pytorch

郝学胜-神的一滴

PyTorch自动微分核心解析：从原理到实战实现权重更新在深度学习的参数优化环节，自动微分是不可或缺的核心技术，PyTorch内置的自动微分模块更是将复杂的求导与反向传播过程高度封装，让开发者无需手动计算繁琐的导数，就能高效实现权重参数的迭代更新。本文将从PyTorch求导的底层规则出发，拆解自动微分的核心原理，再通过实战案例一步步实现权重的梯度更新，让零基础的小伙伴也能轻松掌握这一关键技能✨。

PyTorch学习笔记(6) : torch.autograd参考文档：PyTorch 2.11 官方文档原文链接：Automatic differentiation package - torch.autograd

AI深度学习核心机制解析AI深度学习核心机制解析

盘古开天1666

从 DQN 到机器人导航：用深度 Q 网络让小车学会自己走路（含 PyTorch 代码）想象你要教一个机器人从 A 点走到 B 点。传统做法是写一堆 if-else 规则——“前方有墙左转”“前方没墙直走”。但现实环境复杂得多，你根本写不完所有规则。

阿钱真强道

01 飞腾 S5000C 服务器环境搭建实战：PyTorch + CUDA + RTX 4090D 安装与验证最近在飞腾 S5000C 服务器上搭建深度学习运行环境，本文记录一下从硬件信息确认、GPU 驱动检查，到 PyTorch 安装和 CUDA 验证的完整过程。

基于yolov26的荔枝成熟度检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面基于 PyQt5 和 YOLO26 的目标检测桌面应用程序，支持图片、视频和摄像头实时检测。数据集格式：YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的yolo格式txt文件) 图片数量(jpg文件个数)：1005 标注数量(txt文件个数)：1005 训练集数量：805 验证集数量：100 测试集数量：100 标注类别数：4 所在github仓库：firc-dataset 标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):[‘B

AI深度学习中神经网络的构建与参数优化AI深度学习中神经网络的构建与参数优化

PyTorch学习笔记|神经网络的损失函数之前我们提到过，这是神经网络的正向传播过程。但很明显，这并不是神经网络算法的全流程，这个流程虽然可以输出预测结果，但却无法保证神经网络的输出结果与真实值接近。

第10章符号推理与神经符号AI一阶逻辑构成了人工智能中知识表示与推理的基石，其通过常量、变量、谓词、函数及量词构建形式化语言，旨在精确描述世界的状态与规律。与命题逻辑不同，一阶逻辑具备表达对象间关系的能力，其核心在于量词的作用范围与项的替换机制。推理过程旨在判定给定公式集是否逻辑蕴涵某一目标公式，这一过程通常转化为证明公式集与目标公式否定的不可满足性。归结原理是自动化定理证明中最核心的推理规则，其基本思想是通过消解互补文字来简化子句集。若两个子句分别包含互补的文字

AI深度学习/PyTorch/反向传播与梯度下降import torchdef lwh_backward_grad(): “”" 前向传播 = 特征x * 权重w + 偏置b → 预测值z 反向传播 = 预测值z → 损失函数 → 损失值loss → 更新：权重w 、偏置b 本案例：简化为单变量w，损失函数 loss = 2 * w²，演示单次前向+反向传播 “”" # ===================== 1. 定义可训练参数（权重w） ===================== # requires_grad=True：开启自动求导，PyT

郝学胜-神的一滴

Pytorch自动微分模块：从原理到实战，解锁反向传播核心奥秘✨ 前言：在深度学习的世界里，模型的训练本质上是参数不断优化的过程，而参数优化的核心在于梯度的求解与更新。Pytorch作为深度学习领域的主流框架，内置的torch.autograd自动微分模块为我们省去了手动求导的繁琐，让梯度计算与反向传播变得高效又便捷。本文将从原理层到实战层，全面拆解自动微分模块的核心逻辑、与反向传播的关联，以及实际代码中的使用技巧，带你轻松掌握这一深度学习必备技能！✨

AI深度学习/PyTorch/神经网络相关“”" 搭建神经网络步骤： 1. 继承torch.nn.Module 2. 实现函数： 2.1 init__函数 2.1.1 初始化父类 2.2.2 设置属性值 2.2.3 定义神经网络结构，隐藏层、输出层 2.2.4 初始化参数，权重w、偏置b 2.2 forward前向传播函数 2.2.1 将数据传入神经网络模型 2.2.2 对模型进行训练，即前向传播过程 “”" import torch.nn as nn import torch class LwhModel(nn.Module): def ini

Pytorch 学习笔记（3) : torch.cuda上下文管理器：上下文管理器：高级功能：📚 参考：PyTorch 2.11 官方文档 - torch.cuda

郝学胜-神的一滴

Pytorch张量拼接秘籍：cat与stack的深度解析与实战在Pytorch的张量操作体系中，拼接是数据处理与模型构建里高频出现的核心操作，而torch.cat()与torch.stack()作为实现张量拼接的两大核心函数，常常让初学者陷入混淆。二者虽都服务于张量的组合，但在维度处理、使用要求、应用场景上有着本质区别。今天，我们就透过底层逻辑+实战代码，彻底拆解这两个函数的奥秘，让你轻松掌握张量拼接的正确打开方式✨。

GitCode Notebook 昇腾 910B NPU 平台 ops-transformer 算子：全场景性能测试与验证及与原生 PyTorch 注意力的深度性能对比基于 GitCode Notebook 昇腾 910B + CANN 8.2.rc1 环境，聚焦 ops-transformer 算子的完整部署与性能验证，通过清晰的环境配置、依赖安装、多场景性能测试及与原生 PyTorch 注意力的对比实验，直观呈现其在低时延、高吞吐量及显存优化上的核心优势，为 LLM 训练 / 推理等 NLP 任务提供高效、可落地的算子应用参考

【深度学习 | 第一篇】- Pytorch与张量深度学习作为机器学习的一个子集，也是现在的最火的方向，它以神经网络为基础，通过一个一个神经元结点来提取数据之间的特征，具有不可解释性，所以也被大家称为“黑盒模型”，被广泛应用于NLP，CV，推荐系统之中。

Pytorch 学习笔记(4) : torch.backendstorch.backends 是 PyTorch 中用于控制各种后端行为的模块，支持 CPU、CUDA、cuDNN、MPS、MKL、OpenMP 等多种硬件和库后端。

PyTorch学习笔记|从异或问题到深层神经网络神经网络之所以沉寂了几十年，就是有大佬说神经网络解决不了异或问题，当然现在神经网络这么火，就说明这个问题已经被解决，那今天我们就来了解这一段莫欺少年穷的戏码。

剑穗挂着新流苏312

208_深度学习的鲁棒性之美：暂退法（Dropout）原理与实战在训练大型神经网络时，神经元之间容易形成“共适应性”（Co-adaptation），即某些神经元过度依赖其他神经元，导致模型过度拟合训练数据的特定细节。暂退法通过在训练期间随机“关掉”一部分神经元，强迫每个神经元都能独立地学习有用的特征。

LtxVAE 学习笔记目录LtxVAE 推理代码repeat 尝试：