登录社区云，与社区用户共同成长
邀请您加入社区
《Python深度学习基于PyTorch》深度学习框架：TensorFlow、PyTorch、Keras、FastAI、CNTK等。神经网络：卷积神经网络、循环神经网络、对抗式神经网络
22年12月来自多伦多大学-Vector研究所、滑铁卢大学和Nvidia公司的论文“An Adaptive Robotics Framework for Chemistry Lab Automation”。在材料发现过程中，化学家目前需要进行许多费时费力且往往存在危险的实验室实验。为了加速这一过程，提出一种机器人辅助化学家自主进行实验室实验的框架。该方案使通用机器人能够执行各种化学实验，并高效利用
本文主要探讨了在预训练模型瓶颈显现的背景下，后训练和推理计算的重要性，并建议从模型服务（serving）入手，因为这是模型应用的第一步。文章比较了SGLang和vLLM两个框架，它们分别来自斯坦福和UC伯克利，功能相似，但各有特色。SGLang提供了丰富的服务功能，如chunkedprefill、speculativedecoding、radixattention和structured
大模型推理引擎经过一年多发展，进入了一个关键的调整期。一方面，针对定制集群的分离式架构出现，很多业务方自己定制更复杂的并行和调度方案。另一方面，LLM的用法更加复杂，催生了LLM Programs使用范式。此外，非NVIDIA的NPU如雨后春笋般涌现，它们独特的硬件特性亟待新的系统架构来充分挖掘与利用。在这一背景下，以vLLM为代表的开源LLM推理引擎正面临着前所未有的进化压力。而SGLang此次
使用 SGLang本地部署Deepseek R1
在 OAK-4 摄像头上运行你自己的 AI 模型，现在比以往任何时候都更加简单——只需借助。上传模型、将其转换为 RVC4 平台格式、通过提供的示例代码启动运行，从训练好的 ONNX 模型到边缘端实时推理，整个过程仅需几分钟。
ChatGPT 5.5 的过度对齐并非模型设计缺陷，而是安全优先策略的必然副产品。但通过精细的提示词调参——包括温度、top-p、双重惩罚、logit bias、停止序列的组合，加上元指令和负面约束——我们完全可以在这个对齐框架内撬开创造力的缝隙。记住一个核心公式：卓越输出 = (适度高温 + 中等核采样 + 词汇惩罚) × (元指令 - 陈词滥调) ÷ 过度对齐系数最后，强烈建议建立自己的测试基
24.6 TFLOPS FP16 或 12.3 TFLOPS FP32 峰值 GPU 计算性能.计算性能.Radeon Instinct MI25 具有 24.6TFLOPS FP16 或 12.3 TFLOPS FP32 峰值 GPU计算性能，堪称领先的高强度计算机器智能和深度学习训练应用的单精度性能。MI25 为绝大多数并行 HPC 工作负载提供强大的解决方案。MI25 还可在 1/16...
本文介绍了PyTorch的一个基本用法，读完本问文，你可以用PyTorch实现一个简单的双层神经网络。
Pytorch 在 PyCharm 中的安装很简单，只需要打开 PyCharm 的 Settings(设置)，然后在里面找到 Project Interpreter(工程解释器)，点击右上角的 + 号，在弹出的搜索框中输入 pytorch，就可以搜索到 Pytorch，点击安装即可。...
Pytorch学习1.1 Pytorch简介：Pytorch是一个优秀的开源机器学习和深度学习算法框架，pytorch官方网址: https://pytorch.org/.除此之外的开源框架还有TensorFlow、MXNet、CNTK、Keras等。Pytorch语法简洁、优美。个人感觉比起TensorFlow更容易上手。PyTorch 的奥秘，重点在于‘’张量‘’1.2 Pytorch的环境安
jupyterlab上安装pytorch如何在jupyterlab上安装pytorch创建pytorch环境安装pytorch在jupyter notebook上调用pytorch在jupyterlab上调用pytorch如何在jupyterlab上安装pytorch最近在看深度学习的一些书籍和代码，感觉需要准备的东西非常多。但万里长征第一步，还是需要搭建一个合适自己使用的深度学习环境。今天就总结
文章目录前言一、Anaconda安装二、GPU驱动检查三、有序的环境管理创建环境激活环境安装Pytorch总结前言本文记录Pytorch环境配置的过程一、Anaconda安装官网下载Anaconda合适的安装包Anaconda傻瓜式安装打开Anaconda Prompt，显示如下截图表示成功安装二、GPU驱动检查打开任务管理器查看性能点击CPU出现如下截图GPU性能图像显示说明安装正常三、有序的环
Pytorch跟Python一样都是一种编程语言，只不过Pytorch可以在GPU中进行计算。简单理解的话，就是这个区别吧。至于如何学习Pytorch，个人 觉得完全可以类比，Python两者语法跟用法没有太大差异。再者，为什么学习Pytorch基本计算，而不是用Python基本计算代替再转成tensor格式。个人在代码实现中的体会是：太麻烦，因为Pytorch默认创建变量的类型是float3
文章目录基本操作创建矩阵基本计算方法加法索引view改变矩阵维度tensor和numpy的相互转换反向传播基本操作创建矩阵import torch#创建一个5*3矩阵x=torch.empty(5,3)print(x)#创建一个随机值矩阵x=torch.rand(5,3)print(x)#初始化一个全零矩阵x=torch.zeros(5,3,dtype=torch.long)print(x)#直接
在安装PyTorch之前首先需要先下载一个编译器，我所用的是pycharm，当然也可以使用其他的例如vs-code、visual-studio等等；然后下载Anaconda，将其与pycharm进行配置；最后在下载安装PyTorch，并验证其是否和自己的GPU匹配成功。...
