pytorch标签_松山湖开发者村综合服务平台

pytorch

深度强化学习 | 基于Double DQN算法的移动机器人路径规划(附Pytorch实现)

本文介绍了基于Double DQN(DDQN)算法的机器人路径规划方法，该方法设计了包含6种离散速度组合的动作空间，并采用多目标混合奖励函数，结合时间惩罚、距离引导和目标达成奖励来优化路径规划效果。Pytorch仿真结果表明了DDQN算法在大规模栅格地图中规划的可行性，为DRL在机器人运动规划领域的应用提供了实践参考。

Mr.Winter`
2026-03-23 09:11:00

 2350

 46

#pytorch #人工智能 #机器人 +3
PyTorch 深度学习实践——CNN卷积神经网络

本文总结了B站UP主刘二大人《PyTorch深度学习实践》中卷积神经网络的核心知识点。主要内容包括：1）多通道卷积的数学表达式，详细说明了输入输出特征图的维度关系；2）通过图解展示了卷积操作的数值计算过程，包括输入特征图、卷积核、偏置及输出特征图的维度变化；3）介绍了PyTorch实现CNN的代码框架，包含数据准备、网络结构定义（Conv2d、MaxPool2d、Linear等层）、训练和测试流程

 兜兜风d'
2026-03-09 20:01:30

 628

 10

#深度学习 #pytorch #cnn
基于CNN深度学习的卷积神经网络图像识别小程序版9部合集-python-pytorch

本文介绍了一系列基于CNN卷积神经网络的图像识别小程序合集，涵盖水果、中草药、服装、柑橘品级、人脸年龄、香蕉成熟度、手势和花卉等多个领域的识别应用。所有项目均采用Python环境下的PyTorch深度学习框架，通过01.py划分数据集，02.py训练模型并保存为ckpt格式，03flask.py生成HTTP接口实现与微信小程序的交互。用户可通过小程序上传图片，经由HTTP传输至后端进行识别，结果再

 no_work
2026-03-01 15:03:41

 1907

 27

#深度学习 #python #cnn +2
【从零开始：PyTorch实现MNIST手写数字识别全流程解析】

基于 PyTorch 生态实现 MNIST 手写数字数据集的自动下载、加载与可视化，涵盖了 PyTorch 核心库调用、计算机视觉数据集处理、数据转换、Matplotlib 图像可视化。

m0_74373135
2026-02-08 21:06:16

 724

 19

#pytorch #人工智能 #python
从零手写Transformer：基于每一步shape变化拆解与PyTorch实现

本文详细解析了Transformer模型的PyTorch实现，重点剖析了核心组件的工作原理。首先介绍了缩放点积注意力机制，通过Query-Key-Value类比解释了相似度计算、缩放和Softmax归一化过程。接着阐述了多头注意力如何通过分头处理、并行计算来捕获不同子空间特征。然后说明了前馈网络对每个位置进行独立非线性变换的作用，以及层归一化稳定训练的重要性。全文通过张量形状变化和代码实现，直观展

 Network_Engineer
2026-02-03 23:31:50

 1612

 18

#transformer #pytorch #深度学习 +1
手写Multi-Head Attention多头注意力机制，Pytorch实现与原理详解

初始化函数的核心是为后续注意力计算准备超参数和可学习层，每段代码对应多头注意力的前置设计，无直接公式但为公式落地做铺垫。当需要投影时，就是公式中的输出投影矩阵WOW^OWO，将拼接后的h×dkh×dk维度映射回原输入维度dimdimdim；：为投影后的特征添加正则化，防止过拟合，是工程实践的必要补充；无需投影时，用（恒等映射）替代，保证代码逻辑统一，输入输出维度一致。本文通过代码逐段拆解+核心公

 Dr_Daniel666
2026-01-27 23:08:35

 1043

 10

#深度学习 #pytorch #人工智能 +2
【自然语言处理】02 文本规范化

本文介绍了英文分词、词规范化及分句技术。分词涵盖空格/标点分割、正则表达式匹配及BPE子词算法；词规范化包括大小写折叠与词目还原；分句通过标点符号分割，需解决句号歧义，常结合分词结果判定句子边界。

