墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.1k累计阅读
1.2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
用法跟上面torch.sort()函数一样，不同的是torch.argsort()返回只是排序后的值所对应原输入input的下标，即torch.sort()返回的indices
dim = 1 表示对每行中的元素进行降序排序，descending=True表示降序排序，输出结果为返回排序后的值所对应原输入input的下标indices
x = torch.randn(3, 4)
indices = torch.argsort(x,dim=1,descending=True)
x,indices
输出结果如下：
(tensor([[-0.6069, -0.9252, -0.9177, 0.6997],
[ 0.3245, -0.0665, 0.4600, 0.0722],
[-1.0662, 2.2669, -0.1171, -0.9208]]),
tensor([[3, 0, 2, 1],
[2, 0, 3, 1],
[1, 2, 3, 0]]))从LSTM到Attention-LSTM：时序预测实战指南与PyTorch实现
在深度学习领域，循环神经网络（RNN）及其变体长短期记忆网络（LSTM）是处理序列数据的经典架构。其核心原理是通过门控机制学习长距离依赖关系，但传统LSTM在处理长序列时，早期信息容易被稀释，存在“近因效应”的局限。为了提升模型对关键信息的聚焦能力，注意力（Attention）机制被引入，它允许模型在输出时动态回顾并加权整个输入序列，从而生成更具针对性的上下文向量。这一技术价值在于显著提升了模型在长序列建模中的表现力和可解释性，尤其适用于资源受限或对序列顺序依赖强的场景。在工程实践中，结合PyTorch框架
从零实现抽象式文本摘要：PyTorch手写Encoder-Decoder详解
抽象式文本摘要是一种基于语义理解与生成的自然语言处理任务，其核心在于建模条件语言概率P(Y|X)，而非简单抽取原文片段。它依赖Transformer编码器-解码器架构，通过多头注意力、位置编码、teacher forcing和标签平滑等关键技术实现语义重组与连贯生成。该技术在新闻简报、财报提炼、医疗报告压缩等场景中具备显著优势，尤其适合需逻辑整合与表达创新的应用需求。本文聚焦可解释、可调试的轻量级实现，覆盖数据清洗、动态填充、Noam调度、beam search优化及事实一致性诊断等工程关键环节，助力开发者
AI优化mRNA翻译效率：从IRES原理到PyTorch模型实践
在 mRNA 疫苗和基因治疗领域，如何让外源 mRNA 在细胞内高效、稳定地翻译出目标蛋白，是决定技术成败的关键瓶颈之一。许多精心设计的 mRNA 序列，一旦进入细胞，翻译效率却远低于预期，甚至完全“沉默”，成为“无用 RNA”。传统方法依赖大量实验试错来优化序列，过程耗时费力且成功率低。近期，斯坦福大学等机构的研究团队利用深度学习模型，仅通过修改 mRNA 序列上 9 个关键位点，就成功让超过 60% 的“无用 RNA”恢复了翻译活性。这项研究不仅为破解疫苗翻译瓶颈提供了新思路，更展示了 AI 在生物序列
torch.sort()和torch.argsort()简要介绍
定义1 torch.sort(a,dim,descending) 用法1 输入a，在dim维进行排序，descending控制是否降序,默认为False。 输出排序后的值以及对应值在原a中的下标, 示例1 import torch a = torch.tensor([[10,2,3],[4,6,5],[7,8,9]]) print(a) >>tensor([[10, 2, 3], [ 4, 6, 5], [ 7, 8, 9]]) 在
