- 博客(41)
- 收藏
- 关注
RSS订阅原创 PyTorch 深度学习实战（34）：神经架构搜索（NAS）实战
# 设备配置print(f"使用设备: {device}")# 操作类型集合OPS = {# 基础操作模块else:return x完整实现了可微分架构搜索：包括混合操作、细胞结构和双层优化可视化搜索过程：支持架构基因型的图形化展示实用训练技巧：采用余弦退火学习率等优化策略在下一篇文章中，我们将探讨图生成模型与分子设计，介绍如何利用深度生成模型设计新型分子结构。
2025-04-04 19:02:35
234
原创 6. 链式结构（Chain）的奥秘：从LLMChain到RouterChain
2023年某电商平台客服系统因处理复杂咨询需手动串联多个AI模块，平均响应时间长达12秒。引入LangChain链式架构后，工单处理速度提升8倍，错误率下降45%。本文将深入解析，用，教你像搭积木一样构建智能系统。
2025-04-04 18:45:54
556
原创 PyTorch 深度学习实战（33）：联邦学习与隐私保护
return x本文实现了基于PyTorch的联邦学习系统，并探讨了隐私保护机制。联邦学习作为隐私保护机器学习的重要方向，正在多个领域展现出巨大潜力。关键收获理解了联邦学习的基本原理和架构实现了包含简单加密的联邦平均算法掌握了处理非IID数据的方法了解了联邦学习中的隐私保护技术完整代码说明代码包含数据分区、模型定义、联邦训练全流程模拟了5个客户端协作训练CIFAR-10分类器实现了简单的加密通信演示（实际应用需要更强大的加密方案）在下一篇文章中，我们将探讨神经架构搜索（NAS）
2025-04-03 18:37:42
738
原创 5. 数据交互基础：从文本加载到向量存储的完整流程
2025年某法律科技公司因合同处理流程低效，耗时从3小时缩短至10分钟，核心在于构建了自动化数据流水线。本文将手把手教你用实现从原始文本到向量化存储的全流程，并解决行业级数据处理难题。
2025-04-03 18:21:12
373
原创 4. 理解Prompt Engineering：如何让模型听懂你的需求
通货膨胀是指物价普遍上涨，而货币的购买力下降。简单来说，就是同样的钱买的东西变少了。...”
2025-04-02 18:28:32
1005
原创 PyTorch 深度学习实战（32）：多模态学习与CLIP模型
import osself,):"""多模态图像-文本数据集参数:image_paths: 图像路径列表texts: 对应文本描述列表transform: 图像预处理函数preload_images: 是否预加载图像到内存max_text_length: 文本最大token长度tokenizer: 文本tokenizer函数retry_on_error: 错误重试次数"""assert len(image_paths) == len(texts), "图像和文本数量必须相同"
2025-04-02 18:19:59
574
原创 PyTorch 深度学习实战（31）：可解释性AI与特征可视化
基础可视化方法高级解释技术：特征反演、概念激活分析工具链集成：Captum、Plotly交互可视化多模态解释：视觉-语言联合注意力机制在下一篇文章《多模态学习与CLIP模型》中，我们将探索如何联合理解视觉和语言信息。关键工具推荐应用建议模型调试阶段使用Grad-CAM定位错误原因产品部署时集成LIME生成局部解释伦理审查时采用TCAV验证公平性。
2025-04-01 19:24:36
467
原创 3. 第一个LangChain应用：用5行代码生成智能文案
写文案？交给市场部就行！”——这种传统观念在2025年已被彻底颠覆。某美妆品牌用自动生成618促销文案，点击率提升23%。本文将带你用5行代码复现这个案例，并揭示如何通过实现商业级应用。
2025-04-01 19:16:19
604
原创 2. 手把手安装LangChain与ChatOllama：避开环境配置的“深坑”
2025年某AI大赛的调研显示，。“明明跟着教程一步步操作，却卡在‘ImportError’整整两天！” —— 这是新手最常见的噩梦。本文将通过，让你30分钟内完成环境搭建，并附赠社群整理的《避坑手册》。
2025-03-31 19:44:04
302
原创 1. LangChain：大模型时代的“应用开发加速器”
官方定义：开源框架，专注连接大模型（如Deepseek-R1）与业务场景，提供模块化组件。核心功能链式编排：将模型调用、数据处理、外部API串联为可复用流程记忆管理：支持对话历史、数据库持久化等状态存储工具集成：预置Google搜索、PythonREPL等50+工具。
2025-03-31 18:16:44
494
