大数据深度学习Pytorch 最全入门介绍，Pytorch入门看这一篇就够了
本文通过详细且实践性的方式介绍了 PyTorch 的使用，包括环境安装、基础知识、张量操作、自动求导机制、神经网络创建、数据处理、模型训练、测试以及模型的保存和加载。这篇文章通过详细且实践性的方式介绍了 PyTorch 的使用，包括环境安装、基础知识、张量操作、自动求导机制、神经网络创建、数据处理、
Pytorch入门（五）使用ResNet-18网络训练常规状态下的CIFAR10数据集
本文介绍了如何使用Pytorch+ResNet-18+CIFAR-10进行深度学习训练，并使用训练好的权重进行预测，ResNet是一个非常优秀的神经网络，ResNet 在图像分类任务中表现出色。
神经网络中的分位数回归和分位数损失
在分位数回归中，我们不仅关注预测的中心趋势（如均值），还关注在分布的不同分位数处的预测准确性。Quantile loss允许我们根据所关注的分位数来量化预测的不确定性。
【Pytorch】学习记录分享2——Tensor基础，数据类型，及其多种创建方式
python作为动态语言，很少去注意到变量的类型，因为我们编写代码时并不需要声明变量类型，但是细心的小伙伴会发现，调用dtype后返回的是torch.int64, 这说明pytorch对于数组的类型是很严谨，因此我们还要了解在pytorch下的数组类型。int16，int32，int64的区别主要在
大数据深度解析NLP文本摘要技术：定义、应用与PyTorch实战
在本文中，我们深入探讨了自然语言处理中的文本摘要技术，从其定义、发展历程，到其主要任务和各种类型的技术方法。文章详细解析了抽取式、生成式摘要，并为每种方法提供了PyTorch实现代码。最后，文章总结了摘要技术的意义和未来的挑战，强调了其在信息过载时代的重要性。
神经网络可视化新工具：TorchExplorer
TorchExplorer是一个交互式探索神经网络的可视化工具
一维pytorch注意力机制
最近在研究一维数据，发现目前网络上的注意力机制都是基于二维来构建的，对于一维的，没有查到什么可直接加在网络中的代码，因此本次文章主要介绍常用的三种注意力机制–SENet,CBAM和ECA其一维的代码。
MLX vs MPS vs CUDA:苹果新机器学习框架的基准测试
如果你是一个Mac用户和一个深度学习爱好者，你可能希望在某些时候Mac可以处理一些重型模型。苹果刚刚发布了MLX，一个在苹果芯片上高效运行机器学习模型的框架。
pytorch实战5——DataLoader数据集制作
DataLoader数据集制作
基于pytorch 的RNN实现字符级姓氏文本分类
当使用基于PyTorch的RNN实现字符级姓氏文本分类时，我们可以使用一个非常简单的RNN模型来处理输入的字符序列，并将其应用于姓氏分类任务。请注意，以上代码只提供了一个基本的示例，您可能需要根据具体任务和数据的特点进行适当的修改和调整。在上面的训练过程中，我们遍历训练数据集中的每个样本，将姓氏的字
Pytorch学习笔记（7）：优化器、学习率及调整策略、动量
Pytorch学习笔记（7）：优化器、学习率及调整策略、动量
pytorch训练可视化包visdom的使用
Visdom是一个基于Python的可视化工具包，可以用于PyTorch等深度学习框架中的实时数据可视化。它提供了一个Web界面，可以方便地创建图表、散点图和直方图等可视化元素。相比具有更轻量、更便捷、更丰富、更快速等特点。visdom的github主页visdom的中文参考文档visdom的优秀教
Pytorch学习笔记（5）：torch.nn---网络层介绍（卷积层、池化层、线性层、激活函数层）
Pytorch学习笔记（5）：torch.nn---网络层介绍（卷积层、池化层、线性层、激活函数层）
使用PyTorch II的新特性加快LLM推理速度
Pytorch团队提出了一种纯粹通过PyTorch新特性在的自下而上的优化LLM方法
深度学习环境配置(Anaconda+pytorch+pycharm+cuda)
首先查看电脑的显卡版本，步骤为：此电脑右击-->管理-->设备管理器-->显示适配器。就可以看到电脑显卡的版本了。然后按照电脑信息，到去安装相应的驱动，Notebooks是笔记本的意思，然后下载即可；
【PyTorch】切记：GeForce RTX 3090 显卡仅支持 CUDA 11 以上的版本！
得知 PyTorch 1.7.0 开始才支持 CUDA 11，所以要使用 GPU 训练的话，必须安装 PyTorch 1.7.0 及以上版本。前不久给新来的 2台 8 张 GeForce RTX 3090 服务器配置了深度学习环境（配置教程参考。原来是 GeForce RTX 3090 显卡仅支持
Pytorch 中 expand和repeat
在中，如果要改变某一个tensor的维度，可以利用view、expand、repeat、transpose和permute等方法，这里对这些方法的一些容易混淆的地方做个总结。expand和repeat函数是pytorch中常用于进行张量数据复制和维度扩展的函数，但其工作机制差别很大，本文对这两个函
（纯小白向）Windows配置GPU深度学习环境：Cuda+Anaconda+pytorch+Vscode
下载的Cuda版本为11.8（为什么不下载驱动支持的最高版本12.1.1，因为下载pytorch时，当时的pytorch的支持Cuda最高版本仅为11.8，两者作匹配。通过conda创建一个名为pytorch的虚拟环境（-n 后面是创建的虚拟环境的名字），3.9是python的版本，都可以按自己需求
Vit极简原理+pytorch代码
Vit比它爹Transformer步骤要简单的多，需要注意的点也要少得多，最令人兴奋的是它在代码中没有令人头疼的MASK，还有许多简化的操作，容我慢慢道来。
Ubuntu18.04下安装pytorch步骤&多cuda版本共存（啰嗦版）
Ubuntu18.04下安装pytorch步骤（啰嗦版）