PyTorch 2.0+ 特征图可视化：ResNet50 浅层/深层 64 通道对比分析
本文详细介绍了如何使用PyTorch 2.0+对ResNet50模型的浅层和深层特征图进行可视化分析，揭示CNN从边缘纹理到抽象语义的特征提取过程。通过对比64通道特征图，展示了不同层次的特征响应差异，并提供了实用的可视化技巧和定量分析方法，帮助开发者深入理解模型内部工作机制。
PyTorch自定义Faster R-CNN实战：小目标缺陷检测全链路优化
Faster R-CNN作为经典两阶段目标检测框架，其核心价值在于高精度定位与强可解释性，但原生设计面向COCO等通用场景，难以直接适配工业质检、医疗影像等小目标密集、纹理特异的垂直领域。关键原理在于RPN锚框机制与特征金字塔的协同响应——当目标尺寸集中于32×32量级或存在亚像素级判据时，预设anchor将导致正样本匹配率骤降，进而引发mAP崩塌。技术价值体现在通过anchor尺寸重设、损失函数动态加权、学习率分层微调等手段，实现backbone语义迁移与RPN空间敏感性的双重校准。典型应用场景包括PCB
令人又爱又恨的torch.argsort用法
每次使用argsort用法，让人又爱又狠，一段时间不用，就忘了其如何使用，导致花费大量的实践进行理解，刚开始学习这个函数时认为这个函数输出每个数的排名，例如[4, 7, 9, 8]->[0, 1, 3, 2]， 从小到大进行排名，但是实际上并不是这个作用，而实将数据进行排名，排名的数字是原始数据的id。所有其显示内容与我们预期结果不符。
归一化流与语言模型桥接：多模态生成实践与PyTorch实现
生成模型正从单一模态迈向统一多模态生成，但文本、图像、语音等数据分布差异巨大，如何在一个框架内完成跨模态转换成为核心挑战。归一化流通过一系列可逆变换，将简单高斯分布映射为复杂数据分布，具有精确似然估计和双向映射的独特优势，能有效建模条件分布，在生成模型家族中扮演着“分布转换器”的角色。将归一化流与语言模型结合，让语言模型负责语义理解，归一化流负责底层分布拟合，既保留了大模型的先验知识，又实现了可控可解释的生成过程。这一思路在文本生成图像、跨模态转换等任务中展现出推理链路短、训练稳定的工程价值。本文解析条件归
Pytorch中torch.sort()和torch.argsort()函数解析
torch.sort()，如下图所示： 输入input，在dim维进行排序，默认是dim=-1对最后一维进行排序，descending表示是否按降序排,默认为False，输出排序后的值以及对应值在原输入imput中的下标3.1 dim = -1 表示对每行中的元素进行升序排序，descending=False表示升序排序 3.2 dim = 0 表示对每列中的元素进行升序排序，descending=False表示升序排序 3.3 dim = 0 表示对每列中的元素进行降序排序，descending=T
基于Sentence-BERT的FAQ智能问答系统：从语义匹配到API部署全流程详解
在自然语言处理领域，语义匹配是理解文本相似度的核心技术，它通过将句子编码为向量，在语义空间中进行相似度计算，从而超越传统的关键词匹配。其原理基于深度学习模型，特别是Transformer架构，通过自注意力机制捕获句子深层次的语义信息。这项技术的核心价值在于能够精准理解用户意图，实现智能化的信息检索与问答。在工程实践中，结合Sentence-BERT的双塔模型结构，可以实现高效的离线向量化与在线检索，广泛应用于智能客服、知识库问答和搜索引擎等场景。本文以FAQ问答系统为例，详细阐述了如何利用Sentence-
告别信息过载：我是如何用Feedly RSS阅读器打造个人专属信息流的（附Chrome插件使用技巧）
