登录社区云，与社区用户共同成长
邀请您加入社区
本文提供了PyTorch CUDA版本的离线安装教程，适用于Windows/macOS/Linux系统。针对在线安装常遇到的网络超时、下载慢等问题，教程详细介绍了如何通过下载whl离线包并指定官方源补全依赖的方式进行安装。内容包括：精确查找whl文件的关键词解析、不同操作系统的安装包选择、全新安装和覆盖安装命令、安装后的CUDA环境验证代码，以及常见问题解决方法。文中还附带了Python各版本对应
tensor机器学习的基本单位x = torch.empty(3,5)x = torch.zeros(5,4)x = torch.rand(5,3) #0-1均匀分布的随机矩阵x = torch.randn(5,3)#正态分布（0,1）随机矩阵x = torch.randn_like(x)#和x大小一样的randn矩阵x = torch.tensor([[1,2],[3,4.3]])viewy =
深度学习几个安装流程推荐
小白一枚，看了很多pytorch安装教程，觉得这三篇配合能解决安装问题，真心觉得文章都很有用，所以分享出来，希望好文章能被更多人看见并解决问题！【若有侵权，请作者联系】
配置国内源，一劳永逸conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add
pytorch基础学习
1 什么是 PyTorch?PyTorch 是一个基于 Python 的科学计算包，主要定位两类人群：NumPy 的替代品，可以利用 GPU 的性能进行计算。深度学习研究平台拥有足够的灵活性和速度2 Tensors (张量)一些tensor运算：import torchx = torch.empty(2,4) # 或者 x = torch.Tensor(2,4)y = torch.ones(2,4
PyTorch是一个基于Python的机器学习框架，由Facebook于2016年发布。它提供了一组灵活且高效的工具，可用于构建和训练各种深度学习模型。
torch多卡训练
dim的定义dim 表示维度x = torch.randn(2, 3, 3)print(x)print(x.size())print(x.dim())输出:tensor([[[-1.6943, -2.1487,1.2332],[-0.2261, -0.1596,1.5513],[ 2.0383, -0.6982, -2.1481]],[[ 0.4201, -2.7373,0.2424],[-1.1
可用性优先于性能 （PyTorch的主要目标是可用性，次要目标是合理的性能。避免过早实施严格的用户限制，以保持灵活性，支持构建在PyTorch抽象之上的研究人员。PyTorch以可用性为先，避免过早采用限制性规则，以确保用户体验的完整性和灵活性。简单胜于易用PyTorch倾向于提供简单和明确的构建模块，而不是易于使用的API。明确比隐式更好，简单比复杂更好。通过暴露简单和明确的构建模块，PyTor
在window7下搭建CUP的pytorch
2020年8月，最新必看Python+cuda10.2（或10.1）+Python 3.7版，30分钟完成安装（5小时血泪体验）pro测试可用！！防坑！！,202008,pytorchcuda102,101python37,30min,五小时,经验,亲测<script>var _hmt = _hmt || [];(function() {var hm = document.create
Anaconda 换源conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/conda config --set sh
Anaconda下的Pytorch（GPU）安装
PyTorch Learning本人有一些python基础，听说过pytorch但没用过。下面记录一下pytorch学习，方便后面自己查阅。一些相关链接PyTorch中文文档： https://pytorch-cn.readthedocs.io/zh/latest/PyTorch入门教程-简书：https://www.jianshu.com/u/5e2b32ff790c回到正题一 安装...
