pytorch

没有钱的钱仔

pytorch_cuda安装使用nvidia-smi 测试是否存在显卡驱动显示如下上图中的CUDA Version :13.1 代表此电脑最大可以安装的cuda的版本，安装的cuda版本需要小于等于显示的版本

Tensor：PyTorch 世界里的一切都是张量PyTorch 里，模型吃进去的是 Tensor，参数保存的是 Tensor，梯度也是 Tensor，GPU 上跑的还是 Tensor。

一条大祥脚

Tilelang-Metax|MoE|torch baseline这个比赛的github仓库，race_tests目录下有三个算子，拉取源码操作如下，记得切换分支这里来看看moe算子的实现思路

模型部署实战：FastAPI + ONNX + Docker 的推理服务化Notebook 里的 model.predict(X) 跑完就算完——但生产环境需要的是毫秒级响应、模型热加载、A/B 测试、灰度发布。把模型从实验环境搬到线上，需要完成序列化选型、推理加速、服务封装、容器化部署、负载均衡这一整条工程链路。本文以 scikit-learn 模型为主线，完整演示从 .pkl 到 ONNX 再到 FastAPI + Docker 的生产级部署方案。

Autograd 自动求导：PyTorch 训练模型的发动机写 PyTorch 的人，最常见的一句代码是 loss.backward()。看起来很短。但它背后不是一个函数那么简单，而是一整套动态计算图系统。

云和数据.ChenGuang

大模型厂商常用的数据库有哪些？分关系库、向量库、数仓/日志、文件/对象、时序、缓存六大类，标注每家真实落地选型TDengine、InfluxDB、Prometheus 监控GPU显存、推理QPS、token速度、任务排队时长、集群故障指标

努力写A题的小菜鸡

PyTorch 搭建卷积神经网络：常规写法 vs Sequential 写法详解在 PyTorch 中搭建卷积神经网络（CNN），最常见的两种实现方式是常规逐层定义法和 **nn.Sequential 堆叠法 **。本文将以 CIFAR10 分类任务的经典网络为例，详细讲解两种写法的实现、差异、优缺点及适用场景，附完整可运行代码与注释，方便直接复现与学习。

装不满的克莱因瓶

【自动驾驶领域】学习 Cityscapes 数据集——城市街景语义理解的标准基准目录一、前言二、Cityscapes数据集是什么（一）基本定义（二）核心任务（三）数据来源三、数据集规模

合规项目大模型如何部署？硬件选型 + vLLM/LMDeploy 实战如果你正接手一个合规项目——数据不能出域、访问要能审计、服务要能自己运维，大模型在内网落地——下面这些事，是不是也让你头疼过：

努力写A题的小菜鸡

01-PyTorch加载数据初认识（dataset运用）这是一个标准的 PyTorch 自定义数据集模板，核心分为 3 个部分：python运行python运行

基于深度学习的药用草本植物识别系统使用 ResNet50 + 迁移学习实现 98 类药用植物的高精度自动识别，Top-1 准确率 95.07%，Top-5 准确率 99.26% 如果需要全部的代码以及相关过程图与结果图，可以私信与我联系

PyTorch强化学习实战（13）——噪声网络（NoisyNet-DQN）在深度强化学习中，探索与利用的权衡一直是一个核心难题。传统的探索策略，如经典的 ε-greedy 或熵正则化，本质上都是在动作空间中添加随机扰动。这种方法虽然简单，但却存在一个根本性问题：每一步的动作扰动都是独立的、无状态的，难以产生持续、连贯的探索行为，尤其在需要多步协调才能发现奖励的稀疏奖励环境中，这种“抖动式”探索往往效率低下。2018 年，DeepMind 研究团队提出了一种全新的探索范式——NoisyNet。该方法将可学习的参数化噪声直接注入神经网络的权重中，使智能体能够在策略空间中实现状态依赖

【从零开始大模型开发与微调:基于PyTorch与ChatGLM】（从环境搭建到第一个训练闭环:PyTorch2.0深度学习入门实战)大模型正在成为人工智能应用开发的核心基础能力.从智能问答、代码助手,到企业知识库、智能客服和垂直领域应用,越来越多的场景都离不开大模型的理解、生成与推理能力.对于开发者来说,仅仅会调用现成的大模型接口已经远远不够,理解大模型的开发流程、掌握微调方法,并能够亲手完成一个从环境搭建到训练验证的闭环,正在变成一项非常重要的工程能力.不过,对于刚开始接触大模型开发的同学来说,这条路往往并不轻松.PyTorch、Transformers、ChatGLM、显存配置、数据格式、模型加载、训练参数、微调策略……这些概念单

PyTorch3D：基于 PyTorch 的高效 3D 深度学习工具库Facebook AI Research 开源的 PyTorch3D 在 GitHub 上积累了近万 Star，它为 3D 计算机视觉研究提供了一套高效、可复用的组件。

python-码博士

PyTorch 从零实现 Flow Matching：训练、采样、画图一条龙关键词：PyTorch、VelocityNet、Euler Sampler、minibatch OT、训练日志目标：不讲大段文献，直接把一个能跑通的 Flow Matching 训练流程拆开

努力写A题的小菜鸡

PyTorch 图像预处理 transforms 与 TensorBoard 可视化（自己学习记录）本文基于 PyTorch 框架，详细讲解 torchvision.transforms 图像预处理工具、TensorBoard 可视化、Compose 组合操作以及 CIFAR10 官方数据集加载，附带逐行代码解析、原理说明、路径规则、常见坑点，适合零基础入门、后期复习查阅。

装不满的克莱因瓶

自然语言处理常见任务——从文本理解到生成式AI的完整任务体系目录一、前言二、NLP任务整体分类三、文本分类任务（Text Classification）（一）任务定义

装不满的克莱因瓶

自然语言处理中的分词——从语言切分到模型输入的第一步目录一、前言二、什么是分词（一）基本定义（二）一句话理解（三）示例三、分词的核心作用（一）模型输入标准化

All The Way North-

大模型训练必修课：梯度裁剪(Gradient Clipping)从数学原理，到PyTorch工程实战全解析梯度裁剪（Gradient Clipping）：大模型训练的“安全阀”与“稳定器”如果你之前没接触过梯度裁剪，那这篇文章将是你从零基础到精通实战的完整指南。在现代大模型（LLM）训练中，它不再是“可选项”，而是与学习率调度并列的必选项。

LMCache 深度解析：LLM 推理加速的秘密武器，TTFT 降低 13 倍是怎么做到的？最近在搞 LLM 推理部署的时候，发现了一个让人眼前一亮的项目——LMCache。它在 GitHub 上已经积累了 8600+ stars，而且被 NVIDIA Dynamo、PyTorch 基金会、CoreWeave 等重量级玩家集成，说是目前最火的 LLM 推理加速层也不为过。