Francek Chen
2026-01-26 09:00:00

 1442

 75

#自然语言处理 #easyui #人工智能 +2
（YOLO前置知识点）神经网络、Pytorch、卷积神经网络CNN

本文系统讲解了神经网络、PyTorch和卷积神经网络(CNN)的核心知识与应用。首先指出仅掌握YOLO基础调用不足以为论文或毕设提供足够深度，必须理解CNN底层原理才能进行算法优化。文章详细解析了神经网络基础概念：从神经元、感知机到全连接网络，重点讲解了激活函数(sigmoid、Tanh、ReLU等)、前向传播、损失函数和反向传播机制。在CNN部分，阐述了其相比传统神经网络的优势，包括局部相关性处

 m0_73991249
2026-01-16 15:27:34

 985

 13

#深度学习 #计算机视觉 #神经网络 +2
【自然语言处理】应用07：自然语言推断：微调BERT

本文介绍了在SNLI数据集上微调预训练BERT模型进行自然语言推断的方法。通过加载小版本BERT，构建包含多层感知机的分类器，处理文本对数据，并进行训练优化，最终实现序列级文本分类任务，提升推断准确性。

Francek Chen
2026-01-12 09:00:00

 1469

 97

#自然语言处理 #bert #人工智能 +2
【YOLO系列07】YOLOv5详解——PyTorch时代的工程化典范

YOLOv5解析：PyTorch时代的工程化典范 YOLOv5是Ultralytics公司于2020年发布的基于PyTorch的目标检测框架，尽管存在命名争议，但其工程化实现、易用性和活跃社区使其成为最流行的检测框架之一。主要特点包括：模块化架构：采用Focus模块（后改为6×6卷积）、CSP结构和SPPF模块，平衡性能与速度多尺度模型：提供5种规模的预训练模型（n/s/m/l/x），参数从1

Mark Zero
2026-01-08 00:23:19

 1343

 26

#pytorch #人工智能 #深度学习 +3
【自然语言处理】应用06：针对序列级和词元级应用微调BERT

BERT为自然语言处理提供通用解决方案，微调时只需加全连接层。本文介绍了其在单文本分类、文本对分类或回归、文本标注和问答等任务上的应用及微调方法。

Francek Chen
2026-01-08 09:00:00

 1717

 88

#自然语言处理 #bert #人工智能 +2
【自然语言处理】应用03：情感分析：使用卷积神经网络

本文讲解用一维卷积和最大时间汇聚层构建textCNN模型进行情感分析。模型定义多个卷积核捕获局部特征，经汇聚和全连接层输出预测结果，加载预训练词向量后训练，可准确预测句子情感。

Francek Chen
2025-12-22 09:00:00

 1368

 69

#自然语言处理 #cnn #人工智能 +3
6. pytorch 卷积神经网络

卷积神经网络（CNN）基础摘要卷积神经网络（CNN）是计算机视觉领域的核心深度学习模型，通过模拟人类视觉系统实现高效的图像处理。CNN的核心组件包括：卷积层：使用局部感知和权重共享机制提取特征，通过卷积核滑动计算生成特征图，具备平移不变性优势池化层：通过最大/平均池化降维，保留关键特征同时减少计算量全连接层：整合特征进行最终分类决策图像数据以多维张量形式输入（[高度,宽度,通道]），经过