cuda和pytorch对应版本https://pytorch.org/get-started/previous-versions/link
Pytorch学习笔记，自我记录
查看pytorch版本的方法
PyTorch深度学习框架指南 PyTorch是由Facebook开发的开源深度学习框架，以其动态计算图和直观API设计著称。本文介绍了PyTorch的核心功能和应用： 核心特性 动态计算图：支持灵活的网络结构修改 GPU加速：高效利用硬件资源 自动微分：简化梯度计算 丰富的生态系统：包含TorchVision等扩展库 基础应用 张量操作和自动微分 神经网络构建（全连接、CNN、RNN） 模型训练
本文将带领你完成第一个完整的HarmonyOS应用开发流程，从项目创建、代码编写、调试测试到真机运行和上架准备，让你全面体验HarmonyOS应用开发的全过程。
通过这次学习，我不仅掌握了 HarmonyOS Next API 13 的PreviewKit使用方法，更深入理解了系统级能力在开发中的重要性。最终完成的文件预览助手应用，为未来开发更多复杂功能提供了坚实的基础。对于想要入门 HarmonyOS Next 的开发者，我的建议是从实际项目出发，结合文档和代码实践，不断提升自己的技能。未来，我计划进一步探索 HarmonyOS 的其他系统能力，比如共享
在HarmonyOS开发中，窗口管理是一个比较基础但容易踩坑的模块。很多人在刚接触和时，会误以为它们功能类似，结果在真机上一跑就崩。本篇文章专注于的创建与基础属性控制，包括窗口大小、位置、全屏模式。理解这些API的边界条件，比你背下参数列表更有用。
本文介绍了一个专业的计算机毕业设计辅导服务，涵盖从选题到答辩的全流程支持。服务内容包括开题报告、系统开发、论文撰写、降重指导等，技术范围涉及SpringBoot、Vue、AI等主流技术栈。文章推荐了500+精品毕设案例，包括数据分析系统、微信小程序、人工智能应用等，并提供了19个新颖选题示例，如AI药品识别系统、鸿蒙手写笔记系统等，涵盖不同难度等级和技术方向。服务承诺提供源码获取和全程专业指导，帮
你看过那些酷炫的慢动作视频吗？水滴落入杯中溅起水花、运动员腾空翻转的瞬间、花瓣在风中缓缓飘落……这些画面之所以震撼，是因为它们展示了我们肉眼无法捕捉的细节。慢动作的原理其实很简单：用更高的帧率录制，再用正常的帧率播放。比如用 240fps 录制，30fps 播放，时间就被拉长了 8 倍——1 秒的动作变成了 8 秒的慢放。但实现起来并不简单。高帧率录制对硬件要求很高——传感器需要更快的读出速度，I
Continuous Batching 本质上是对 LLM 推理计算模式的一次重新认识。它不是一种优化技巧，而是一种调度范式的转变：将请求从"一次不可分割的推理任务"重新定义为"一系列同构迭代的序列"，并在迭代级别上动态组批。这个转变打开了一整套新的设计空间——PagedAttention 的内存管理、Chunked Prefill 的混合调度、RadixAttention 的前缀复用——都建立在
本文详细解读了MiniMind项目的基座模型代码model_minimind.py。该文件实现了一个小型语言模型MiniMind，包含配置类、RMSNorm归一化、RoPE位置编码、注意力机制、前馈网络、MoE混合专家系统等核心组件。文章从零开始逐步解析了287行代码的每个模块，包括： 配置类定义模型超参数 RMSNorm作为高效归一化层 RoPE位置编码实现位置感知 注意力机制支持GQA和Fla
基于YOLOv10深度学习模型的中国交通标志识别系统。该系统采用YOLOv10n轻量级架构，在包含5998张图像的数据集上进行训练，能够准确识别58种中国交通标志。模型训练100轮后，在验证集上取得mAP50 98.25%、精确率98.73%的优异表现。系统提供Web和桌面两种交互界面，支持图片、视频及实时摄像头检测，可调节置信度阈值并导出检测结果。该技术可应用于自动驾驶、交通管理等领域，具有实时
这篇文章主要记录了我学习transformer过程中的一些心得以及困难，详细介绍了transformer架构以及其具体代码
摘要： 2015-2025年，谐波减速器从日本HD垄断（1-5弧分背隙、万元级成本）演变为中国主导的零背隙量子自愈技术（<0.1弧秒、千元级）。十年间，中国市占率从<10%跃升至>80%，绿的谐波、中大力德等企业推动负载自重比提升5-10倍，寿命突破10万小时，成本下降99%。2025年，纳米级精度、自愈补偿和一体化关节技术实现机器人关节“生物级柔顺”，推动人形机器人商业化普及。
