pytorch标签_亚马逊云科技技术品牌专区

pytorch

深度学习环境搭建指南：CUDA、cuDNN、PyTorch 及 TensorRT 配置

本文详细指导在Windows环境下搭建深度学习推理环境，涵盖显卡驱动更新、CUDA/cuDNN安装、PyTorch部署及TensorRT配置。关键步骤包括：通过nvidia-smi确认驱动支持的CUDA版本，下载对应CUDAToolkit与cuDNN，使用pip安装匹配CUDA版本的PyTorch，解压TensorRT并将其库文件复制至CUDA路径，配置环境变量后验证nvcc与TensorRT版本

 2201_76128658
2026-09-24 17:25:16

 279

 5

#深度学习 #pytorch #人工智能
深度学习数据搬运优化：PyTorch pinned_memory与non_blocking实战

本文通过可复现的计时方法，验证PyTorch中pin_memory与non_blocking对数据传输效率的实际影响。指出GPU利用率低不一定是计算瓶颈，可能是CPU到GPU的数据搬运阻塞。强调需在固定配置下对比基线，结合CUDA Event精准计时与系统监控，避免盲目增加num_workers。实证表明，锁页内存与异步复制仅在合适条件下提升吞吐，优化应基于对照实验，而非参数堆叠。

ai小陈
2026-09-24 09:15:00

 572

 8

#人工智能 #服务器 #python +2
【深度学习入门】基于TextRNN的微博情感分析（二）：模型构建与训练

本篇承接上篇 NLP 数据预处理内容，基于 PyTorch 实现双向多层 LSTM 的 TextRNN 微博情感四分类任务。完整拆解模型网络结构，讲解 Embedding、双向 LSTM、全连接层实现细节；同时剖析训练、验证、测试整套逻辑，包含交叉熵损失、Adam 优化器、梯度反向传播、早停策略、模型保存，使用 sklearn 完成准确率、精确率、召回率、F1 指标评估。结合主程序讲解设备适配、随

 zx_74148481
2026-09-23 14:44:22

 539

 4

#pytorch #nlp #深度学习
第23课：PyTorch｜深度学习训练海量报错一站式排错大全【让报错不再是拦路虎】

模型训练过程中，报错信息铺天盖地，初学者往往束手无策。其实，90%以上的报错都属于少数几类常见问题。本课将系统梳理PyTorch训练中最高频的报错类型，涵盖：维度不匹配（`mat1 and mat2 shapes cannot be multiplied`）、梯度报错（`element 0 of tensors does not require grad`）、显存溢出（`CUDA out of m

Thomas.Sir
2026-09-22 22:00:16

 394

 2

#深度学习 #pytorch #人工智能
【深度学习入门】基于TextRNN的微博情感分析（一）：数据预处理

本文是微博四分类情感分析实战系列的第一篇——数据预处理。基于 TextRNN（双向LSTM）模型，从零讲解 NLP 数据预处理全流程。内容涵盖：字符级词表构建（频次统计、低频过滤、<UNK>/<PAD> 特殊标记、pickle 持久化）、数据集加载与预处理（字符转 ID、Padding 截断、8:1:1 划分训练/验证/测试集），以及自定义 DatasetIterater 批量迭代器。词表最终大

 zx_74148481
2026-09-22 21:16:17

 389

 1

#lstm #pytorch #nlp
Pytorch快速入门

PyTorch 是由 Meta 开发的主流深度学习框架，以其动态计算图、自动求导和丰富的生态著称。本文从张量概念入手，介绍如何创建张量（如 tensor、zeros、randn 等），并演示基本操作：加法、矩阵乘法、索引切片与形状变换。张量作为多维数组，支持 GPU 加速与自动求导，是构建神经网络的核心数据结构，适合快速上手深度学习开发。