 follxin
2025-12-22 16:03:25

 1734

 30

#pytorch #神经网络 #人工智能
【自然语言处理】应用02：情感分析：使用循环神经网络

本文讲解用预训练GloVe词向量和双向循环神经网络进行情感分析。构建BiRNN模型，加载预训练词向量且不更新，训练后定义预测函数，并对简单句子进行情感预测。

Francek Chen
2025-12-18 09:00:00

 1778

 76

#自然语言处理 #rnn #人工智能 +3
【自然语言处理】预训练10：预训练BERT

本文在WikiText-2上预训练小型BERT，展示损失变化，并演示用预训练BERT表示文本及验证其上下文敏感性。

Francek Chen
2025-12-08 08:30:00

 1366

 80

#自然语言处理 #bert #人工智能 +2
pytorch 卷积操作

【代码】pytorch 卷积操作。

吃个糖糖
2025-11-19 17:02:40

 470

 5

#pytorch #人工智能 #python
【自然语言处理】预训练07：词的相似性和类比任务

本文介绍加载预训练GloVe词向量，通过词相似性和类比任务展示其语义，词相似性用余弦相似度找近义词，词类比通过向量运算完成，证明其能捕捉语义和句法信息。

Francek Chen
2025-11-17 09:00:00

 1590

 67

#自然语言处理 #人工智能 #深度学习 +1
一小时速通Pytorch之神经网络相关知识（三）（完结）

本文介绍了PyTorch中的神经网络模块torch.nn的基本概念和使用方法。主要内容包括：神经网络结构概述：解释了经典数字识别模型的前馈神经网络架构，包含输入层、隐藏层和输出层神经网络定义：演示了如何通过继承nn.Module类来构建神经网络，包括卷积层、线性层等需要学习参数的层，以及ReLU激活函数、池化层等无参数的运算操作神经网络训练流程：包括定义可学习参数、数据迭代、前向传播、计算损

 xiname
2025-11-15 21:01:19

 773

 22

#pytorch #神经网络 #人工智能
【自然语言处理】预训练05：全局向量的词嵌入（GloVe）

本文讲解自然语言处理预训练的全局向量的词嵌入。上下文词共现含丰富语义信息，可预先计算共现统计。GloVe模型基于平方损失对跳元模型修改，用全局统计，中心词与上下文词向量数学等价，还可从共现概率比值理解。

Francek Chen
2025-11-07 17:05:43

 2147

 70

#自然语言处理 #人工智能 #pytorch +1
基于ResNet50和PyTorch的猫狗图像分类系统设计与实现

本文实现了一个基于ResNet50和PyTorch的猫狗分类系统，通过迁移学习微调预训练模型，并结合标准化与数据增强提升分类精度，最终在测试集上达到了90%以上的准确率。系统使用PySide6构建用户界面，支持模型训练、预测及结果可视化，并分析了迁移学习和数据预处理中的技术挑战，展望了未来优化与多任务分类的潜力。

Dev7z
2025-11-04 22:13:07

 1140

 38

#pytorch #分类 #人工智能
【自然语言处理】预训练04：预训练word2vec

本文讲解自然语言处理预训练的词嵌入（word2vec）的跳元语法模型，通过负采样在PTB数据集预训练。涵盖嵌入层定义、前向传播、二元交叉熵损失、模型训练及词向量应用（如余弦相似度找相似词），最终展示“chip”的相似词结果。

Francek Chen
2025-11-04 09:54:58

 1039

 71

#自然语言处理 #word2vec #人工智能 +2
深度学习（5）-PyTorch 张量详细介绍

张量是一个多维数组，可以是标量、向量、矩阵或更高维度的数据结构。在 PyTorch 中，张量（Tensor）是数据的核心表示形式，类似于 NumPy 的多维数组，但具有更强大的功能，例如支持 GPU 加速和自动梯度计算。张量支持多种数据类型（整型、浮点型、布尔型等）。张量可以存储在 CPU 或 GPU 中，GPU 张量可显著加速计算。

-------江湖-------
2025-10-20 17:12:07

 603

 2

#深度学习 #pytorch #人工智能
PyTorch学习

PyTorch学习路径摘要本文系统介绍了PyTorch的学习路径，分为基础、进阶、高级和专家四个阶段。基础部分涵盖张量操作(torch.Tensor)和神经网络模块(torch.nn.Module)的核心概念；进阶部分包括线性层、优化器和数据加载；高级部分涉及卷积网络和预训练模型；专家阶段则深入自动微分和分布式训练。重点讲解了torch.Tensor的多维数组特性及其数学运算、索引方法，以及to

