text-generation-webui大模型部署
可以不使用官方的一键安装脚本，因为其会新下载一个conda并新建一个环境，并且下载过程会从国外官方的源下载所需要的环境包，比较慢。首先，激活conda环境，根据平台安装pytorch，如果使用GPU则安装cuda版本的，并且安装cuda相关的库等等，这里不再赘述。其次，根据GPU与CPU选择对应的依
基于 3D 卷积神经网络和 ADNI 数据集的阿尔兹海默智能诊断 Web 应用
✨基于 3D 卷积神经网络(CNN)的阿尔兹海默智能诊断 Web 应用✨ ：图像识别可视化界面，快速部署深度学习模型为网页应用，Web预测系统，决策支持系统(DSS)，图像识别前端网页，图像识别Demo展示-Pywebio。AI人工智能图像识别-Pytorch；nii医学影像处理；ADNI数据集。1
pytest学习-pytorch单元测试
希望测试pytorch各种算子、block、网络等在不同硬件平台,不同软件版本下的计算误差、耗时、内存占用等指标.本文基于torch.testing._internal。
WSL2的安装与配置（创建Anaconda虚拟环境、更新软件包、安装PyTorch、VSCode）
WSL2的安装与配置Key Word：创建Anaconda虚拟环境、更新软件包、安装PyTorch、VSCode）
使用FP8加速PyTorch训练的两种方法总结
在PyTorch中，FP8（8-bit 浮点数）是一个较新的数据类型，用于实现高效的神经网络训练和推理。它主要被设计来降低模型运行时的内存占用，并加快计算速度
Mac配置pytorch的保姆级教程！！
本篇文章将介绍Mac用户如何配置PyTorch，需要事先完成的准备工作如下：安装AnaConda安装PyCharm安装python视频版教程移步B站。
未来科技的前沿：深入探讨人工智能的进展、机器学习技术和未来趋势
本文全面回顾了人工智能（AI）的发展历程，从早期概念到今日的先进应用，特别关注机器学习、深度学习和神经网络等关键技术。文章首先定义了AI，阐述了其模仿人类认知功能的核心目的，并透视了AI如何通过学习和适应，不断提升处理复杂任务的能力。随后，文中深入讨论了AI技术的主要分支，包括其工作原理、主要工具及
在pycharm中配置pytorch虚拟环境
1.打开Anaconda Prompt2.查看系统当前已有Python环境3.创建一个新的环境4.进入新环境下面左边括号由“base”转换为了新环境名，即进入了。
图神经网络入门示例：使用PyTorch Geometric 进行节点分类
本文介绍的主要流程是我们训练图神经网络的基本流程，尤其是前期的数据处理和加载，通过扩展本文的基本流程可以应对几乎所有图神经网络问题。
Transformers 加速的一些常用技巧
我们今天来总结以下一些常用的加速策略
使用PyTorch实现L1, L2和Elastic Net正则化
在机器学习中，L1正则化、L2正则化和Elastic Net正则化是用来避免过拟合的技术，它们通过在损失函数中添加一个惩罚项来实现。
PyTorch小技巧：使用Hook可视化网络层激活（各层输出）
这篇文章将演示如何可视化PyTorch激活层。可视化激活，即模型内各层的输出，对于理解深度神经网络如何处理视觉信息至关重要，这有助于诊断模型行为并激发改进。
时空图神经网络ST-GNN的概念以及Pytorch实现
对于时空图神经网络Spatail-Temporal Graph来说，最简单的描述就是在原来的Graph基础上增加了时间这一个维度，也就是说我们的Graph的节点特征是会随着时间而变化的。
nn.BCEWithLogitsLoss中weight参数和pos_weight参数的作用及用法
如果我们在做多分类任务，有些类比较重要，有些类不太重要，想要模型更加关注重要的类别，那么只需将比较重要的类所对应的w权重设置大一点，不太重要的类所对应的w权重设置小一点。其中pos_weight对应上式公式中的p_c,这个参数是为了调节正负样本不均衡问题的，如果正负样本比是10：1，那么我们可以将p
5种常用于LLM的令牌遮蔽技术介绍以及Pytorch的实现
本文将介绍大语言模型中使用的不同令牌遮蔽技术，并比较它们的优点，以及使用Pytorch实现以了解它们的底层工作原理。
知识蒸馏的蒸馏损失方法代码总结(包括：基于logits的方法：KLDiv，dist，dkd等，基于中间层提示的方法：)
【代码】知识蒸馏dist和KLDiv。
BCELoss，BCEWithLogitsLoss和CrossEntropyLoss
等价于：nn.CrossEntropyLoss = nn.NLLLoss(nn.LogSoftmax)输出：一个标量（这个minibatch的mean/sum的loss）两个损失：BCELoss，BCEWithLogitsLoss。输入：（[B,C], [B,C]）输入：（[B,C], [B,C]）
图像语义分割 pytorch复现U2Net图像分割网络详解
其会收集De_1、De_2、De_3、De_4、De_5、En_6模块的输出，将这些输出分别通过一个3x3的卷积层（这些卷积层的kerner的个数都是为1）输出的featuremap的channel是为1的，在经过双线性插值算法将得到的特征图还原回输入图像的大小；En_2 与 De_2采用的 blo
理解pytorch的广播语义
1 两个tensor都至少有一个维度；2 两个tensor的维度个数要么完全一样，那个维度较少的tensor可以把自己缺少的维度补充为1；3 补齐可以补充多个维度，但是只能发生在所有已有维度的左边，不能插在已有维度之间，也不能出现在已有维度右边。4 假如运算是原位运算，则保存运算结果的变量的尺寸不应
Ubuntu22.04虚拟环境安装CUDA10.1, CUDNN和pytorch
首先理顺一下CUDA，CUDNN，cudatoolkit的关系。安装CUDA就是安装cudatoolkit，CUDA中包含cudatoolkit. 然后安装CUDA对应版本的CUDNN。找到对应版本的CUDA，点进去，然后再进行相应的选择得到最终的版本，下载下来之后按照命令行进行安装和配置。不同的神