月光花
2026-09-22 12:24:21

 428

 1

#人工智能 #神经网络 #pytorch
第20课：PyTorch｜训练日志可视化与训练监控【让炼丹过程“可视化”】

深度学习模型的训练往往像在“黑盒”中摸索——代码跑起来了，Loss在下降，但模型到底学得怎么样？是否过拟合？参数分布是否合理？梯度是否消失或爆炸？这些问题的答案，都隐藏在训练过程中的海量数据里。本课将系统讲解PyTorch官方可视化工具TensorBoard的完整使用教程：从安装配置到核心API的实战演练，涵盖`add_scalar`记录损失/准确率曲线、`add_image`可视化输入图像和特征

 Thomas.Sir
2026-09-21 07:26:40

 436

 2

#pytorch #人工智能 #python
第19课：PyTorch｜模型正则化与过拟合全套解决方案【让泛化能力超越记忆】

过拟合是深度学习中最常见的陷阱——模型在训练集上表现完美，却在验证集上一败涂地。本课将系统讲解过拟合与欠拟合的判定方法，并提供一整套正则化武器库：Dropout（随机失活）及其变体、BatchNorm与LayerNorm的归一化原理与选型、权重正则化（L1/L2）的数学直觉与效果对比、早停（Early Stopping）的实现与注意事项、数据集扩充（数据增强进阶）、以及模型剪枝（Pruning）的

 Thomas.Sir
2026-09-20 08:23:44

 519

 1

#pytorch #人工智能 #python
【深度学习入门】手把手实现 Word2Vec（CBOW）——从词向量到 Numpy 参数存取

本文从零讲解词向量的训练与保存全流程。先用 Numpy 演示 .npy / .npz 的保存与读取，这是深度学习中间产物落盘的基本功；再对比 One-hot 编码与分布式词向量，说明为何需要 Word2Vec。随后基于 PyTorch 实现 CBOW 模型：用上下文词预测中心词，经 Embedding 查表、向量平均、全连接与 log_softmax 输出，用 NLLLoss 训练。最后提取 Em

zx_74148481
2026-09-15 20:36:25

 405

#深度学习 #word2vec #pytorch
初识深度学习——迁移学习

本文基于PyTorch，使用预训练ResNet18模型实现食物分类任务，通过迁移学习技术显著提升小数据集下的分类性能。核心步骤包括：加载ImageNet预训练权重、冻结卷积层参数、替换全连接层为20类输出，并仅训练新层。结合数据增强与学习率调度，实现高效训练。该方法在参数量少、数据有限的情况下仍可获得高准确率，充分体现了迁移学习在图像分类中的优势。

棣廷
2026-09-15 19:34:19

 399

 2

#深度学习 #迁移学习 #pytorch
al+大数据每日学习笔记39

在自然语言处理（NLP）任务中，文字无法直接被计算机识别与运算，词向量（Word Embedding）是连接自然语言与深度学习模型的核心桥梁。CBOW（连续词袋模型）和Skip-Gram模型。通过某个单词的上下文词汇，预测当前中心单词，在训练过程中不断迭代更新权重，最终学习到每一个单词的高维语义向量。本文实现了极简版CBOW词向量训练模型，完整复现了Word2Vec的核心逻辑，帮助理解词嵌入的训练

 浔溺
2026-09-15 16:41:58

 66

 1

#pytorch
《理解深度学习》第17章变分自编码器读书笔记

隐变量模型（Latent Variable Model）假设观测数据xxx是由一些未观测到的隐变量zzz生成的。隐变量代表数据中未直接观测但对生成数据有影响的因素。观测数据xxx：像素值隐变量zzz：可能包括身份、表情、姿态、光照、年龄、性别等从先验分布pzp(z)pz中采样隐变量zzz从条件分布px∣zp(x|z)px∣z中采样观测数据xxxpx∫px∣zpzdzpx∫px∣zpzdz。

啊阿狸不会拉杆
2026-09-15 15:12:51

 513

 3

#深度学习 #学习 #人工智能 +2
《理解深度学习》第16章标准化流读书笔记

摘要（≤150字）：标准化流通过可逆变换将简单分布（如标准正态）逐步转化为复杂数据分布，利用变量替换公式精确计算似然，实现稳定的最大似然训练。核心在于设计可逆且雅可比行列式易计算的网络层，如加性与仿射耦合层。通过堆叠多层变换，模型具备强大表达能力，广泛应用于生成建模、密度估计与图像生成，兼具训练稳定性与可解释性。