本文分享了如何利用Feedly RSS阅读器有效管理信息过载，打造个人专属信息流的方法。通过科学组织订阅源、智能过滤和跨平台同步技巧，帮助用户从被动接收转为主动筛选，提升信息获取效率。特别推荐使用Feedly的Chrome插件和AI过滤功能，实现高效的信息管理。
小白学Pytorch系列--Torch API (7)
小白学Pytorch系列--Torch API (7)
基于Jetson Nano与YOLOv5s的无人机道路抛洒物实时检测系统【附数据集+代码】
本文详细介绍基于Jetson Nano与YOLOv5s的无人机道路抛洒物实时检测系统，通过硬件选型、数据采集、模型优化等关键步骤，实现高效的道路安全监控。系统结合无人机高空视角和YOLOv5s算法，能精准识别各类抛洒物，实测准确率达98.2%，为交通管理提供智能化解决方案。
gte-large API详解：从基础调用到高级参数配置完整指南
gte-large是一款强大的文本嵌入模型，能够将文本转换为高质量的向量表示。本文将为您详细介绍gte-large API的完整使用方法，从基础调用到高级参数配置，帮助您快速掌握这个优秀的文本嵌入工具。无论您是初学者还是有一定经验的开发者，本文都将为您提供实用的操作指南。 ## 什么是gte-large模型？ 🤔 gte-large是一个基于BERT架构的大型文本嵌入模型，具有1024维的向
ArcGIS中利用DEM数据生成地形图既视感的等高线；利用掩膜进行等高线注记；DEM的可视化表达总结
文章目录前言一、效果图展示二、地形（DEM）可视化表达1.一维可视化2.二维可视化2.三维可视化二、ArcGIS中利用DEM数据制作等高线2.三维可视化2.三维可视化2.三维可视化2.三维可视化二、ArcGIS中利用DEM数据制作等高线2.三维可视化2.三维可视化2.三维可视化总结 前言 最近老师布置作业：DEM的可视化表达。想做一个等高线地形图那样、看起来高级一点的等高线，可是我看网上大多数教程都只展示了【等值线】工具，做出来效果都一般。我自认为自己做出来的效果还可以，把步骤分享给大家。 一、
基于MacOS本地部署OpenClaw+Ollama技术要点
本文基于MacOS系统下本地部署OpenClaw+Ollama的实操经验，梳理部署全流程中的核心技术要点、环境配置规范、故障排查方法及落地优化方案，聚焦“本地AI模型联动OpenClaw技能调度”的核心需求，为同类本地部署场景提供可复用的技术参考，规避常见部署风险，确保系统稳定运行。
PyTorch Tensor 实战指南：7 类高频操作与 12 条 debug 铁律
Tensor 是 PyTorch 的核心数据载体，远不止是 NumPy 的替代品——它承载计算图构建、自动微分、GPU 调度与内存管理的全部语义。理解其创建机制（如 torch.tensor vs torch.Tensor）、设备迁移规则（to/cuda/empty_cache）、形状变换原理（view/reshape/permute）及梯度控制逻辑（detach/require_grad_/no_grad），是避免 RuntimeError、显存溢出和梯度消失的关键。尤其在工业级训练中，dtype 不匹配
孤读paper——《GhostNet：More Features from Cheap Operations》
《GhostNet：More Features from Cheap Operations》 发现一个点并解决就是一篇CVPR，该文章主要发现了优秀的网络的特点是feature map提取过程中的冗余性，这种冗余性体现在很多成对的feature map间很像，就好像彼此的“ghost”，而这种特征冗余性对于理解图像来说还是必要的，所以文章把feature map分为两种，一种是本质特征，一...