原创 Linux环境下Ollama升级及Gemma3模型部署指南
服务成功启动，检测到Tesla T4 GPU（14.5GiB可用）。对于生产环境，建议配置systemd服务管理。大模型运行前检查GPU可用内存是否充足。：新模型常需要最新版Ollama支持。：非systemd环境需手动启动服务。：启动日志会显示可用GPU资源。成功完成模型下载和运行。
2025-03-31 18:13:08
228
原创 PyTorch 深度学习实战（30）：模型压缩与量化部署
量化技术：动态/静态量化的实现方法模型剪枝：结构化与非结构化剪枝策略知识蒸馏：教师-学生模型训练框架部署优化：ONNX/TensorRT/LibTorch 部署流程在下一篇文章《可解释性AI与特征可视化》中，我们将探索如何理解和解释深度学习模型的决策过程。实践建议优先尝试动态量化（实现简单，无需重新训练）高精度场景使用静态量化+校准移动端部署推荐结合剪枝和量化使用 TensorRT 实现极致推理加速。
2025-03-31 18:09:54
645
2
原创 PyTorch 深度学习实战（29）：目标检测与 YOLOv12 实战
# 多模态支持示例modality:- image# - video # 可选视频数据names:1: vehicleOmni-Dimensional 动态网络的输入自适应机制多模态统一架构的跨模态学习能力自监督-有监督联合训练策略全自动架构搜索的硬件优化在下一篇文章《模型压缩与量化部署》中，我们将深入解析 YOLOv12 的量化技术和部署优化策略。实践建议高精度场景：使用yolov12x+ NAS 全量搜索实时系统：选择yolov12n+ INT8 量化多模态应用：启用。
2025-03-30 18:17:03
1297
原创 PyTorch 深度学习实战（28）：对比学习（Contrastive Learning）与自监督表示学习
本文实现了基于对比学习的自监督表征学习框架，通过 InfoNCE 损失在 CIFAR-10 数据集上学习到具有判别性的特征表示。实验表明，仅使用线性分类器即可达到 82% 以上的验证准确率，证明了对比学习的有效性。在下一篇文章中，我们将深入计算机视觉的核心任务之一——《目标检测与 YOLO 实战》，探讨如何利用深度学习实现高效的目标检测系统。
2025-03-29 18:09:00
1505
原创 PyTorch 深度学习实战（26）：多目标强化学习（Multi-Objective RL）
本文实现了多目标强化学习的核心范式——基于动态权重的标量化方法，展示了帕累托前沿的探索能力。在下一篇文章中，我们将探索稳定扩散模型（Stable Diffusion），并实现文本到图像生成（Text-to-Image Generation）的完整流程！注意事项自定义环境需继承gym.Env并实现reset()和step()方法。动态权重调整策略可根据实际需求设计（如基于任务难度或用户偏好）。
2025-03-27 18:09:57
858
原创 PyTorch 深度学习实战（25）：逆向强化学习（Inverse RL）
逆向强化学习（Inverse Reinforcement Learning, IRL）旨在，而非直接学习策略。
2025-03-26 18:08:25
1199
原创 PyTorch 深度学习实战（23）：多任务强化学习（Multi-Task RL）
本文实现了多任务强化学习的核心范式——基于共享策略的 PPO 算法，展示了跨任务知识迁移的能力。动态任务权重# 在 update() 中添加任务权重分层强化学习nn.ReLU(),课程学习else:在下一篇文章中，我们将探索分层强化学习（HRL），并实现 Option-Critic 算法！
2025-03-24 17:24:56
987
原创 PyTorch 深度学习实战（22）：多智能体强化学习（MARL）
本文实现了多智能体强化学习的核心算法——MADDPG，展示了智能体在共享环境中协同学习的能力。复杂环境使用更复杂的环境（如 StarCraft II）测试算法性能通信机制添加智能体之间的通信机制，提升协作效率混合任务设计既有合作又有竞争的任务，测试算法的通用性在下一篇文章中，我们将探索多任务强化学习（Multi-Task RL），并实现基于共享表示的策略优化算法！注意事项。
2025-03-23 18:32:30
1380
原创 PyTorch 深度学习实战（21）：元强化学习与 MAML 算法
本文实现了元强化学习的核心范式——MAML 算法，展示了策略快速适应新任务的能力。高效探索策略结合 Proximal Policy Optimization (PPO) 或 Soft Actor-Critic (SAC) 提升采样效率多模态任务适应使用条件策略网络处理离散任务类型在下一篇文章中，我们将探索多智能体强化学习（MARL），并实现 MADDPG 算法！注意事项完整训练需要 GPU 加速（推荐显存 ≥ 8GB）
