pytorch

2026第二届湾区杯网络安全大赛决赛（AI专项赛道静态题wp）awdp做的不是很好，差不多中游，就不写了重点看ai吧，不过看了一下午也没能再出一道了，RAG有点可惜最后脑洞不够没能想到这样子做，人工分低的很，多亏了agent发力帮我们拿了一个铜奖

论文复现现场

课程作业要跑 PyTorch 训练，学校机房不够用去哪租？云 GPU 选型、环境迁移与防丢数据指南课程截止日期临近、学校 GPU 又排不上时，可以临时租云 GPU。先按显存、训练时长、PyTorch/CUDA 环境和数据保存方式筛选，再用一小批数据试跑；不要只看显卡型号或小时单价。

深度学习——PyTorch 实现 CBOW 词向量模型：从数据预处理到训练与保存本篇文章基于 PyTorch 从零实现 CBOW（Continuous Bag-of-Words，连续词袋）词向量模型。CBOW 的核心思想是：利用上下文单词来预测中心词。例如在句子 "People create programs to direct" 中，给定上下文单词 People、create、to、direct，模型需要预测中心词 programs。

边界条件的硬约束与软约束——从试函数构造到谱分析诊断本篇为PINNs工程化落地系列第三篇。前两篇分别处理了Burgers方程的自动微分实现和NS方程的多目标损失平衡。这一篇聚焦一个更底层的问题：边界条件到底怎么加？

基于 Mask R-CNN 的药片缺陷检测系统本项目实现了一个基于 Mask R-CNN 深度学习模型的药片缺陷检测系统，能够自动识别和定位药片表面的污染（contamination）和裂纹（crack）两类缺陷。系统提供了完整的训练流程、GUI 可视化界面和推理工具，适用于药品质量检测场景。

马剑威（威哥爱编程）

【共创稿事节】HarmonyOS 7 Agent A2A 实战：让日程智能体和打车智能体自己谈成一单本文基于 HarmonyOS 7（API 26）官方《通过 AgentAbilityExtension 实现智能体间 A2A 协议通信》开发指导与 Agent Framework Kit 相关接口参考整理。文中代码示例为说明问题自写，接口名均出自官方文档并标注出处，方法签名与配置细节以官方 SDK 为准；未核实到底层调用细节的部分以示意性伪代码呈现并标注；文中不含实测数据，场景为按官方能力描述做的推演，运行表现以真机实测为准；7.0 相关能力需升级至 HarmonyOS 7 并以实际支持机型为准。

内蒙深海大鲨鱼

8-13课程归纳预测一个连续值，训练的时候按照和真实值的区别来作为损失其中的η被称为超参数，不能选太大，也不能选太小；wt表示模型的参数，梯度算的是损失函数变化最大的方向，所以要沿着反方向来更新参数。

基于 PyTorch 实现 CBOW 词向量模型CBOW（Continuous Bag of Words）是 Word2Vec 中的一种经典模型，主要用于学习单词的词向量。

YOLO 涨点研究（十二）：具身 CV 进阶篇——Sim2Real 域随机化与真机部署本系列博客旨在从源码层面拆解 YOLO 的每一个技术细节，找到涨点突破口。第一篇：《YOLO 全代码详细解读：从预处理到后处理的完整数据流动》第二篇：《YOLO 涨点研究（二）：Loss 函数深度解析与正负样本分配策略》第三篇：《YOLO 涨点研究（三）：数据增强策略深度解析与涨点技巧》第四篇：《YOLO 涨点研究（四）：网络结构改进与涨点技巧》第五篇：《YOLO 涨点研究（五）：模块优化的实验设计与代码落实全指南》第六篇：《YOLO 涨点研究（六）：网络结构改进之小目标增强篇1》第七篇：《Y

马剑威（威哥爱编程）

【共创稿事节】HarmonyOS 7 应用 Skill 化实战：从“被打开“到“被调用“，把功能递进系统意图分发池本文基于 HarmonyOS 7（API 26）的《基于ArkTS脚本的应用Skill开发指导》与官方新能力一览整理。文中代码是为说明问题自写的完整示例，不是官方示例的搬运；API 名称、标签与版本号等事实性信息均标注官方出处；涉及真机表现的部分已明确标注，未做任何实测数据编造。

11-循环神经网络循环神经网络（Recurrent Neural Network, RNN）是一种专门处理序列数据的神经网络。与传统的前馈神经网络不同，RNN具有“循环”结构，能够处理和记住前面时间步的信息，使其特别适用于时间序列数据或有时序依赖的任务。

卷积神经网络（CNN）学习笔记：从卷积原理到ResNet与迁移学习在计算机中，图像本质上是一组按照顺序排列的数字。灰度图像中的像素值通常表示明暗程度，数值范围为 0～255；而更常见的 RGB 彩色图像由红、绿、蓝三个通道组成，因此可以把一张彩色图片理解成一个三维张量。

【深度学习入门】PyTorch 食物图像分类三连：CNN 训练、学习率调度与 ResNet18 迁移学习学深度学习最容易"看得懂原理、写不出代码"。本文带大家完成一个完整的 20 类食物图像分类项目，正好覆盖深度学习入门最关键的三个环节：

【CUDA1】GPUvsCPU,CUDA Kernel这个系列我们来讲解CUDA,从入门到可以独立写自己的cuda代码，现在开启我们的cuda之旅吧。CPU：少量非常强的核心，一个核心很强，擅长：

单头、多头 Self-Attention可视化单头自注意力首先将输入特征 XX 通过线性映射得到 QQ、KK 和 VV，随后利用缩放点积计算注意力权重，并对 VV 进行加权聚合，从而获得包含上下文关系的特征表示。

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)。