本文从 GPU 架构与 CUDA 版本的硬绑定出发，梳理了各代显卡的 CUDA 支持范围，厘清了驱动与工具包的关键区别；进而对比了 FP32 与 FP16 的性能差异及适用场景；最后给出了“查架构 → 定框架 → 装驱动”的实操三步流程，助你搭建高效稳定的深度学习环境。

复现了经典的 Faster R-CNN 模型。通过 PyTorch 的 TorchVision 库，我们仅需几行代码即可调用强大的 ResNet50-FPN 骨干网络。相比于原始 R-CNN 系列繁琐的多阶段训练，现代 PyTorch 框架让 Faster R-CNN 的实现变得异常简洁高效。

从零开始用 PyTorch 搭建一个 YOLOv1 框架

16位灰度图转8位的直接截断、线性缩放、直方图均衡、自适应 min-max 映射等方法

本文从 GPU 架构与 CUDA 版本的硬绑定出发，梳理了各代显卡的 CUDA 支持范围，厘清了驱动与工具包的关键区别；进而对比了 FP32 与 FP16 的性能差异及适用场景；最后给出了“查架构 → 定框架 → 装驱动”的实操三步流程，助你搭建高效稳定的深度学习环境。

针对 DuMate 桌面 AI 智能体强制占用 C 盘空间的问题，从成因、排查到清理。

16位灰度图转8位的直接截断、线性缩放、直方图均衡、自适应 min-max 映射等方法

一个多线程 Python 脚本因依赖缺失导致"假死"的排查

1.数据集简介、训练集与测试集划分2.模型相关知识3.model.py——定义ResNet50网络模型4.train.py——加载数据集并训练，训练集计算损失值loss，测试集计算accuracy，保存训练好的网络参数5.predict.py——利用训练好的网络参数后，用自己找的图像进行分类测试

一文看懂 NPU/RKNN 量化黑魔法，对比 GPU/TPU/FPGA 性能、功耗、灵活性，给出手机、边缘、云端场景实测数据