2025-03-22 18:35:50
849
2
原创 PyTorch 深度学习实战（20）：基于模型的强化学习与 PETS 算法（Gymnasium 优化版）
基于模型的强化学习（Model-Based RL）通过构建环境动态模型，在虚拟环境中进行轨迹规划和策略优化。算法实现了基于模型的强化学习，展示了其在连续控制任务中的高效性。希望本文能帮助您掌握基于模型的强化学习核心方法！：使用多个神经网络建模环境动态，捕捉不确定性。：通过交叉熵方法（CEM）生成最优动作序列。构建概率集成模型（5个独立神经网络）添加更复杂的环境模型（如 LSTM）：17 维向量（关节角度、速度等）：通过模型预测进行长序列决策。：在虚拟环境中测试高风险动作。：6 维连续向量（关节扭矩）
2025-03-21 17:56:56
1075
原创 PyTorch 深度学习实战（19）：离线强化学习与 Conservative Q-Learning (CQL) 算法
本文基于Minari实现了 CQL 算法的核心逻辑，展示了离线强化学习在安全关键场景的应用价值。读者可尝试以下扩展：添加策略网络实现 Actor-Critic 架构在antmaze等迷宫类数据集测试导航能力实现更精确的 OOD（分布外）动作检测在下一篇文章中，我们将探索基于模型的强化学习（Model-Based RL），并实现 PETS 算法！注意事项需先安装minari库：数据集路径可通过查看调整 $\alpha$ 参数可平衡保守性与探索性希望本文能帮助您理解离线强化学习的核心范式！
2025-03-20 18:20:09
1037
原创 PyTorch 深度学习实战（18）：分布式强化学习与 IMPALA 算法
IMPALA 通过分布式架构和 V-trace 算法，在强化学习领域实现了质的飞跃。读者可尝试以下扩展：添加 LSTM 网络处理部分可观测状态在 Procgen 等复杂环境测试算法结合 Prioritized Experience Replay 优化采样效率在下一篇文章中，我们将探索离线强化学习（Offline RL）技术，并实现 Conservative Q-Learning (CQL) 算法！注意事项需配置多机环境或使用高性能计算集群安装gym[atari]和以支持 Atari 环境。
2025-03-19 18:57:26
1275
原创 PyTorch 深度学习实战（17）：Asynchronous Advantage Actor-Critic (A3C) 算法与并行训练
本文实现了 A3C 算法的核心逻辑，展示了并行化训练在强化学习中的优势。读者可以尝试以下扩展：在 Atari 游戏等复杂环境中测试算法调整 Worker 数量观察训练效率变化实现梯度裁剪等稳定化技巧在下一篇文章中，我们将探讨分布式强化学习的进阶技术——IMPALA 算法，敬请期待！注意事项本代码需在支持多进程的环境下运行（如 Linux）可添加防止梯度爆炸使用可录制智能体行为希望本文能帮助您理解 A3C 算法的核心思想与实践方法！欢迎在评论区交流讨论。
2025-03-18 18:22:13
835
原创 PyTorch 深度学习实战（16）：Soft Actor-Critic (SAC) 算法
本文介绍了 SAC 算法的基本原理，并使用 PyTorch 实现了一个简单的 SAC 模型来解决 Pendulum 问题。通过这个例子，我们学习了如何使用 SAC 算法进行连续动作空间的策略优化。在下一篇文章中，我们将探讨强化学习领域的重要里程碑——算法。敬请期待！代码实例说明本文代码可以直接在 Jupyter Notebook 或 Python 脚本中运行。如果你有 GPU，代码会自动检测并使用 GPU 加速。希望这篇文章能帮助你更好地理解 SAC 算法！如果有任何问题，欢迎在评论区留言讨论。
2025-03-17 18:40:52
690
原创 PyTorch 深度学习实战（15）：Twin Delayed DDPG (TD3) 算法
本文介绍了 TD3 算法的基本原理，并使用 PyTorch 实现了一个简单的 TD3 模型来解决 Pendulum 问题。通过这个例子，我们学习了如何使用 TD3 算法进行连续动作空间的策略优化。在下一篇文章中，我们将探讨更高级的强化学习算法，如 Soft Actor-Critic (SAC)。敬请期待！代码实例说明本文代码可以直接在 Jupyter Notebook 或 Python 脚本中运行。如果你有 GPU，代码会自动检测并使用 GPU 加速。希望这篇文章能帮助你更好地理解 TD3 算法！
