pytorch

PyTorch强化学习实战（27）——进化策略在强化学习中的应用在本节中，我们将改变对强化学习 (Reinforcement Learning, RL) 训练的视角，转而讨论黑盒优化方法，它们在大规模 RL 问题中具有适用性，并能与价值迭代和策略梯度方法竞争。尽管存在时间较长，这类方法在某些情境下仍然更具效率。具体而言，本节将介绍黑盒优化方法：进化策略。

weixin_44719529

【无标题】面向有一点 Python、但没有机器学习背景的读者。全文用一个「预测 RNA 碱基」的四分类例子贯穿，所有数字都可复现。

bigdata-余建新

week2目标：尝试完成一个多分类任务的训练:一个随机向量，哪一维数字最大就属于第几类。内容：

【共创稿事节】HarmonyOS 7材质与光照：真实感的营造与性能的平衡一块界面元素看起来"真不真"，取决于两件事：它的表面是什么材质，以及光是怎么打到它上面的。材质给了物体性格，光照给了物体体积，两者叠加才有立体感。问题在于，真实感的东西都要算——模糊要算、反射要算、阴影要算，而空间计算的每一帧都紧张。设计的功夫在于知道哪些能省、哪些不能省。

头发够用的程序员

TensorRT 自定义算子插件实战（一）：从零手写 customScaledTanh但上一篇结尾我特别强调过：这其实只是 “上半场”。导出的那个 custom::xxx 节点只是个 “空壳”——onnxruntime 跑不了，TensorRT 也跑不了，因为 TensorRT 根本不知道这个节点该怎么算。

论文复现现场

RTX 5090 32GB 适合科研计算吗？单卡训练、推理、论文复现与 OOM 判断方法RTX 5090 的 32GB 显存可作为许多单卡论文复现、7B/8B 推理与 QLoRA、常见视觉训练的候选；全参数大模型训练、FP64 密集计算和超大样本不应只看显存下结论。

论文复现现场

论文复现看到“RTX 3090 or higher”：显存、CUDA、batch size 与 OOM 怎么判断？“RTX 3090 or higher”通常表示作者至少在24GB显存、Ampere级CUDA环境中验证过，不代表显卡型号越新就一定能运行。应先看显存峰值，再检查CUDA兼容性，最后用最小输入实跑。

【ResNet18】从图像到视觉特征：卷积神经网络如何理解图像Input 输入图像Conv2d 卷积Feature Map 特征图Conv2d 卷积Feature Map 特征图

Ubuntu 22.04 安装 Miniconda、PyTorch 与 YOLOv8 并完成 CPU 推理本文记录在 VMware Ubuntu 22.04 虚拟机中安装 Miniconda、PyTorch CPU 版和 Ultralytics YOLOv8，并使用 YOLOv8n 对示例图片进行目标检测的完整过程。

CAE虚拟与现实

PyTorch和scikit-learn的区别PyTorch 和 scikit-learn 是 Python 机器学习生态里两个定位完全不同的库。简单说：scikit-learn 是“传统机器学习工具箱”，PyTorch 是“深度学习框架”。

程序猿编码

不用 PyTorch！纯 C 实现 N 维张量 + 反向传播，完成手写数字识别训练深度学习框架的本质是什么？ PyTorch、TensorFlow这类框架底层核心就是张量存储 + 算子实现 + 自动微分引擎。很多同学学习深度学习，直接调用高层API，只懂调包，不明白反向传播、梯度怎么一步步算出来。

技术狂人168

WAM-Trainer世界动作模型训练实战：IDM/FDM模块化架构与DeepSpeed ZeRO-2多卡训练最近把WAM-Trainer这个世界动作模型训练平台完整跑了一遍，从5.18亿帧第一视角数据的清洗对齐，到IDM逆动力学和FDM前动力学的模块化训练，再到8×A100上用DeepSpeed ZeRO-2跑通，最后WebSocket策略服务器把推理延迟压到150ms。LIBERO跑到99.3%，这里把工程上几个关键模块的代码和配置记录下来，方便做具身智能方向的同学参考。

[新手小白也能学会] 01-PyTorch框架使用(上)摘要:PyTorch 是一个基于 Python 语言的深度学习框架，它将数据封装成张量（Tensor）来进行处理（官方早期定位是"基于 Python 的科学计算包"，如今已发展为深度学习的主流框架）。PyTorch 提供了灵活且高效的工具，用于构建、训练和部署机器学习和深度学习模型。PyTorch 广泛应用于学术研究和工业界，特别是在计算机视觉、自然语言处理、强化学习等领域。张量是 PyTorch 中的核心数据抽象：由同一种数据类型的元素组成的多维数组，与 NumPy 数组类似。

【深度学习入门】基于TextRNN的微博情感分析（二）：模型构建与训练上一篇我们完成了数据预处理，将原始微博文本转换为了模型可接受的数字张量。本篇将重点讲解：TextRNN 是基于循环神经网络（RNN）的文本分类模型，本项目使用双向 LSTM作为核心结构。

ONNX模型导出实战：PyTorch 导出 ResNet18 模型一句话让Agent变成昇腾专家，昇腾任务轻松搞定。评测入口：请按这个开源仓接入昇腾图谱 https://gitcode.com/agent0/kg-tools

PyTorch 进阶指南：从张量操作到模型训练全流程昨天我们入门了深度学习的核心概念和 PyTorch 的 Tensor 基础操作。但如果只停留在创建张量、做做加减乘除，离真正训练一个模型还差得远。今天我们继续深入——掌握张量的形状操作与拼接，理解自动微分的原理，走通模型训练的五步循环，最后用一个线性回归案例把所有知识串起来。

深度学习入门指南：从核心概念到 PyTorch 实战从线性回归到 KNN，从决策树到聚类，我们一路走过了机器学习的主要算法。但这些算法都有一个共同的特点——它们处理的是"浅层"特征，需要人工提取和选择特征。而深度学习的革命性在于：它能自动从原始数据中提取特征，通过多层非线性变换，端到端地完成从输入到输出的映射。

“pytorch安装时与本地电脑NVIDIA 显卡驱动不匹配导致安装的pytorch无法使用”情况的解决教程●GPU: NVIDIA T4 16GB ×1●CPU：8核●内存：32G●磁盘：≥100 GB SSD

大模型学习6 -- 深度学习 1 概述和PyTorch深度学习是机器学习的一个分支，核心是用多层神经网络自动从数据中学习特征和规律。下面从几个层面梳理一下。