多年来，我一直在使用 PyTorch 构建和训练深度学习模型。尽管我已经学会了它的语法和规则，但总有一些东西激起了我的好奇心：这些操作内部发生了什么？这一切是如何运作的？如果你已经到这里，你可能也有同样的问题。但是如果我问你这个后退步骤是如何工作的呢？或者，例如，当你重塑张量时会发生什么？数据是否在内部重新排列？这是怎么发生的？为什么 PyTorch 这么快？PyTorch 如何处理 GPU 操作

当我们说渲染时，我们通常谈论的是应用程序以 60fps 的速度渲染，无论是游戏还是其他使用 GPU 的应用程序。然而，在其他场景中，我们可能希望使用 GPU 来运行根本不显示任何内容的进程，例如处理视频、操作图像或渲染 3D 资源，也许所有这些都在服务器上运行。在本文中，我将描述如何使用 Babylon Native 来实现此类场景。具体来说，我将展示一个示例，说明如何使用 Babylon Nat

在构建 Bzar 之前，我们讨论过我们的技术栈是基于在云上渲染内容的像素流，还是基于使用设备自身计算能力的本地渲染技术。由于这种选择会极大地影响项目的成本、可扩展性和用户体验，因此在开始编写一行代码之前，从一开始就采取正确的做法是一个重要的方面。到目前为止，我们必须在质量和规模之间做出选择。WebGL 很便宜，但图形效果还有很多不足之处。另一方面，云渲染可以实现高端图形，但扩展成本太高。即使最近云

Hugging Face 平台拥有许多数据集和预训练模型，使使用和训练最先进的机器学习模型变得越来越容易。然而，扩展 AI 任务可能很困难，因为 AI 数据集通常很大（100 GB 到 TB），使用 Hugging Face Transformer 进行模型推理有时计算成本很高。Dask 是一个用于分布式计算的 Python 库，它可以通过将数据集分解为可管理的块来处理核外计算（处理内存中放不下的

在数值计算领域，利用 GPU 的强大功能可以显著提高性能。虽然 NumPy 长期以来一直是 Python 中数组操作和数值运算的首选库，但它缺乏原生的 GPU 加速。幸运的是，cuPy 和 Numba 这两个库通过将 GPU 支持无缝集成到您的数值工作流程中，提供了引人注目的替代方案。在这篇博文中，我们将深入研究这些库并将它们与 NumPy 进行比较，重点介绍它们的独特功能和优势。

我相信在大多数情况下，聊天机器人的开发者构建自己的自然语言解析器，而不是使用第三方云端API，是有意义的选择。 这样做有很好的战略性和技术性方面的依据，我将向你展示自己实现NLP有多么简单。 这篇文章包含3个部分：为什么要自己做最简单的实现也很有效你可以真正用起来的东西那么要实现一个典型的机器人，你需要什么样的NLP技术栈？

这是numpy教程系列的第二部分。 如果你还没有阅读过第一部分，我建议你先读一下。 在这个教程中，我将介绍Numpy中与数据科学和机器学习相关的重要知识点，也就是说，我不打算涵盖numpy所有的功能。

Hausdorff距离以费利克斯·豪斯多夫 (1868-1942) 的名字命名，是“一个集合到另一个集合中最近点的最大距离” [Rote91]。更正式地说，从集合 A 到集合 B 的豪斯多夫距离是一个最大最小函数，定义为：其中 a 和 b 分别是集合 A 和 B 中的点，d(a, b) 是这些点之间的任意度量；为简单起见，我们将 d(a, b) 视为 a 和 b 之间的欧几里得距离。1. h =

智慧城市是城市生活的未来。然而，它们可能给城市规划者带来各种挑战，尤其是在交通领域。为了取得成功，城市的各个方面—从环境和基础设施到商业和教育—必须在功能上整合。这可能很困难，因为单独管理交通流量是一个复杂的问题，充满了拥堵、事故应急响应和排放等挑战。为了应对这些挑战，开发人员正在创建具有现场可编程性和灵活性的人工智能软件。这些软件定义的物联网解决方案可以为交通管理、车牌识别、智能停车和事故检测等

当日复一日地处理项目时，很容易陷入舒适但效率不高的工作流程中。插件是在不牺牲工作质量的情况下改进和加快工作流程的好方法。尤其是在建筑可视化时，快节奏的行业往往需要艺术家灵活机智。在本文中，我们将介绍 10 个最好的 3ds Max 插件，它们将通过一些出色的自动化、快捷方式和工具帮助你改进建筑工作流程。推荐：用快速搭建3D场景。