maxruan
2025-10-20 13:56:01

 1108

 12

#pytorch #学习 #人工智能 +1
【机器学习05】神经网络、模型表示、前向传播、TensorFlow实现

本文是神经网络的入门介绍，首先从其模拟生物大脑的灵感和发展历史讲起。文章详细阐述了神经网络的模型表示，解释了其由输入层、隐藏层和输出层构成的分层结构，以及单个神经元如何作为基本计算单元。核心部分深入讲解了“前向传播”过程，即数据从输入端开始，逐层计算神经元的激活值，直至抵达输出层的完整流程，并介绍了相应的数学符号。最后，通过实例展示了如何利用TensorFlow框架中的Dense层，以简洁的代码轻

 JJJJ_iii
2025-10-20 21:20:07

 2818

 44

#机器学习 #神经网络 #tensorflow +4
【深度学习计算机视觉】14：实战Kaggle比赛：狗的品种识别（ImageNet Dogs）

本文讲解了Kaggle狗品种识别比赛的实战流程，涵盖数据获取与整理、图像增广、微调预训练ResNet-34模型、训练验证及测试集分类，最终生成提交文件，实现120类狗品种的识别任务。

Francek Chen
2025-10-20 09:27:29

 2847

 82

#深度学习 #计算机视觉 #人工智能 +1
【深度学习计算机视觉】12：风格迁移

本文讲解深度学习计算机视觉的风格迁移技术，用卷积神经网络将内容图像风格转为风格图像风格，涵盖方法、图像处理、特征抽取、损失函数定义、合成图像初始化及模型训练，最终输出风格迁移后的合成图像。

Francek Chen
2025-10-15 08:30:00

 3195

 69

#深度学习 #计算机视觉 #人工智能 +1
计算机视觉（opencv）——基于 MediaPipe 与机器学习的手势识别系统

本文系统实现了一个完整的“基于MediaPipe + 传统机器学习”的手势识别系统。✅利用MediaPipe获取21个手部关键点；将三维坐标展开为63维特征；采用标准化处理与多模型对比；支持实时摄像头推理；准确率可达90%以上。✅使用LSTM或CNN实现动态手势识别；引入多手检测；扩展更多手势类别；与智能家居或机器人系统联动。

星期天要睡觉
2025-10-13 23:55:00

 2142

 23

#pytorch #python #计算机视觉 +1
PyTorch 实现 MNIST 手写数字识别

根据可用设备（GPU 或 CPU）实例化模型，然后定义损失函数（交叉熵损失）和优化器（SGD），用于模型的训练更新。python运行lr = 0.01。

ygyqinghuan
2025-10-13 16:11:38

 518

 9

#pytorch #人工智能 #python
PyTorch梯度裁剪与避免Loss为NaN的完整指南

起步设置：从开始，根据网络类型调整监控梯度：定期打印梯度范数，了解训练状态多层防护：结合梯度裁剪、学习率调整、数据检查快速响应：出现NaN时立即采取措施，不要继续训练。

AI浩
2025-10-06 09:38:30

 925

 11

#pytorch #人工智能 #python
【深度学习计算机视觉】10：转置卷积

本文讲解深度学习计算机视觉中的转置卷积。转置卷积可逆转下采样导致的空间尺寸减小。它通过卷积核“广播”输入元素来增大输出，与常规卷积操作相反，且其正、反向传播函数可交换。

Francek Chen
2025-10-06 14:41:42

 5865

 99

#深度学习 #计算机视觉 #人工智能 +1
深度学习之PyTorch基本使用（一）

PyTorch 是一款 Python 深度学习框架，其核心是—— 元素为同一种数据类型的多维矩阵，以 “类” 的形式封装，内置了张量运算、处理等方法，是深度学习中数据存储和计算的基础单元。

wwwwwjjnsnns
2025-09-15 19:52:53

 1970

 28

#深度学习 #pytorch #人工智能
TensorFlow 和 PyTorch两大深度学习框架训练数据，并协作一个电商推荐系统

推荐系统

 A尘埃
2025-09-09 14:49:49

 1519

 24

#深度学习 #tensorflow #pytorch
用 PyTorch 实现食品图像分类：从数据预处理到模型训练与预测

PyTorch 提供了Dataset抽象类，我们通过继承该类，实现自定义的食品图像数据集，支持图像读取、数据增强与标签处理。为了提升模型泛化能力并统一输入格式，我们对训练集和验证集（测试集）分别定义数据变换操作，主要包括图像尺寸调整和张量转换。

