vs 静态图：PyTorch 与 TensorFlow 架构底层对比前言在深度学习框架生态中，PyTorch 与 TensorFlow 始终占据两大主流席位，绝大多数开发者入门、科研实验、工业落地都会围绕这两大框架展开。很多人在学习和项目开发中会纠结框架选择，也会疑惑两者的核心差异到底是什么——表面是API写法、函数封装不同，本质底层分水岭是计算图机制：动态图与静态图。计算图是深度学习框架的核心基石，神经网络的前向传播、反向求导、参数更新、算子优化、显存调度全部依赖计算图实现。PyTorch 主打动态计算图（Dynamic Graph），TensorFlow 原生核心

老马聊技术

Pytorch深度学习环境配置与测试准备环境：先安装 Anaconde 环境1.Anaconda中环境的创建windows 安装的版本打开Anaconde 工具

《深度学习框架PyTorch入门与实践》系列：03-autograd自动微分：反向传播的引擎本文你将学到：requires_grad的传播规则、动态计算图的构建与反向传播原理、backward()四个参数的含义、grad_fn与next_functions如何串起整张图、叶子节点（leaf tensor）的判定标准、梯度为什么会累加以及如何正确清零、no_grad/detach/tensor.data三种"脱离计算图"手段的区别、如何用hook拿到非叶子节点的梯度、如何继承Function自定义求导规则，最后用纯autograd手写一个完整可运行的线性回归，与手动求导版本对照，直观感受自动微分的

青春不败 177-3266-0520

CNN-Transformer：PyTorch遥感【含无人机】影像的分类、检测、语义分割和点云分类随着小卫星星座的普及，对地观测已具备多次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估。

python神经网络编程入门（二十七）——RNN IMBD搭建情感分类器与基础训练前两章一直在"备菜"：第 12 章把文字变成整数，第 13 章把长短不一的影评装进 (50000,500)(50000, 500)(50000,500) 的统一模具。数据洗得干干净净，词表、批次、掩码都备好了。可光有食材摆着，成不了菜——得生火、下锅、翻炒。

7. fastwam 模型 _predict_action_noise_with_cache部分action_expert.post_ditmot.forward_action_with_video_cache

PyTorch模型训练5大避坑指南：解决显存泄漏与设备不匹配报错PyTorch作为目前深度学习领域主流的框架之一，凭借其动态计算图和直观的Pythonic接口，吸引了大量开发者。Meta公司在2023年10月发布了PyTorch 2.1.0版本，进一步提升了编译器和分布式训练的性能。然而，对于刚接触PyTorch的开发者来说，由于框架的灵活性，在模型训练过程中极易踩入一些隐蔽的陷阱。本文将详细拆解PyTorch模型训练中最容易踩的5个坑，并提供实操级的解决方案。第一个坑是张量设备不匹配导致的运行时错误。这是新手最常遇到的报错，通常表现为Expected all te

想会飞的蒲公英

PyTorch 学习率实战：从零理解衰减策略与调度器副标题：手把手带你排掉"学习率定死"的坑——用下山类比讲透过大过小的判断，StepLR / 余弦退火 / Warmup 怎么选，以及 scheduler.step() 到底该放哪

《深度学习框架PyTorch入门与实践》系列：01-PyTorch入门与环境搭建之从安装到第一个神经网络本文你将学到：pip/conda两种方式安装PyTorch的正确姿势（含GPU版本注意事项）、IPython与Jupyter Notebook的高效用法（自动补全、内省、魔术方法、调试）、Tensor的基本操作、autograd自动求导的第一印象，以及如何用nn.Module从零搭建LeNet卷积网络，并在CIFAR-10数据集上完整跑通"数据加载→训练→测试"的全流程。读完本文，你就拥有了一个能真正跑起来的深度学习环境和第一个自己训练出来的模型。

从零开始学习人工智能

PyTorch 踩坑：Input type \(Half\) and bias type \(float\) 类型不匹配终极解决方案在视频光流推理、深度估计模型（FlowSeek 系列）线上推理时，稳定触发 PyTorch 类型不匹配报错，程序中断，报错核心信息：