pytorch

晚霞的不甘

CANN 模型转换与适配：从 PyTorch 到 Ascend OM 的完整指南模型转换是昇腾落地的第一道坎。不管你用 PyTorch、TensorFlow 还是 MindSpore，最终都要变成 Ascend 的 .om 模型才能在 NPU 上跑。

【thorough-pytorch】评价指标混淆矩阵（也称误差矩阵）是机器学习和深度学习中表示精度评价的一种标准格式，常用n行n列的矩阵形式来表示。其列代表的是预测的类别，行代表的是实际的类标，以一个常见的二分类的混淆矩阵为例。我们会发现二分类的混淆矩阵包括TP, FP, FN, TN，其中TP为True Positive，True代表实际和预测相同，Positive代表预测为正样本。同理可得，False Positive (FP)代表的是实际类别和预测类标不同，并且预测类别为正样本，实际类别为负样本；False Negative (FN)代表的是

晚霞的不甘

CANN-昇腾NPU开发快速入门昇腾是华为的 AI 加速卡：简单理解：昇腾 = AI 专用的 NVIDIA GPU。CANN = 昇腾异构计算架构

神经网络拟合高频信号实验

CUDA、PyTorch、Transformers、PEFT 全栈详解这四个技术构成了现代大模型开发的完整技术栈，从底层硬件加速到上层高效微调，层层递进、相互依赖。我会按照从底层到上层的顺序讲解，兼顾核心原理、关键组件和大模型开发中的实际应用。

PyTorch：张量与基础计算模块PyTorch 的 torch 模块，是整个 PyTorch 框架中最基础、最核心的模块。它提供了张量创建、张量运算、形状变换、索引切片、数据类型转换、设备迁移、随机数生成、保存与加载等基础能力。

放下华子我只抽RuiKe5

React 从入门到生产（一）：JSX 与组件思维创作者： Yardon | GitHub： github.com/YardonYan | 版本： v1.0 |

z小猫不吃鱼

05 Pytorch之 ViT-B/16 源码逐行解析

PyTorch特征提取器源码精析ExtractorAgent 是 PyTorch KernelAgent 中的一个关键组件，负责从输入数据中提取特征或特定信息。以下是对其源码的详细解读：

双机双卡训练yolov5（yolov5+pytorch+DDP+NCCL+RDMA全栈解析）1、nvidia-smi topo -m 是怎么获取topo结构的？调用了什么api？2、以下接口有什么用，怎么实现的？

晚霞的不甘

CANN ATB 加速库深度解析：Transformer 模型的加速引擎如果你在昇腾上跑大语言模型，有一个库你一定绕不过去：ATB（Ascend Transformer Boost）。

PyTorch vs Transformer：框架与架构的区别PyTorch是工具，Transformer是方法。想象你要做一道菜：你可以用同一套厨具（PyTorch）做很多不同的菜（Transformer、CNN、RNN等）。

DL：前馈神经网络的基本原理与 PyTorch 实现前馈神经网络（Feedforward Neural Network，FNN）是深度学习中最基础的一类神经网络结构。它的核心特点是：信息只沿一个方向逐层传播，从输入层进入，经过一个或多个隐藏层，最后到达输出层，网络中没有循环反馈连接。

【Wit智慧引擎】亲测可用国内pytorch镜像最近要使用YOLO v11训练模型，下载gpu版本的pytorch时候简直让人抓狂，官网的速度慢的像龟速，几KB每秒，国内镜像嘛一堆大聪明给的都用不了，最后终于看到一篇文章写的可用，这里记录一下：

PyTorch CUDA设备不可用错误解决方案在使用PyTorch加载模型时遇到以下错误：注意：在生产环境中，建议始终使用state_dict方式保存和加载模型，以获得最佳的兼容性和灵活性。

09-斯坦福CS336作业 [特殊字符]本文档介绍斯坦福大学 CS336《从零开始的语言模型》课程的 5 个作业内容及其作用，帮助学习者了解这门硬核实践课程的核心训练环节。

HarmonyOS 6学习：卡片组件圆角白边问题的诊断与修复实战在HarmonyOS 6应用开发中，我最近负责优化一个天气应用的桌面卡片。这个卡片设计得很精美——渐变背景、动态天气图标、实时温度显示，看起来一切都很好。但上线后，用户反馈来了一个问题："你们的天气卡片四角怎么有白边？看着像没对齐一样，强迫症要犯了！"

快乐得小萝卜

使用：Pytorch C++ API核心管线：图像/数据 → Tensor → model.forward → 解析结果PyTorch C++ 里 Tensor 是核心。但你不需要记所有 API，记住 4 个操作就够了：

PyTorch强化学习实战（9）——深度Q学习我们已经讨论价值迭代方法的问题，并了解了它的变体，Q学习。在本节中，我们将通过神经网络预处理环境状态来扩展Q学习方法，这将极大提升Q学习方法的灵活性和适用性。