pytorch

昇腾知识体系

昇腾环境安装 flash_attn：FlashAttnPrefillBackend 报错与替代算子一句话让Agent变成昇腾专家，不必再找人问了。评测入口：（To Agent）请按这个开源仓接入昇腾图谱 https://gitcode.com/agent0/kg-tools

PyTorch正在重构开源AI基础设施如果你现在还在把 PyTorch 理解成一个“训练深度学习模型的 Python 框架”，那可能就有点跟不时代了。就在 9 月 8 日到 9 日，PyTorch Conference China 2026 在上海举行。官方总结里出现了模型、分布式训练、推理、异构硬件、云原生基础设施以及 Agent 等主题。相比过去围绕模型开发和训练架构展开了讨论，这次大会还透露出来的方向更宏大，PyTorch 正在试图把自己放进完整的 AI 基础架构体系里。对现在而言，它关心的已经不只是：“模型怎么能跑起来？”。而是进一步

动手学深度学习 04 | Dataset 和 DataLoader、数据增强目录摘要一、需求二、什么是 Dataset三、数据增强四、DataLoader五、完整案例演示前面几节我们使用了 TorchVision 内置好的 MNIST 数据集，这类数据集已经完成文件读取、标签封装等预处理。但在真实项目场景中，我们经常会使用自己收集整理的图片数据集。本节课我们就来解决一个工程问题：如何读取本地自定义图片，搭建属于自己的 Dataset，搭配 DataLoader 批量加载数据，并把图像送入 GPU 参与训练，同时学习数据增强技术，提升模型泛化能力。

陈年老古董

PyTorch食物图像分类实战：从数据集制作到CNN模型训练全流程详解很多刚入门深度学习的同学都会困惑：自己本地的图片数据集，到底怎么一步步变成模型能训练的数据？CNN每一层的维度该怎么算？训练和测试模式到底有什么区别？这篇博客就以食物图像识别为例，从零带大家走一遍完整流程，代码拆成小段讲，把原理说透。

PyTorch 基本使用学习笔记相同形状张量对应位置相乘：要求：第一个矩阵 shape (n, m)，第二个矩阵 shape (m, p)，结果 shape (n, p)。

深度学习学习笔记深度学习是机器学习的一个分支，核心是用多层人工神经网络从数据中自动学习特征和规律。传统机器学习往往需要人工设计特征，而深度学习可以端到端地从原始数据（如图像像素、文本词向量、声音波形）中逐层提取特征，从低级特征到高级语义。

基于 PyTorch 的 CNN 图片分类学习在学习深度学习的过程中，图片分类是一个比较典型的任务。它的基本过程就是将图片输入神经网络，让模型学习图片中的特征，最后判断图片属于哪个类别。本次使用 PyTorch 搭建一个简单的 CNN 图片分类模型，通过食品图片数据集学习从数据读取到模型训练、测试的完整过程。

模型训练工程师必须搞懂的DDP和FSDP当模型大到一张 GPU 装不下、或者数据多到一张卡跑不动的时候，PyTorch 提供了两套分布式训练方案来解决这个问题：DDP（DistributedDataParallel）和 FSDP（FullyShardedDataParallel）。它们都不是独立的框架，而是 PyTorch 内置的分布式训练技术，分别代表了"数据并行"和"参数分片"两种完全不同的思路，也是目前几乎所有大模型训练岗位都会要求熟悉的基本功。

AI-PyTorch（一）基础代码实操和自动求导Anaconda +VSC+PyTorch。VSC我已经有了，只需安装插件，这就不详说了。https://repo.anaconda.com/archive/Anaconda3-2025.12-1-Windows-x86_64.exe

磁场转动100万匹

PyTorch 食物图像分类实战：从数据准备到 CNN 训练全流程解析本文围绕一段完整的 PyTorch 食物图像分类代码展开，逐段讲解从数据集整理、自定义 Dataset、数据预处理、CNN 网络搭建到训练与测试循环的完整流程。代码以食物图片二分类（train/test 目录）为背景，适合初学者理解 PyTorch 图像分类任务的基本套路。