2025-03-16 18:35:51
1503
原创 PyTorch 深度学习实战（14）：Deep Deterministic Policy Gradient (DDPG) 算法
本文介绍了 DDPG 算法的基本原理，并使用 PyTorch 实现了一个简单的 DDPG 模型来解决 Pendulum 问题。通过这个例子，我们学习了如何使用 DDPG 算法进行连续动作空间的策略优化。在下一篇文章中，我们将探讨更高级的强化学习算法，如 Twin Delayed DDPG (TD3)。敬请期待！代码实例说明本文代码可以直接在 Jupyter Notebook 或 Python 脚本中运行。。希望这篇文章能帮助你更好地理解 DDPG 算法！如果有任何问题，欢迎在评论区留言讨论。
2025-03-15 18:23:47
1387
原创 PyTorch 深度学习实战（13）：Proximal Policy Optimization (PPO) 算法
本文介绍了 PPO 算法的基本原理，并使用 PyTorch 实现了一个简单的 PPO 模型来解决 CartPole 问题。通过这个例子，我们学习了如何使用 PPO 算法进行策略优化。在下一篇文章中，我们将探讨更高级的强化学习算法，如 Deep Deterministic Policy Gradient (DDPG)。敬请期待！代码实例说明本文代码可以直接在 Jupyter Notebook 或 Python 脚本中运行。。希望这篇文章能帮助你更好地理解 PPO 算法！
2025-03-14 19:22:11
1207
原创 PyTorch 深度学习实战（12）：Actor-Critic 算法与策略优化
本文介绍了 Actor-Critic 算法的基本原理，并使用 PyTorch 实现了一个简单的 Actor-Critic 模型来解决 CartPole 问题。通过这个例子，我们学习了如何结合策略梯度和值函数方法进行强化学习。在下一篇文章中，我们将探讨更高级的强化学习算法，如 Proximal Policy Optimization (PPO) 和 Deep Deterministic Policy Gradient (DDPG)。敬请期待！代码实例说明。
2025-03-13 18:46:51
1109
原创 PyTorch 深度学习实战（11）：强化学习与深度 Q 网络（DQN）
本文介绍了强化学习的基本概念，并使用 PyTorch 实现了一个深度 Q 网络（DQN）来解决 CartPole 问题。通过这个例子，我们学习了如何定义 DQN 模型、使用经验回放缓冲区、训练模型以及评估性能。在下一篇文章中，我们将探讨更复杂的强化学习算法，如 Actor-Critic 和 Proximal Policy Optimization (PPO)。敬请期待！代码实例说明本文代码可以直接在 Jupyter Notebook 或 Python 脚本中运行。。
2025-03-12 20:37:07
1141
原创 PyTorch 深度学习实战（10）：图神经网络（GNN）与节点分类
图神经网络（GNN）是专门用于处理图结构数据的深度学习模型。与传统神经网络不同，GNN 能够捕捉节点之间的关系信息，广泛应用于社交网络分析、推荐系统、分子结构预测等领域。本文介绍了图神经网络的基本概念，并使用 PyTorch Geometric 实现了一个简单的 GCN 模型，完成了 Cora 数据集的节点分类任务。通过这个例子，我们学习了如何处理图数据、构建 GNN 模型以及进行训练和评估。
2025-03-11 18:39:13
1047
原创 PyTorch 深度学习实战（9）：时间序列预测与 LSTM 模型
长短期记忆网络（LSTM）是一种特殊的循环神经网络（RNN），通过门控机制解决传统 RNN 的梯度消失问题，擅长捕捉长期依赖关系。遗忘门：决定丢弃哪些信息。输入门：更新细胞状态。输出门：决定输出的隐藏状态。本文介绍了时间序列预测的基本概念，并使用 PyTorch 实现了一个简单的 LSTM 预测模型。通过这个例子，我们学习了如何处理序列数据、构建 LSTM 模型以及进行训练和预测。在下一篇文章中，我们将探讨生成对抗网络（GAN）在图像生成中的应用。敬请期待！代码实例说明torchnumpy。
2025-03-10 18:22:42
980
原创 PyTorch 深度学习实战（8）：Transformer 与机器翻译（基于本地中英文文本文件）
本文介绍了 Transformer 的基本原理，并使用 PyTorch 实现了一个简单的中英机器翻译模型。通过这个例子，我们学习了如何处理中英文数据、构建 Transformer 模型以及进行训练和评估。在下一篇文章中，我们将探讨时间序列预测与 LSTM 模型。敬请期待！代码实例说明本文代码可以直接在 Jupyter Notebook 或 Python 脚本中运行。。希望这篇文章能帮助你更好地理解 Transformer 及其在机器翻译中的应用！如果有任何问题，欢迎在评论区留言讨论。
