pytorch

九章云极AladdinEdu

深度学习框架显存泄漏诊断手册（基于PyTorch的Memory Snapshot对比分析方法）在深度学习模型的训练与推理过程中，显存泄漏（GPU Memory Leak）是开发者最常遭遇的"隐形杀手"之一。不同于传统内存泄漏的即时可见性，显存泄漏往往在长时间运行的训练任务中逐步积累，最终导致CUDA Out of Memory错误。这种现象在以下场景尤为突出：

深度学习中的正则化方法与卷积神经网络基础防止模型过拟合(训练集效果好, 测试集效果差), 提高模型泛化能力一种防止过拟合, 提高模型泛化能力的策略

Pytorch针对不同电脑配置详细讲解+安装（CPU）安装pytorch前，应按照我前边的博文中，安装完anaconda和pycharm，并且配置完环境变量以后哈。

深度学习框架双雄：TensorFlow与PyTorch的较量与共生目录引言：人工智能时代的操作系统之争一、TensorFlow：工业级AI的基石1.1 起源：从Google Brain到开源社区

如何安装cuda版本的pytorch对于做深度学习研究的小伙伴本，当我们处理大量的数据时，尤其是图像数据时，过量的数据会导致我们的CPU运行压力过大，占用大量的运行内存，而且用CPU进行模型训练，训练的时间会很长，这不利于我们PC用户的科学研究，相反，Cuda是NVIDIA开发出来的一个用于模型训练的一个很好的工具，可以快速有效的帮助我们进行模型的训练。

PyTorch Geometric（PyG）：基于PyTorch的图神经网络（GNN）开发框架PyTorch Geometric（PyG）是基于PyTorch的图神经网络（GNN）开发框架，专为不规则结构数据（如图、网格、点云）设计，提供从数据加载、模型构建到训练优化的全流程工具链。其核心功能包括：

Pyro：基于PyTorch的概率编程框架Pyro是一个灵活的概率编程框架，构建在PyTorch之上，专为贝叶斯建模、概率推理和深度学习集成设计。其文档结构清晰，覆盖核心功能、推理算法、扩展应用等模块，以下从核心组件、推理方法、扩展应用等维度展开介绍。

小土堆pytorch--神经网路的基本骨架（nn.Module的使用）&卷积操作在pytorch官网可以看到对于上述forward函数的解释：运行结果是：前两个nn.Conv1d和nn.Conv2d比较常用分别是一维卷积和二维卷积，我们以二维卷积为例进行讲解

为啥全要学

PyTorch模型保存方式PyTorch提供两种主流模型保存方式和一种训练断点保存与恢复的方法。核心优势：文件体积小（仅参数数据）

深度强化学习 | 基于SAC算法的移动机器人路径跟踪(附Pytorch实现)本专栏以贝尔曼最优方程等数学原理为根基，结合PyTorch框架逐层拆解DRL的核心算法(如DQN、PPO、SAC)逻辑。针对机器人运动规划场景，深入探讨如何将DRL与路径规划、动态避障等任务结合，包含仿真环境搭建、状态空间设计、奖励函数工程化调优等技术细节，旨在帮助读者掌握深度强化学习技术在机器人运动规划中的实战应用

lesson01-PyTorch初见（理论+代码实战）一、初识PyTorch二、同类框架PyTorchVSTensorFlow三、参数对比四、PyTorch生态

山海不说话

深度学习（第3章——亚像素卷积和可形变卷积）本章介绍了计算机识别超分领域和目标检测领域中常常使用的两种卷积变体，亚像素卷积（Subpixel Convolution）和可形变卷积（Deformable Convolution），并给出对应pytorch的使用。

妄想成为master

如何完美安装GPU版本的torch、torchvision----解决torch安装慢无法安装需要翻墙安装安装的是GPU版本但无法使用的GPU的错误声明：本视频灵感来自b站如何解决所述问题如何安装对应版本的torch、torchvison进入pytorch官网

从零开始：使用 PyTorch 构建深度学习网络PyTorch 是一个开源的深度学习框架，由 Facebook（现在的 Meta）的人工智能研究团队开发。它以其动态计算图和简洁的 API 而受到广泛欢迎，尤其在学术研究领域。与其他深度学习框架相比，PyTorch 的特点是直观、灵活且易于调试。

pytorch 15.1 学习率调度基本概念与手动实现方法从本节开始，我们将介绍深度学习中学习率优化方法。学习率作为模型优化的重要超参数，在此前的学习中，我们已经看到了学习率的调整对模型训练在诸多方面的显著影响。这里我们先简单回顾此前遇到的学习率调整的场景：

PyTorch深度神经网络（前馈、卷积神经网络）z ( l ) = W ( l ) ⋅ a ( l − 1 ) + b ( l ) a ( l ) = f l ( z ( l ) ) \begin{aligned} z^{(l)} &= W^{(l)} \cdot a^{(l-1)} + b^{(l)} \\ a^{(l)} &= f_l(z^{(l)}) \end{aligned} z(l)a(l)=W(l)⋅a(l−1)+b(l)=fl(z(l))

墨绿色的摆渡人

pytorch小记（二十）：深入解析 PyTorch 的 `torch.randn_like`：原理、参数与实战示例在深度学习模型中，我们经常需要在已有张量的基础上生成与之「同形状」「同设备」「同或不同数据类型」的随机噪声，用于参数扰动、数据增强、扩散模型等场景。PyTorch 为我们提供了一个高效便捷的工具——torch.randn_like，它能一步完成上述需求。本文将从函数定义、参数详解、典型应用场景，到进阶用法，全面剖析 torch.randn_like，并通过丰富示例帮助你快速上手。

Pytorch实现常用代码笔记参考深度学习手写代码Pytorch实现Transformer代码示例PyTorch实现CrossEntropyLoss示例 Focal Loss 原理详解及 PyTorch 代码实现 PyTorch实现三元组损失Triplet Loss

用 PyTorch 从零实现简易GPT（Transformer 模型）本文将结合示例代码，通俗易懂地拆解大模型（Transformer）从数据预处理到推理预测的核心组件与流程，并通过 Mermaid 流程图直观展示整体架构。文章结构分为四层，层次清晰，帮助读者系统掌握大模型原理与实战。

墨绿色的摆渡人

pytorch小记（二十一）：PyTorch 中的 torch.randn 全面指南在深度学习中，我们经常需要从标准正态分布（ N ( 0 , 1 ) \mathcal{N}(0,1) N(0,1)）中采样，PyTorch 提供了非常灵活的接口 torch.randn。本文将从接口定义、参数详解、常见场景、示例及输出，到关键字参数的设计原理，一一展开。