pytorch

PyTorch自动求导Autograd详解｜requires_grad、backward、grad、梯度清零标签：pytorch、autograd、自动求导、反向传播神经网络训练本质就是：前向计算损失 → 反向求梯度 → 更新参数。 PyTorch的Autograd自动求导引擎帮我们自动完成链式求导，不用手写导数。

从推理到训练：Intel Ultra 核显 GPU 加速 YOLO 模型训练在本专栏的前面文章中，介绍了使用 OpenVINO 在 Intel Ultra 处理器的 CPU、NPU、核显 GPU 上加速 YOLO12 模型的推理：

从 AI 应用开发到 GPU 计算软件：一份完整的 GPGPU、PyTorch、vLLM 与 AI Infra 学习路线最近在研究 AI Infra、大模型推理优化和 GPU 计算软件工程，系统梳理了一些值得学习的技术资料、开源项目以及实践方向。

计算机毕业编程指导师

计算机毕设推荐：基于深度学习的动物图像识别方法研究（Python+Django+PyTorch）⭐⭐个人介绍：自己非常喜欢研究技术问题！专业做Java、Python、小程序、安卓、大数据、爬虫、Golang、大屏等实战项目。 ⛽⛽实战项目：有源码或者技术上的问题欢迎在评论区一起讨论交流！也可以在主页上或文末下与博主交流~~ ⚡⚡Java、Python、小程序、大数据实战项目集](https://blog.csdn.net/2301_80395604/category_12487856.html)

【四足强化学习经典算法】（一）：RMA——盲视运动控制与快速适应模块强化学习的价值不应局限于算法本身，更重要的是将其应用于复杂的实际问题。尤其是在机器人领域，面对传统控制方法难以应对的复杂环境与任务，强化学习为机器人自主决策与运动控制提供了新的思路。因此，学习强化学习不能仅停留在算法原理和简单环境的实验上，还需要结合复杂机器人与实际应用场景，进一步理解算法的设计思想与应用价值。

PyCharm安装与PyTorch项目配置｜Jupyter Notebook与PyCharm使用对比标签：pycharm、jupyter、pytorch、conda环境配置上一篇我们搭建好了Anaconda + PyTorch虚拟环境，但是很多人在命令行里面跑代码没问题，放到PyCharm里就各种报错，本质就是解释器没有选对。同时做深度学习经常会纠结，到底用Jupyter还是PyCharm，本篇一次性讲清楚。

【模型式强化学习】（二）PETS——从概率动力学模型到模型预测控制（MPC）说人话：环境模型就是智能体自己写的一份操作说明书，查一下当前状态和动作，就知道下一步会到哪、能拿多少分

段一凡-华北理工大学

高炉炼铁机器视觉与智能识别十八讲~系列文章17：实战案例：一个风口监控系统的完整搭建理论讲了一路，是时候"真刀真枪"做一遍了。本期以高炉最成熟、最典型的场景——风口回旋区监控系统为例，把从"立项调研 → 选型方案 → 数据与建模 → 系统搭建 → 上线运行"的全流程完整走一遍。让你看清这些技术点如何被串成一个能跑、能用、有价值的系统。这不是抽象概念，而是一份"照着能做"的实战路线图。

PyTorch 线性层nn.Linear底层数学原理假设我们有：np.dot(x, self.w1.T) + self.b1 的执行过程如下：设：计算每个样本与转置权重的点积：

多智能体强化学习实战：从 Dec-POMDP 到 QMIX/MADDPG/MAPPO 的可运行 PyTorch 实现下面按“算法介绍 → 可运行源码 → 关键实现片段 → 选型与框架”组织。先说明：MARL 没有单一算法，核心是多智能体信用分配和非平稳性问题；主流工程范式是 CTDE（集中训练、分散执行）。

Web3&Basketball

TorchTPU 迁移实战：3 个 CUDA 卡点我把手上一个典型的 GPU 训练工程搬到 TorchTPU 上试了一遍，「换芯片要重写几个月代码」这句话，在 2026 年 10 月 20 日之后需要打个折。那天 PyTorch Conference 上，Google 与 Meta 的 PyTorch 团队一起把 TorchTPU 开源了：TPU 成为一个原生 PyTorch 设备，理论上你只需要把 .to("cuda") 改成 .to("tpu")。我把手上一个典型的 GPU 训练工程拿去试了一遍，改一行是真的，跑起来之后才发现问题都在那一行之外。这篇

田里的水稻

FA_CNN卷积神经网络十二_CIFAR10全流程PyTorchFA：Formulas and Algorithm，CNN：Convolutional Neural Network

论文复现现场

RTX 3090 云GPU租赁价格对比：8家平台配置、计费方式与环境测试哪里能租到RTX 3090？目前，智星云、优云智算、算家云、AutoDL等多个云GPU平台提供相关实例，但不同平台的CPU、系统内存、镜像环境和计费方式存在较大差异。

【PYTORCH】迷你DECODER-ONLY模型设置下三角为0，从第一行开始，其中第一行从左到有有diagonal个0mask = torch.triu(torch.ones(5, 5),diagonal=0) print(mask)

田里的水稻

FA_CNN卷积神经网络四---线性层及其拉平PyTorchFA：Formulas and Algorithm， CNN：Convolutional Neural Network

GPU实战笔记

NVIDIA L40S 云端任务验证：训练、推理与生成工作流怎样先试再租准备租一张 NVIDIA L40S 48GB 做模型微调、推理或图像视频生成，最容易犯的错是：看到“48GB 显存”，就直接决定租一周甚至一个月。显存容量只能提供资源规格线索，不能替你证明环境能用、模型能跑、任务能按预期完成。

QN1幻化引擎

信号场注意力（SFA）：把 KV Cache 变成 O(1) 的双通道注意力——0.1B/0.3B 受控 A/B 精度反升 15.5% / 24.3%一句话：把注意力拆成「近场滑窗 softmax + 远场 EMA 信号场」两个通道，解码状态从随长度线性增长变成常数 2.362 MB（2,080 个位置下比标准注意力小 64.9×），而精度不降反升——0.1B 规模受控 A/B 相对困惑度降低 15.51%±0.21pp，0.3B 规模降低 24.34%±0.70pp（均以最差种子判定，预注册 fail-closed）。## 1. 问题：推理的瓶颈不是算力，是 KV Cache自回归解码每一步都要读全部历史的 K/V。标准注意力的 cache 随上下文

田里的水稻

FA_CNN卷积神经网络二---PyTorchFA：Formulas and Algorithm，CNN：Convolutional Neural Network

Google 和 Meta 把 TPU 变成 PyTorch「原生设备」：TorchTPU 开源，device="cuda" 改一个词就能上 TPUTL;DR：2026-10-20 的 PyTorch Conference 上，Google 与 Meta 联合宣布 TorchTPU 正式开源——一个运行时零 JAX 依赖、eager 优先的 PyTorch 原生 TPU 后端。官方口径是：model.to("cuda") 改成 model.to("tpu") 就能开箱跑（拿峰值性能当然还得调）；已持续验证约 5000 个 Hugging Face 高频模型，Qwen3 235B MoE 训练一路扩到 8192 芯片的 TPU Pod，第三方 Infe

Time_Memory_cici

在Windows系统安装Pycharm以及PyTorch方法这学期执教深度学习理论与应用，因为是理论结合实际，所以有实践课，也就是基于PyTorch框架完成一定的功能，例如搭建全连接神经网络、基于CNN实现图像分类等。