2025-03-09 17:41:45
1282
原创 PyTorch 深度学习实战（7）：循环神经网络（RNN）与文本分类（基于本地头条数据集）
循环神经网络（RNN）是一种专门用于处理序列数据的神经网络结构。与传统的全连接神经网络不同，RNN 通过引入“记忆”机制，能够捕捉序列数据中的时间依赖关系，因此在 NLP、时间序列分析等领域有着广泛的应用。本文介绍了循环神经网络（RNN）的基本概念，并使用 PyTorch 实现了一个简单的中文文本分类模型。通过这个例子，我们学习了如何处理中文文本数据、构建 RNN 模型以及进行训练和评估。在下一篇文章中，我们将探讨 Transformer 模型及其在机器翻译中的应用。敬请期待！代码实例说明。
2025-03-08 18:02:12
863
原创 PyTorch 深度学习实战（6）：生成对抗网络（GAN）与图像生成
本文介绍了生成对抗网络的基本概念，并使用 PyTorch 实现了一个简单的 GAN 模型来生成手写数字图像。通过对抗训练，生成器能够生成越来越逼真的图像。我们将使用 PyTorch 构建一个简单的 GAN 模型，并在 MNIST 数据集上训练生成器生成手写数字图像。生成器试图生成越来越逼真的数据，以欺骗判别器。判别器试图区分真实数据和生成器生成的虚假数据。随着训练的进行，生成器生成的图像会越来越逼真。，并展示如何使用 GAN 生成逼真的图像。：区分真实数据和生成器生成的虚假数据。
2025-03-07 17:50:18
545
原创 PyTorch 深度学习实战（5）：迁移学习与图像分类
然而，在实际应用中，我们常常需要处理更复杂的图像分类任务，例如识别猫狗、车辆、植物等。本文介绍了迁移学习的基本概念，并使用 PyTorch 提供的预训练模型 ResNet18 在 CIFAR-10 数据集上实现了图像分类。CIFAR-10 数据集包含 60,000 张 32x32 的彩色图像，分为 10 个类别（飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车）。这些模型已经学会了提取图像特征的通用能力，可以直接用于新的任务，或者通过微调（Fine-tuning）适应新的数据集。
2025-03-06 18:15:19
1044
原创 PyTorch 深度学习实战（4）：卷积神经网络（CNN）与图像分类
在上一篇文章中，我们使用全连接神经网络（Fully Connected Neural Network）实现了手写数字识别，并取得了不错的效果。为了解决这些问题，本文将介绍。本文介绍了卷积神经网络的基本概念，并使用 PyTorch 实现了一个简单的 CNN 模型来提升手写数字识别的性能。通过卷积操作和池化操作，CNN 能够有效地提取图像的局部特征，从而在图像分类任务中取得更好的效果。在 CNN 的最后几层，通常会使用全连接层将提取的特征映射到最终的输出类别。：在图像边缘填充像素，以控制输出特征图的大小。
2025-03-05 17:41:41
457
原创 PyTorch 深度学习实战（3）：神经网络基础与手写数字识别
在上一篇文章中，我们学习了 PyTorch 的自动求导机制（Autograd），并实现了一个简单的线性回归模型。本文将深入探讨神经网络的基本概念，并使用 PyTorch 构建一个简单的神经网络来解决经典的。MNIST 数据集包含 60,000 张训练图像和 10,000 张测试图像，每张图像是一个 28x28 的灰度图，表示 0 到 9 的手写数字。我们的目标是构建一个神经网络模型，能够正确识别这些手写数字。本文介绍了神经网络的基本概念，并使用 PyTorch 实现了一个简单的手写数字识别模型。
2025-03-04 17:07:37
658
原创 PyTorch 深度学习实战（2）：Autograd 自动求导与线性回归
Autograd 是 PyTorch 的自动微分引擎，它能够自动计算张量的梯度。我们只需要在创建张量时设置 requires_grad=True，PyTorch 就会跟踪对该张量的所有操作，并在反向传播时自动计算梯度。本文介绍了 PyTorch 的 Autograd 自动求导机制，并通过一个线性回归的例子展示了如何使用 PyTorch 构建和训练模型。Autograd 的强大之处在于它能够自动计算梯度，极大地简化了深度学习模型的实现。
2025-03-03 16:49:45
477
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人