pytorch

昇腾CANN ge 仓的图优化 Pass：哪些 Pass 真正影响推理性能你训练好一个模型，导出 ONNX，转成 CANN 的 OM 模型。推理时发现：延迟 89ms，吞吐只有 1200 samples/s。

昇腾NPU上的张量操作库，和PyTorch的张量操作有啥不一样？你有没有想过一个问题：PyTorch已经有了一套完整的张量操作（torch.tensor、torch.reshape、torch.cat等），昇腾CANN为啥还要自己搞一套ops-tensor？是重复造轮子，还是真的有必要？

weixin_55008315

PyTorch 实战：从零搭建手写数字识别系统（CNN 卷积神经网络）<div align="center">PyTorch 实战：从零搭建手写数字识别系统（CNN 卷积神经网络）

Cube MatMul：为什么矩阵乘法选了 Cube 而不是 Vector本文基于昇腾CANN和昇腾NPU，围绕 Cube MatMul 矩阵乘法技术展开。想象你在一个巨大的停车场里搬箱子。方案 A：一次搬一个箱子，走 100 趟——这是 Vector 的做法。方案 B：用叉车一次叉起 16×16 个箱子，一趟搞定——这是 Cube 的做法。

DL：Transformer 的基本原理与 PyTorch 实现Transformer 是深度学习中最重要的模型结构之一。它最初用于自然语言处理任务，后来逐渐扩展到图像、语音、多模态、代码生成、推荐系统和强化学习等领域，成为现代大模型的核心基础结构。

心中有国也有家

MindSpore 适配 NPU 的全链路解析——从算子注册到端到端性能调优MindSpore 怎么在 NPU 上跑起来？不是简单的「编译+运行」，而是从前端算子注册、后端算子选择、内存分配、到通信库对接的全链路适配。这篇文章把这整套流程拆开讲清楚。

小糖学代码

LLM系列：1.python入门：19.Requests(网络库)Requests是Python生态中最流行、也是最基础的第三方HTTP客户端库。它的核心理念是“HTTP for Humans”(让HTTP服务于人类)，相比Python内置的urllib库，Requests的API设计更加直观、简洁，能够极其高效地处理各种HTTP请求与响应。

心中有国也有家

PyTorch 适配 NPU：从 torch_npu 到 CANN 算子的全链路技术解析PyTorch 官方不支持 NPU，但华为提供了 torch_npu 扩展包，让 PyTorch 模型可以在 NPU 上训练和推理。这篇文章讲清楚 torch_npu 是怎么把 PyTorch 的算子调用转发到 CANN 的，以及用户怎么用它做性能调优。

PyTorch强化学习实战（10）——强化学习高级组件我们已经学习了如何实现深度Q网络 (Deep Q-Network, DQN) 模型，证明了非线性近似器完全可用于强化学习，这一概念验证极大地推动了深度Q学习乃至整个深度强化学习领域的研究热潮。在本节中，我们将重点探讨如何定义强化学习高级组件，使用更高级的模块构建代码，并聚焦于所实现方法的核心细节，避免反复实现相同的逻辑，避免重复造轮子的低效劳动。

DL：生成对抗网络的基本原理与 PyTorch 实现生成对抗网络（Generative Adversarial Network，GAN）是深度学习中非常重要的一类生成模型。与分类模型、回归模型不同，GAN 的目标不是根据输入判断类别，也不是预测一个连续数值，而是学习真实数据的分布，并生成看起来像真实数据的新样本。

PyTorch：神经网络模块PyTorch 的 torch.nn 模块，是构建神经网络最核心的模块。它提供了模型基类、常用网络层、激活函数、损失函数、容器结构、参数管理和训练状态控制等能力。

DeepSeek-R1 在 CANN 上的推理部署本文基于昇腾CANN和昇腾NPU，围绕 cann-recipes-infer 仓库的相关技术展开。DeepSeek-R1 是个 MoE 模型——671B 总参数但每次推理只激活 37B。这对推理系统是个结构性的挑战：MoE 的路由选择和 Expert 调度依赖通信，CANN 的集合通信库 HCCL 和单边通信库 hixl 构成了 MoE 推理的通信底座。

努力学习_小白

Inception V1——学习记录2014年，Google团队在ImageNet大规模视觉识别挑战赛（ILSVRC 2014）中提出了一种代号为“Inception”的深度卷积神经网络架构，即GoogLeNet（InceptionV1），一举斩获分类与检测双料冠军。该架构以500万参数量达到了top-5错误率6.67%的优异性能，参数量仅为AlexNet（6000万）的1/12，计算量仅15亿次浮点运算，却拥有22层的深度，远超过AlexNet的8层。

向量数据库在 NPU 上的加速本文基于昇腾CANN和昇腾NPU，围绕 cann-learning-hub 仓库的相关技术展开。向量数据库是 RAG 管线的核心——建库、检索、更新。传统向量库跑 CPU 上，Embedding 转完向量得从 NPU 拷到 CPU 再检索。CANN 上做 NPU-native 向量库可以把检索压在显存里，省掉 PCIe 搬运。

AI街潜水的八角

PyTorch框架——基于深度学习PmrNet神经网络AI去噪图像增强系统(含训练代码、数据集和GUI交互界面)PmrNet是一种基于U-Net架构改进的深度学习网络，来自于论文《Practical Deep Raw Image Denoising on Mobile Devices》，这个网络聚焦于在移动设备上实现高效的原始图像（RAW）去噪（本文用来做去噪），解决了传统方法在计算资源受限的移动端难以部署的问题。

解局易否结局

GE 和 Runtime：不是上下游，是协同决策你以为 GE 做完融合决策，交给 Runtime 执行就行了？其实它们是一个协同系统——GE 决定"融什么"，Runtime 决定"怎么跑"，但 GE 的融合决策必须考虑 Runtime 的调度约束，Runtime 的调度策略也必须参考 GE 的融合结果。

AI街潜水的八角

PyTorch框架——基于深度学习PmrNet神经网络AI去噪图像增强系统(含训练代码、创新对比、数据集和GUI交互界面)整个原理的介绍可见，未改进创新的文章：PyTorch框架——基于深度学习PmrNet神经网络AI去噪图像增强系统(含训练代码、数据集和GUI交互界面)https://blog.csdn.net/u013289254/article/details/161334559?spm=1001.2014.3001.5502

PyTorch模型适配昇腾NPU：从零开始的端到端流程把PyTorch训练的模型跑到昇腾NPU上做推理，看似简单，实际坑很多。环境要搭、权重要转、推理要调、性能要优。这篇文章从零开始，手把手带你走完整个流程。全程实战，不绕弯子。

DL：循环神经网络的基本原理与 PyTorch 实现循环神经网络（Recurrent Neural Network，RNN）是深度学习中专门用于处理序列数据的一类神经网络。与前馈神经网络不同，RNN 不只是把输入从前向后逐层传递，而是在处理序列时引入“隐藏状态”，让模型能够把前面时间步的信息传递到后面时间步。

CANN异构计算实践：CPU+NPU协同工作的最佳模式前面44篇都在讲NPU怎么算，但其实很多场景下CPU和NPU需要协同工作——不是简单的"CPU喂数据、NPU算"，而是更复杂的流水线分工。比如推荐系统里，特征交叉在CPU上做、深度部分在NPU上做；NLP推理里，Tokenization在CPU上做、Attention在NPU上做。