安装pytorch
它以私有化部署保障数据安全，以零代码平台降低技术门槛，以业务场景驱动实现价值转化，让AI不再是少数技术团队的“专利”，而是每个企业都能轻松掌握的业务增长利器。
本篇文章讲一讲机器学习和深度学习模型算法常用的交叉熵损失，它的变形，以及常见应用场景和pytorch的代码适配情况（部分），很多都是自己做实践做项目和学习过程中的心得总结与经验分享，希望大家认真阅读。
摘要： 本文设计并实现了一个基于Django框架的智能推荐系统，采用Python语言开发，以MySQL为数据库、Tomcat为应用服务器，采用B/S架构和分层设计思想。系统功能涵盖用户管理、商品分类、购物商品及订单处理等模块，实现了用户信息的增删改查（如图5-15所示）及个性化推荐。通过自顶向下的模块化开发，完成了从需求分析到功能实现的完整流程，最终总结了项目开发经验，验证了系统在电商信息管理中的
【CRL研究新机遇与自动驾驶强化学习进展】当前因果强化学习(CRL)成为AI研究蓝海，其中离线因果RL因工业需求旺盛备受关注。两篇最新论文展示了CRL的创新应用：1）NeurIPS论文RAD构建基于3D高斯溅射的自动驾驶仿真环境，结合因果RL与模仿学习，通过多维度奖励设计显著降低碰撞风险；2）Sci China Inf Sci提出因果动作赋能框架(CAE)，利用因果推理优化强化学习的动作探索效率，
本文分析了HarmonyOS 6购物应用中Swiper组件与内外层手势冲突的两种典型场景：1）内嵌横向可拖拽组件时Swiper抢占手势；2）外层侧滑返回拦截Swiper操作。通过揭示HarmonyOS手势竞争三原则（冒泡顺序、独占识别、优先级声明），提出针对性解决方案：场景A使用priorityGesture让子组件优先识别横向滑动，场景B调整外层为普通gesture避免抢占。文章还提供了避坑指南
本文详解从零搭建 AMD 深度学习环境的全流程。通过 HIPify 工具实现 CUDA 代码一键迁移至 ROCm 平台，并结合 LLaMA-Factory 框架提供避坑指南。帮助开发者在 Linux 系统下高效完成大模型微调，释放 AMD 显卡的高性价比算力优势。
实现一个内存版 CRUD API（GET/POST/PUT/DELETE /api/items）处理 404 未知路由和 500 服务端错误的统一返回用 Postman 或 curl 测试所有接口，验证功能正确完成阶段三练习任务（mini-http-server 项目）回顾总结：手写 HTTP 服务器让你理解了框架的哪些能力。
这篇文章用通俗易懂的语言解释了AI领域的关键概念及其相互关系： 大模型是AI核心，相当于超级大脑（如ChatGPT、Claude的基础） Token是AI处理文字的计量单位，直接影响使用成本和响应速度 Prompt是与AI沟通的指令，质量决定输出效果 Skill是AI的功能扩展，使其能执行具体任务（如查天气、画图） MCP是标准化接口协议，让不同AI能连接相同工具 Agent是能自主完成任务的AI
本文介绍了在HarmonyOS应用开发中，通过页面复用优化收藏页面的实现方案。核心思路是将分类列表、收藏列表和个人中心三个功能整合到同一个CategoryList页面，通过category参数区分不同数据来源。文章详细讲解了数据路由设计、状态管理方案（AppStorage与本地持久化存储的组合使用），并重点解决了页面返回时底部导航栏状态不正确的问题，通过onPageShow生命周期回调实现状态重置
本文详细记录了HarmonyOS应用中底部导航栏的三次迭代优化过程：第一版使用圆形占位符实现基础功能，第二版增加可选回调解决页面跳转问题，第三版采用SymbolGlyph系统图标和集中状态管理，最终实现了视觉统一、性能优化和逻辑简化的导航组件。文章通过对比三种方案，重点介绍了SymbolGlyph的系统图标优势以及状态管理的实现方式，并说明了特殊按钮（如中间"+"按钮）的独立处理策略。整个演进过程
摘要：该文档展示了国家超算中心昆山站异构加速卡1（16GB显存）的海光Z100SM HCU系统环境概览。系统包含两个Hygon C86 7185 32核CPU处理器，每个处理器具有8个计算单元、32MB L1缓存，主频2GHz，支持HSA 1.1运行时环境。系统内存池总容量约32GB，提供细粒度/粗粒度内存分配选项。该配置采用小端字节序，未启用Mwaitx特性，且不支持DMAbuf。设备信息显示系