啊阿狸不会拉杆
2026-09-15 15:10:49

 297

 4

#人工智能 #自然语言处理 #深度学习 +2
第9课：PyTorch｜优化器原理与主流优化器实战调参【模型训练的“引擎控制单元”】

优化器（Optimizer）是深度学习训练的核心引擎，它根据反向传播计算出的梯度来更新模型的参数，从而最小化损失函数。本课将深入讲解梯度下降的数学原理，从最朴素的SGD开始，剖析动量（Momentum）如何加速收敛并冲出局部极小点，进而介绍自适应学习率优化器（AdaGrad、RMSprop、Adam、AdamW）的演进逻辑和核心机制。通过PyTorch代码实战，你将学会为不同任务（CV、NLP、生

 Thomas.Sir
2026-09-15 15:10:21

 370

 1

#pytorch #人工智能 #python
《理解深度学习》第15章生成式对抗网络读书笔记

本章系统讲解生成式对抗网络（GAN）的核心思想与关键技术。通过“判别作为信号”的对抗机制，生成器与判别器在极小极大博弈中协同优化，实现高质量数据生成。针对训练不稳定性问题，引入WGAN、WGAN-GP、谱归一化等方法提升收敛性。通过渐进式增长、自注意力机制与大规模模型设计（如ProGAN、SAGAN、BigGAN），显著提升图像生成质量。条件GAN则拓展了生成能力，支持基于标签或文本的可控生成。尽

 啊阿狸不会拉杆
2026-09-15 15:07:55

 135

 2

#深度学习 #人工智能 #pytorch +2
《理解深度学习》第13章图神经网络读书笔记

图（Graph）由**节点（Node/Vertex）和边（Edge）**组成，记为GVEG = (V, E)GVE，其中VVV是节点集合，EEE是边集合。每条边连接两个节点，表示它们之间存在某种关系。无向图（Undirected Graph）：边没有方向，节点A和B之间的边表示双向关系。如社交网络中的好友关系。有向图（Directed Graph）：边有方向，从A指向B的边不一定有从B指向A的边。

啊阿狸不会拉杆
2026-09-15 14:47:09

 184

 3

#深度学习 #神经网络 #人工智能 +2
《理解深度学习》第12章变换器读书笔记

本章系统讲解变换器（Transformer）架构，核心为自注意力机制与位置编码，突破RNN序列依赖限制，实现并行计算。通过多头注意力捕捉长距离依赖，结合残差连接与层归一化提升训练稳定性。模型分为编码器-解码器结构，广泛应用于BERT（编码器）、GPT（解码器）及机器翻译等任务，并拓展至图像、语音等领域，成为现代AI的基石。

啊阿狸不会拉杆
2026-09-15 14:45:51

 190

 1

#深度学习 #学习 #人工智能 +2
《理解深度学习》第11章残差网络读书笔记

一句话概括：残差网络通过跳跃连接让网络学习残差而非直接学习目标，解决了深层网络的梯度消失和退化问题，使训练上百层网络成为可能，是深度学习发展史上的里程碑。残差网络核心公式清单概念公式残差块输出yσFxxyσFxx主路径变换FxW2⋅σW1xb1b2FxW2⋅σW1xb1b2维度不匹配时yσFxWsxyσFxWsxBN归一化xx−μBσB2ϵxx−μBσ。

啊阿狸不会拉杆
2026-09-15 14:42:00

 135

 1

#人工智能 #深度学习 #python +2
《理解深度学习》第10章卷积网络读书笔记

一句话概括：卷积网络通过局部连接和权值共享大幅减少参数量，利用卷积操作提取层次化特征，配合池化下采样，在计算机视觉任务中取得革命性成功。卷积网络核心公式清单概念公式2D卷积输出Yij∑mnWmn⋅Xim−1jn−1Yij∑mnWmn⋅Xim−1jn−1输出尺寸Hout⌊H2P−kHS⌋1Hout⌊(H2P−kHS⌋1参数量Cout×Cin×。