dlraba802
2025-09-02 19:03:50

 1084

 12

#pytorch #分类 #人工智能
从 0 到 1 实现 PyTorch 食物图像分类：核心知识点与完整实

PyTorch 通过Dataset和DataLoader实现数据加载，其中Dataset负责 “定义数据来源和格式”，DataLoader负责 “批量加载和并行处理”。本项目自定义了类，用于加载食物图像和对应标签，我们详细解析其实现逻辑。x = self.conv1(x) # 经卷积块1处理x = self.conv2(x) # 经卷积块2处理x = self.conv3(x) # 经卷积块3处理

 过往入尘土
2025-09-03 21:45:27

 1756

 41

#pytorch #分类 #人工智能
深度学习三大框架对比评测：PaddlePaddle、PyTorch 与 TensorFlow

本文对比了三大主流深度学习框架PaddlePaddle、PyTorch和TensorFlow的特点。TensorFlow工业部署能力强，生态完善；PyTorch科研友好，适合快速实验；PaddlePaddle中文支持好，国产适配优。选择建议：科研选PyTorch，工业部署选TensorFlow，国内产业落地选PaddlePaddle。三大框架各有优势，需根据实际需求选择。

陌北v1
2025-09-03 14:04:14

 3156

 25

#深度学习 #paddlepaddle #pytorch
Vue 3 + TypeScript 现代前端开发最佳实践（2025版指南）

Vue 3 + TypeScript 现代前端开发实践摘要本文深入探讨了Vue 3与TypeScript结合的企业级前端开发最佳实践。作者基于真实项目经验，从架构设计到具体实现，详细介绍了：现代化项目搭建：使用Vite初始化Vue 3 + TypeScript项目，配置优化的项目结构和TypeScript设置 Composition API优势：相比Options API提升60%代码复用率，

蒋星熠
2025-09-02 23:55:51

 2101

 33

#typescript #vue.js #前端 +3
PyTorch

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理。PyTorch 最初由的人工智能研究团队开发，现在属于Linux 基金会的一部分。许多深度学习软件都是基于PyTorch构建的，包括特斯拉自动驾驶、Uber 的 Pyro、Hugging Face 的 Transformers、 PyTorch Li

peiye500238
2025-09-01 18:20:11

 2567

 30

#pytorch #人工智能 #python
深度学习——神经网络（PyTorch 实现 MNIST 手写数字识别案例）

原理：深度学习——详细教学：神经元、神经网络、感知机、激活函数、损失函数、优化算法（梯度下降）-CSDN博客。

星期天要睡觉
2025-08-26 21:11:52

 1959

 42

#深度学习 #神经网络 #pytorch
深度剖析PyTorch分布式训练：从原理到工程实践

PyTorch分布式训练核心技术解析本文深入剖析PyTorch分布式训练的核心架构与实现原理。主要内容包括：1）分布式训练架构演进，从参数服务器到现代混合分片技术；2）AllReduce算法数学原理及工程实现，包括RingAllReduce的Scatter-Reduce和AllGather两阶段通信；3）ZeRO优化器的三级参数分片策略；4）生产级分布式训练模板，涵盖进程组初始化、DDP模型并行

 一只小小的土拨鼠
2025-08-18 20:52:08

 1069

 10

#pytorch #人工智能 #python
【深度学习计算性能】06：多GPU的简洁实现

本文讲解深度学习计算性能中的多GPU的简介实现。通过PyTorch的DataParallel实现多GPU并行训练，以ResNet-18为例，对比单/双GPU训练效果，验证了并行化对复杂模型的可扩展性优势，加速了训练过程。

Francek Chen
2025-08-19 10:00:00

 1390

 72

#深度学习 #人工智能 #pytorch +2