基于YOLOv5的森林火灾识别系统摘要（150字） 本项目开发了一套基于YOLOv5深度学习模型的森林火灾智能识别系统。系统采用PyQt5构建可视化界面，支持图片、视频、摄像头及批量图片检测功能。通过2000张标注数据集训练优化模型，实现高精度火焰识别，检测速度达实时水平。核心技术包括：1）YOLOv5目标检测框架；2）PyTorch模型训练与部署；3）OpenCV图像处理；4）PyQt5交互界面
本文介绍了一种基于YOLOv8深度学习框架的输电塔杆绝缘子红外图像检测方法。使用包含约800张VOC格式标注的红外测温图像数据集，详细说明了从数据预处理到模型训练的全流程。关键技术点包括：1)VOC格式转换为YOLO格式的数据处理脚本；2)数据集划分方法；3)YOLOv8模型配置文件编写；4)环境配置与训练步骤。该方法为电力设备红外检测提供了有效的自动化解决方案，可用于绝缘子缺陷识别等实际应用场景
本文介绍了一款基于DeepSeek AI和规则图学习的双团队生存游戏。游戏采用回合制，两队（A和B）各有一名英雄和三个机器人，由独立的DeepSeek API实例控制。核心机制包括： Matrix Rule Graph：可学习的符号规则系统，通过关联规则挖掘从游戏经验中发现新规则，用于评估和推荐动作。 动作仲裁：比较规则图置信度与阈值，决定是否覆盖AI决策。 游戏环境：30×15网格世界，包含怪物
本文记录了作者在Text-to-CAD检索模型训练过程中遇到的严重问题及排查过程。模型训练表面正常（loss下降、保存checkpoint），但测试指标异常低下（R@1仅0.013%）。经排查发现：1）BRepEncoder权重出现大量NaN值，源于AMP混合精度中的GradScaler静默跳过NaN梯度更新；2）预训练权重加载时complex类型张量引发初始化问题。作者通过添加NaN检测、修复权
随着智能家居与健康饮食管理的快速发展，冰箱内食物自动化识别成为关键任务。本文基于YOLOv8目标检测算法，构建了一个包含30类常见冰箱食物的检测系统。实验采用自建数据集，其中训练集2,896张、验证集103张、测试集51张。模型训练结果显示，整体F1值最高达到0.96，精确率在高置信度下接近1.0，召回率在低置信度下亦接近1.0，mAP50稳定在0.65~0.70之间，mAP50-95达到0.30
该论文提出一种针对恶劣天气图像复原的新方法，通过结合莫顿序遍历和状态空间模型，设计了双退化估计模块(DDEM)来解耦全局和局部退化特征。DDEM输出全局退化描述子和空间自适应核，动态调制MOS2D模块的特征处理，实现上下文感知和空间自适应的图像复原。模型通过多阶段下采样、MDSL层和上采样重建清晰图像。实验表明，该方法能有效处理雨、雾、雪等不同天气导致的图像退化问题。
本文提出神经扰动推断（NPI）框架，通过构建人工神经网络作为大脑的替代模型，系统性扰动虚拟脑区并观测响应，实现全脑有效连接的无创绘制。NPI不仅能推断连接方向与强度，还可区分兴奋/抑制特性。在生成模型验证中，NPI优于传统方法（格兰杰因果、动态因果建模）。应用于静息态fMRI数据时，NPI揭示的结构支持的有效连接模式与皮层诱发电位实测数据高度一致。该研究为从相关分析转向因果理解大脑功能提供了新工具
突发！刚刚，谷歌发布 Gemini 3.1 Pro：推理翻倍，12 项第一，免费！
本文介绍了如何在星图GPU平台自动化部署DeepSeek-R1-Distill-Qwen-1.5B镜像，实现高效AI助手功能。该1.5B参数模型经过蒸馏优化，仅需3GB显存即可运行，特别适合代码生成、数学问题解答和日常问答等应用场景，为新手提供低门槛的AI体验。
深度学习
——深度学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AMD开发者中国社区
DAMO开发者矩阵
AtomGit开源社区
AtomGit AI 社区
EazyDevelop社区
openEuler 社区
魔珐星云开发社区
HarmonyOS开发者社区
AI编程社区