啊阿狸不会拉杆
2026-09-15 14:40:26

 208

 1

#深度学习 #人工智能 #pytorch +2
《理解深度学习》第8章性能评估读书笔记

本章系统阐述深度学习模型性能评估的核心方法。通过偏差-方差权衡理论，揭示误差来源：偏差反映模型拟合能力，方差体现对数据的敏感性。结合学习曲线诊断欠拟合与过拟合，提出降低误差的策略——增大数据或正则化降方差，提升模型复杂度降偏差。介绍训练/验证/测试集划分及K折交叉验证，实现超参数高效调优。强调评估指标需匹配任务需求，最终目标是在偏差与方差间找到平衡，实现最优泛化性能。

啊阿狸不会拉杆
2026-09-15 14:34:49

 258

 2

#深度学习 #神经网络 #人工智能 +2
深度学习入门：卷积神经网络（CNN）原理与 PyTorch 实战

对图像的不同窗口数据和卷积核做内积（逐个元素相乘再求和）的操作，就是所谓的“卷积”操作，这也是卷积神经网络名字的来源。卷积核是一组固定的权重，因为每个神经元的多个权重固定，所以又可以看作一个恒定的滤波器filter。卷积操作可以帮助计算机提取图像中的局部特征，例如边缘、纹理和轮廓。与人眼观看事物相似，卷积神经网络会先关注图片的轮廓和低级特征，再逐层组合成高级语义特征。return x：当某个指标不

 Casey31
2026-09-15 13:05:30

 67

 1

#cnn #深度学习 #pytorch
第8课：PyTorch｜损失函数详解与深度学习损失选型【模型训练的“导航仪”】

损失函数衡量模型预测与真实标签之间的差距，是深度学习的“导航仪”——它告诉模型应该往哪个方向调整。本课将系统讲解回归任务中的MSE、L1、SmoothL1损失，分类任务中的交叉熵、NLLLoss、BCE损失，以及多标签分类、排序损失等特殊场景。通过PyTorch代码实战，你将学会如何为不同任务选择合适的损失函数，如何处理类别不平衡、标签平滑等实际问题。同时讲解自定义损失函数的编写方法（使用`nn.

Thomas.Sir
2026-09-15 04:02:57

 356

 1

#深度学习 #pytorch #人工智能
【深度学习入门】PyTorch 食物图像分类三连：CNN 训练、学习率调度与 ResNet18 迁移学习

本文基于 PyTorch 完成一个完整的 20 类食物图像分类实战项目，涵盖自定义 CNN 搭建与训练、学习率调度器（ReduceLROnPlateau / StepLR）调优、ResNet18 迁移学习微调、以及最优模型权重加载推理的全流程。从卷积尺寸计算、自定义 Dataset、数据增强与 ImageNet 归一化等核心知识出发，配套完整可运行代码与常见问题排查指南，帮助深度学习初学者快速打通

 zx_74148481
2026-09-14 20:29:42

 619

 3

#pytorch #cnn #深度学习 +1
《理解深度学习》第7章梯度与参数初始化读书笔记

本章系统讲解深度学习中的梯度计算与参数初始化。核心内容包括：基于链式法则的反向传播算法，通过计算图实现从输出层逐层回传梯度；推导了误差项传播公式及参数梯度计算方法；并通过代码实验对比不同初始化方式（如Xavier、He）对训练效果的影响。强调合理初始化可避免梯度消失或爆炸，提升收敛速度。反向传播是深度学习优化的基础，其高效性使大规模网络训练成为可能。

啊阿狸不会拉杆
2026-09-14 17:45:15

 225

 2

#深度学习 #学习 #人工智能 +2
《理解深度学习》第6章模型训练读书笔记

本章系统讲解深度学习模型训练的核心算法。从基础的梯度下降法出发，介绍随机梯度下降（SGD）及其小批量变体，提升计算效率并增强跳出局部最优的能力。引入动量机制，通过积累历史梯度方向加速收敛、减少震荡。重点阐述Adam优化器——结合动量与自适应学习率，实现高效稳定的参数更新。最后探讨学习率、批量大小等超参数的选择策略，并通过实验对比不同优化器的收敛性能，揭示其在实际训练中的应用价值。