PyTorch梯度累积与裁剪实战：小显存也能稳定训练大批次深度学习项目使用GPU算力平台时，经常出现“批次稍大就显存溢出、批次缩小后训练又不稳定”的矛盾。梯度累积可以用多个小批次模拟大批次，梯度裁剪则能抑制异常更新。本文用PyTorch实现一套可复用的训练流程。

pytorch 适合初学者 0基础学习代码作用：把一个图片文件夹包装成 PyTorch 数据集，让你能查询图片数量，并按编号取出图片标签。class 表示定义一个“类”。

论文复现现场

本地 PyTorch 训练 OOM，第一次租 RTX 4090 云 GPU 怎么迁移项目？从环境检查到 100 Step 跑通很多小型 AI 团队都会遇到类似问题：项目在本地已经能运行，但 12GB 或 16GB 显卡频繁 OOM；想临时租一张 RTX 4090，又担心 CUDA、PyTorch、数据路径和依赖全部需要重配。第一次使用云 GPU，应该从哪里开始？

在Python中使用LSTM和PyTorch进行时间序列预测原文链接：从名称就能知道, 时间序列数据属于一种会随时间产生变化的数据形式, 举例来说, 24小时之内出现的温度情况, 一个月里各类产品的价格状况, 一年之中特定公司的股票价格情形。像长期短期记忆网络也就是LSTM这种高级的深度学习模型, 能够捕捉时间序列数据当中的模式, 所以能够用以对数据未来的趋势做预测。在此文章里, 您会看到怎样运用LSTM算法借助时间序列数据来进行将来的预测。

论文复现现场

单卡RTX 3090能训练，切到4卡却OOM：Accelerate多卡训练怎么排查？单卡训练正常，切换到4卡后出现CUBLAS_STATUS_NOT_INITIALIZED，通常应先检查进程绑定、单卡显存余量和并行策略，而不是直接重装CUDA。

小白说大模型

去AI味提示词大全：25个实用Prompt帮你降低AI率有没有发现，AI 写出来的东西读起来总有一种说不出的「怪」——句子太工整、用词太标准、结构太套路。你明明知道它想表达什么，但就是感觉不像人写的。

PyTorch 内存布局，.view()要合并哪两个维度（比如 B 和 G），这两个维度在内存里就必须“紧挨着”。在实现 Transformer、Deformable DETR 或多头注意力（Multi-Head Attention / MSDA）机制时，我们经常需要把 Batch 维度 (NNN) 和 Head 维度 (GGG) 打平为一个合并的 Batch 轴（N×GN \times GN×G），以便利用底层高效的算子（如 F.grid_sample 或 GEMM 矩阵乘法）进行并行计算。

Pytorch转ONNX详解早先的几个月, 参与了模型转ONNX的那个工作（即 : drcut）, 其主要的目标呢, 是对一些模型予以从到ONNX转换的支持。这几个月就算没有做出什么成果, 不过依旧踩了大量的坑, 在这儿记录下来, 期望能够帮助其他的人。

【从零开始大模型开发与微调:基于PyTorch与ChatGLM】(实战训练自己的ChatGPT从续写模型到对齐助手:RLHF、奖励模型与PPO精读)在2023年年初,OpenAI推出了一种大型语言模型,名为ChatGPT.这个模型最大的特点是可以像聊天机器人一样进行对话.与其他语言模型不同的是,ChatGPT经过微调,能够以对话的方式执行各种任务,比如回答查询、解决编码、制定营销计划、解决数学问题等.用户只需使用电子邮件地址创建OpenAI账户,登录ChatGPT并输入查询,就可以与这个模型进行对话.ChatGPT可以用自然人类语言回答用户的问题,如果回答不满足用户的需求,可以微调输入查询,直到获得预期的结果为止.对于用户来说,ChatGPT是一个非

【HarmonyOS AI】通用文字识别详解通用文字识别，也就是 OCR（Optical Character Recognition，光学字符识别），用来把图片中的文字转换成应用可以处理的文本。例如，一张书页照片经过识别后，里面的内容就能被复制到笔记里；一张包含快递单号的截图，也可以提取出单号，用于查询物流。