短期电力负荷预测是指对未来1小时至7天内的电力负荷进行预测，是电力系统调度运行的重要依据。电力负荷序列具有明显的周期性特征，包括日周期（如早高峰、晚高峰）、周周期（工作日与周末负荷差异）和季节周期，同时还受到气象条件（温度、湿度、降雨）、节假日、社会活动等因素的影响。短期电力负荷预测的核心挑战在于如何有效捕捉负荷序列的非线性、非平稳性和多因素耦合特征。传统方法多基于线性假设，难以适应复杂的负荷变化
神经网络（简称：ANN）是一种受人脑神经元连接方式启发而设计的机器学习模型，它通过大量相互连接的“神经元”来处理数据、提取特征并完成预测或判断。简单来说，神经网络会接收输入数据，例如图片、文字、声音或数字信息，然后经过一层或多层隐藏层的计算，把原始数据逐步转换成更有意义的特征，最后在输出层给出结果。它并不是依靠人手动编写固定规则来解决问题，而是通过大量样本数据进行训练，在不断比较预测结果和真实答案
Data Set是一个抽象类，表示一个数据集。__init__: 在 实例化DataSet 对象运行一次。我们初始化包含图像的目录、注释文件和transform与 target_transform.__len__：返回数据集的总样本数。会调用它。：根据整数索引idx会返回一个样本（通常为特征和标签）。会调用它。其作用就是实现通过索引访问对应的数据以及标签。使用自定义数据集时，可以用将其与结合使用
摘要：本文深度解析PyTorch深度学习框架的核心机制与底层原理，并通过两个实战案例展示其应用。PyTorch凭借动态计算图、灵活API和高效硬件适配成为主流框架，其架构分为Python交互层、C++核心计算层和硬件适配层，核心机制包括张量运算、自动求导和动态计算图。基础案例通过线性回归拟合演示训练全流程，进阶案例使用CNN实现MNIST手写数字分类，涵盖数据加载、网络搭建、正则化等工业级实践。文
例如，英伟达工程师基于 DeepSeek-R1 设计了一套工作流程，在简单的 CUDA 内核生成任务中，该流程生成的内核在数值上全部正确，达到了 100% 的通过率。这里的性能提升是非线性的。LLM生成算子的过程，就是给定一个PyTorch程序，让模型对其优化，然后生成一个包含自定义CUDA内核的PyTorch版本。新的算子开发工具如triton/tilelang，目标是支持多种硬件平台，但是实际
张量是数学与物理学中的基础概念，也是深度学习框架中核心的数据结构。从几何角度看，张量描述了向量空间中的线性关系，可视为标量（0阶张量）、向量（1阶张量）和矩阵（2阶张量）的高维推广。在深度学习中，张量被广泛用于表示和处理多维数据，如图像、文本和时间序列等。理解张量的本质有助于深入掌握神经网络的工作原理和数据流动机制。
MNIST手写数字识别是深度学习与计算机视觉领域最经典的入门任务，涵盖了数据加载、预处理、模型构建、训练及评估的完整流程。本文将从零基础出发，分别使用PyTorch与TensorFlow(Keras)双框架实现MNIST分类，提供完整可复现的代码，帮助开发者快速掌握神经网络实战的基本范式。采用简单的卷积神经网络(CNN)结构：卷积层提取特征，池化层降维，全连接层输出分类结果。以TensorFlow
1.快捷键 ctrl+p。
摘要 本文是一篇PyTorch神经网络入门实战教程，通过两个完整项目帮助读者掌握神经网络开发流程。文章首先介绍神经网络核心概念，包括层、激活函数、损失函数和优化器，以及前向传播和反向传播原理。然后详细讲解如何使用PyTorch的nn.Module构建网络，包括继承方法和Sequential快速搭建方式。实战部分包含两个项目：波士顿房价预测（回归问题）和MNIST手写数字识别（分类问题），涵盖数据准
世界模型与机器人技术的融合，正在重塑智能系统对物理世界的认知与交互范式。世界模型作为一种内部表征机制，能够从多模态感知数据中抽象出环境的高维动态特征，构建对物理规律的内隐理解。当这一能力与机器人执行终端深度耦合时，机器人便不再仅依赖预设规则或试错反馈，而是具备了对物理因果关系的预判与推演能力——例如，预测物体的运动轨迹、受力响应及材料形变，并在实时交互中动态校准模型偏差。这一技术路径的核心突破，在
在深度学习项目从原型验证走向生产落地的过程中，很多团队往往会卡在“环境配不好”、“训练跑不通”或者“资源管不住”这些看似基础却极其耗时的环节。你是否经历过为了复现一个模型，花两天时间解决依赖冲突，结果发现显存不够用？或者在多人协作时，因为代码版本混乱导致实验结果无法对齐？这些问题不仅拖慢了研发节奏，更让宝贵的算力资源在等待和调试中被白白浪费。对于算法工程师和技术负责人而言，构建一套标准化、自动化且
pytorch
——pytorch
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
openEuler 社区
AMD开发者中国社区
HarmonyOS开发者社区
脑启社区
智能体开发者社区