BEVFormer算子落地难点：从PyTorch到车规芯片的语义鸿沟与访存优化
BEV（鸟瞰图）感知是自动驾驶视觉理解的核心范式，其技术基础在于将多视角图像特征通过空间变换映射至统一BEV坐标系。这一过程高度依赖grid_sample、scatter_nd、gather等底层算子的数学语义与硬件实现一致性。然而，PyTorch中灵活宽松的算子接口（如支持动态padding、浮点grid、自动NaN处理）与车规级NPU（如地平线J5、英伟达Orin）对内存对齐、数据类型、索引连续性等硬性约束之间存在显著语义失真。这种失真直接导致部署结果偏差、cache miss率飙升、DRAM带宽瓶颈乃
备战2025数学建模国赛（算法46）：多目标优化
本篇博客将深入浅出地介绍多目标优化的核心概念、主流算法，并重点结合一个数学建模竞赛的经典案例，提供完整的Python代码实现，助你在未来的竞赛中游刃有余。它通过寻找帕累托最优解集，完美地诠释了“鱼与熊掌不可兼得”的权衡思想，为最终决策提供科学依据。这些问题都包含多个相互冲突的目标，传统的单目标优化方法（如梯度下降、单纯形法）对此无能为力，因为它们无法同时优化多个目标。在数学建模竞赛中，我们面临的绝大多数问题都不是单一的“最好”，而是充满权衡与妥协的“最优”。记住，成功的建模不仅在于解出问题，更在于清晰地。
骑砍2霸主MOD开发(9)-游戏大地图(MapScene)
Settlement类型由town,castle,castle_village,village,hideout五种类型组成,通过对GameEntity中添加tag实现类型的加载.大地图中军团(MobileParty)的移动速度,AI寻路,食物消耗等均和当前MobileParty所处地形有关,地形统一被定义为TerrainType,类型有森林,荒漠等.MapScene.Read("Main_map", ref sceneInitializationData, "") 装载Main_map大地图。
从零实现CLIP模型：深入理解多模态对比学习原理与PyTorch实战
对比学习是一种通过拉近正样本、推开负样本来学习数据表示的自监督学习方法。其核心原理在于构建一个共享的嵌入空间，使相似样本的特征向量彼此靠近，不相似样本的特征向量彼此远离。这一技术在多模态AI领域具有重要价值，它能够有效对齐不同模态（如图像和文本）的数据表示，从而实现跨模态的理解与检索。在实际应用中，对比学习为图像描述生成、以文搜图、零样本分类等场景提供了强大的基础模型支持。本文以CLIP模型为例，深入剖析了其对称对比损失函数（InfoNCE Loss）和温度系数的设计，并详细演示了如何使用PyTorch从零
【K8S系列】在 Kubernetes 中使用 Prometheus 进行监控的详细指南
Prometheus 是一个开源的监控和报警工具，广泛用于 Kubernetes 环境中。本文将深入探讨如何通过 Kubernetes 中的注解配置 Prometheus 的抓取设置，以高效监控服务，并确保系统的可靠性和可维护性。
Java集成PyTorch模型部署：DJL实战与生产级AI推理服务构建
深度学习模型部署是AI工程化的关键环节，其核心在于将训练好的模型高效、稳定地集成到生产环境中进行推理。传统上，Python因其丰富的生态成为模型训练的首选，但在企业级高并发、高可用的生产系统中，Java技术栈凭借其成熟的性能优化、内存管理和运维体系占据主导地位。通过Deep Java Library（DJL）或PyTorch Java API等技术，开发者能够在JVM环境中直接加载和运行PyTorch模型，实现AI能力与现有Java微服务架构的无缝融合。这种模式不仅解决了Python服务在高并发场景下面临的
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
text2vec-bge-large-chinese-openmind开发者指南：API深度集成教程
想要为你的中文NLP应用快速集成语义匹配能力吗？text2vec-bge-large-chinese-openmind正是你需要的终极解决方案！这个基于BAAI/bge-large-zh-noinstruct模型优化的中文文本向量化工具，通过OpenMind平台适配，为开发者提供了简单高效的API集成方式。无论你是构建语义搜索系统、智能问答机器人还是文本分类应用，这个模型都能为你的项目注入强大的语
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
AI工程中Python函数与模块的生产级设计实践
在AI系统开发中，函数与模块并非基础语法概念，而是决定代码可维护性、可测试性与可部署性的核心架构单元。其设计需遵循类型安全、输入契约、副作用显式化等工程原则，并深度适配GPU计算、异步服务、可观测性等真实场景需求。通过领域驱动分层（core/model/infrastructure/application）、依赖倒置与垂直内聚切分，可将Jupyter原型演进为支持多模型热替换、跨云部署与A/B测试的生产级AI服务。本文聚焦AI人工智能项目中Python函数签名规范、模块边界划分与基础设施解耦等关键实践。
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
394
扫一扫