啊阿狸不会拉杆
2026-09-14 17:43:48

 278

 3

#深度学习 #pytorch #算法 +2
第5课：PyTorch｜数据流与数据预处理基础【构建数据管道】

数据是深度学习的燃料，高效的数据加载与预处理是训练稳定模型的前提。本课将系统讲解PyTorch的数据加载机制：从理解`Dataset`和`DataLoader`的核心概念开始，学习调用内置经典数据集（MNIST、CIFAR-10等），再到构建自定义数据集处理自己的图片、CSV文件。深入掌握批量读取、数据打乱、多线程加速等关键技巧，并完成数据的归一化、标准化以及基础图像增强（旋转、裁剪、翻转）。最后

 Thomas.Sir
2026-09-14 15:06:10

 327

#pytorch #人工智能 #python
第4课：PyTorch｜自动微分Autograd机制深度解析【深度学习的“发动机”】

深度学习的核心是反向传播算法，而PyTorch的Autograd模块让梯度计算变得自动化、透明化。本课将深入浅出地讲解Autograd的工作原理：从标量到张量的自动求导、`requires_grad`标志的作用、`backward()`如何积累梯度、梯度清零的必要性、梯度截断与禁用的实用技巧、自定义梯度运算（`register_hook`）、inplace操作的风险、以及多层网络中的梯度传递实战。

Thomas.Sir
2026-09-14 12:42:54

 380

 3

#深度学习 #pytorch #人工智能
第1课：深度学习前置知识与PyTorch整体认知

深度学习作为人工智能的核心技术之一，依赖于神经网络模型对复杂数据进行表征学习。掌握其前置知识需要理解线性代数、概率统计和微积分等数学基础，同时熟悉Python编程及常见库（如NumPy）的使用。PyTorch作为当前主流的深度学习框架，以其动态计算图和易用性受到广泛青睐。PyTorch的核心组件包括张量（Tensor）、自动微分（Autograd）和神经网络模块（nn.Module），能够高效支持

 Thomas.Sir
2026-09-13 20:00:47

 267

#深度学习 #pytorch #人工智能
机器学习Python生态中3个重要的库

Celery、scikit-learn与PyTorch是现代机器学习与工程系统中的核心工具：Celery实现异步任务调度，剥离耗时操作（如发邮件、模型推理）；sklearn提供统一接口的传统机器学习算法，适用于中小规模数据建模；PyTorch则聚焦深度学习，支持动态计算图与自动求导，广泛用于图像、NLP及大模型训练。三者常协同使用——通过Celery异步调度sklearn或PyTorch的推理任务

 CAE虚拟与现实
2026-09-13 11:18:36

 278

 3

#机器学习 #python #人工智能 +1
《动手学深度学习（PyTorch版）》第2章预备知识读书笔记

本章作为深度学习“工具箱”，系统讲解PyTorch基础操作：张量创建与运算、广播机制、索引切片、内存优化及类型转换。结合数据预处理流程，演示如何用pandas读取、清洗含缺失值的CSV数据，通过均值填充与one-hot编码处理，并最终转化为张量。强调基础操作的重要性——80%的深度学习问题源于张量维度、索引或梯度管理失误，建议动手实践以夯实编程根基。

啊阿狸不会拉杆
2026-09-12 14:46:29

 459

 4

#深度学习 #pytorch #人工智能
PyTorch正在重构开源AI基础设施

在过去几年里 AI 行业最吸引注意力的是模型本身，从参数量从几十亿一路做到几千亿模型能力在不断的提升。但在未来几年里真正产生大量机会的地方，很可能会是逐渐向模型下面转移。推理的引擎、异构计算、云原生调度、Agent Runtime、可观测性、模型服务以及算力抽象层的重要性。这次 PyTorch 的变化其实只是这个趋势的一部分。它正在从一个“深度学习框架”逐步演变成开源 AI 技术栈中起到核心承上启

 JPST228
2026-09-12 14:32:12

 248

 1

#人工智能 #pytorch #重构
PyTorch食物图像分类实战：从数据集制作到CNN模型训练全流程详解

针对本地食物图像数据集的图像分类任务，本文基于 PyTorch 框架实现一套完整的深度学习训练流程。首先通过脚本遍历文件夹生成图片路径‑标签 txt 索引文件，解决本地分类数据集无法直接被 PyTorch 读取的问题；其次讲解`Dataset`中`__getitem__`、`__len__`魔法方法底层原理，自定义食物数据集类完成图片读取、预处理与标签转换，借助`DataLoader`实现样本批量

 dongziwen1
2026-09-11 21:25:01

 334

 4

#pytorch #分类 #cnn +3
【深度学习入门】用 PyTorch 从零搭建 CNN，完成 20 类食物图片识别

本文基于 PyTorch 搭建小型 CNN 卷积神经网络，完成 20 类食物图像分类任务。内容涵盖数据准备（自定义 Dataset 与 DataLoader）、图像预处理与数据增强（Resize、Normalize、随机旋转翻转等）、CNN 模型结构设计与参数详解、训练循环（前向传播→损失计算→反向传播→参数更新）、模型保存与单张图片预测，完整呈现深度学习项目从搭建到应用的全流程，适合 PyTor

zx_74148481
2026-09-10 20:11:47

 749

 5

#深度学习 #pytorch #cnn
PyTorch梯度累积与裁剪实战：小显存也能稳定训练大批次

本文针对深度学习中大批次训练导致显存溢出、小批次又引发训练不稳的矛盾，基于PyTorch实现一套可复用的训练流程。通过梯度累积模拟有效大批次，结合损失缩放、梯度裁剪、混合精度与正确调度器对齐，有效平衡显存占用与模型收敛性。强调关键细节：损失除以累积步数、更新时解缩放后裁剪、调度器按更新步数调整，并提供常见问题排查方案。适用于单卡验证与算力平台扩展，提升训练稳定性与资源利用率。

ai小陈
2026-09-10 11:26:05

 400

 2

#pytorch #人工智能 #python +1
PyTorch 模型量化Eager和Graph（FX）模式

本文将厘清 Eager Mode、FX Mode、JIT (TorchScript)、PT2E 以及 NVIDIA ModelOpt 等核心概念的关系，帮助开发者梳理现代深度学习部署的技术选型路线。

Hali_Botebie
2026-09-08 11:57:10

 385

 9

#pytorch #人工智能 #python
深度学习框架PyTorch笔记（四）数据转换 Data Transformation

在Pytorch中，数据转换（Data Transformation）是一种在加载的样本数据时对数据预处理的机制，将原始数据转换为合适模型训练的格式主要通过torchvision.transforms提供的工具完成。数据转换不仅可以实现基本的数据预处理（如归一化，大小调整等），还能帮助进行数据增强（如随机裁剪、翻转等），提高模型的泛化能力。其作用如下：数据预处理：将原始图片（PIL Imag

水之子强
2026-07-10 13:56:14

 153

 5

#深度学习 #pytorch
稀疏大模型（MoE架构）的颠覆性工作——Switch Transformers论文精读

摘要：本文探讨了MoE（混合专家）架构在大模型发展中的关键作用，重点分析了SwitchTransformer论文的创新点。该论文通过简化MoE路由机制，提出仅激活单个专家的top-1路由策略，在保持计算量不变的前提下显著提升了模型性能。实验表明，SwitchTransformer在相同计算资源下可获得7倍预训练加速，并首次实现了万亿参数模型的稳定训练。同时，文章还讨论了DeepSeek最新提出的E

2201_76094622
2026-01-19 10:59:14

 1656

 49

#人工智能 #pytorch #transformer
PyTorch框架——基于深度学习神经网络手写字母识别系统源码（带界面和手写画板）

PyTorch框架——基于深度学习神经网络手写字母识别系统源码（带界面和手写画板）

时光碎了天
2026-01-19 21:01:47

 432

 9

#深度学习 #pytorch #神经网络