pytorch_人工智能博客-专业IT技术发表平台

推荐付费专栏 VIP文章

玩够了就去学习

【PyTorch 踩坑日记】50 系显卡 + CUDA 12.8 + PyTorch 2.8 下加载模型报错 _pickle.UnpicklingError 的终极解决方案 PyTorch 2.6 引入机制是出于安全考虑老模型容易踩坑，建议明确传参或手动配置白名单CUDA 12.8 是未来趋势，MMDetection、MMCV 都要使用新版 PyTorch强烈建议使用 conda 管理环境、使用 OpenMIM 安装 mmcv。

阅读 5.2k

24赞

深度学习VGG16网络构建（Pytorch代码从零到一精讲，帮助理解网络的参数定义）很多时候，对于一些网络结构，我们总是会看到其对应的图片，但是代码部分，讲的人不是很多。比如，下面这两张图片，就是讲解VGG16的博客或者视频中经常能够看到的。下面这张图片的D类型是VGG16架构，E类型是VGG19初次见到这种图片，其实不是特别清楚，就导致很多人对网络结构其实不是那么清楚。比如，conv3-64是啥意思等等。因此，我接下来打算使用pytorch代码进行讲解。尤其是对于构造网络时候的参数，需要一步一步计算后，才会有比较清晰的理解。希望我的讲解能够帮助大家入门神经网络的网络构建。

阅读 1.1w

175赞

第二份半价

PyTorch离线版本安装（超详细版！）首先需要下载Anaconda查看自己电脑的cuda版本：nvidia-smi。

阅读 2.9w

92赞

不吃香菜？

基于CBOW模型的词向量训练实战：从原理到PyTorch实现 CBOW（Continuous Bag-of-Words）模型是一种用于生成词向量的神经网络模型，它基于上下文预测目标词。其核心思想是：给定一个目标词的上下文单词，通过模型预测该目标词。在训练过程中，模型会不断调整参数，使得预测结果尽可能接近真实的目标词，最终训练得到的词向量能够捕捉单词之间的语义关系。

阅读 1.7k

37赞

Python深度学习环境配置（Pytorch、CUDA、cuDNN），包括Anaconda搭配Pycharm的环境搭建以及基础使用教程（保姆级教程，适合小白、深度学习零基础入门）本文旨在帮助想要入门深度学习的小白进行深度学习的环境配置，总结了一台电脑从零开始配置到调用Pytorch使用GPU进行深度学习计算的全过程环境搭建，并包含了Anaconda搭配Pycharm的环境搭建以及一些基本使用方法。

阅读 5.6w

438赞

PyTorch动态学习率调整动态调整学习率

阅读 1.0k

12赞

愚公搬代码

【粉丝福利社】大模型核心技术与开发实践：基于Transformer、PyTorch及Hugging Face 《大模型核心技术与开发实践：基于Transformer、PyTorch与Hugging Face》是一本系统介绍大语言模型（LLM）理论与实践的专著。全书12章分为三大部分：理论基础（1-3章）详解Transformer架构、自注意力机制及PyTorch实现；开发实践（4-9章）涵盖Hugging Face库应用、数据预处理、模型微调及生成优化技术；综合应用（10-12章）通过企业级文本分析平台项目，展示从模型训练到云端部署的全流程。本书特色在于： 1️⃣ 理论结合实践，包含大量PyTorch代码示例 2️

阅读 3.4k

55赞

深度强化学习 | 基于Double DQN算法的移动机器人路径跟踪(附Pytorch实现) 本文介绍了基于Double DQN（DDQN）的机器人路径跟踪算法。该算法通过互监督机制缓解DQN的过估计问题，并设计了离散动作空间和混合奖励函数，包含时间惩罚、距离引导及碰撞惩罚等要素。最终，通过pytorch进行算法实现加深理解

阅读 1.7k

71赞

明明跟你说过

深度学习常见框架：TensorFlow 与 PyTorch 简介与对比本文系统介绍了当前深度学习领域最主流的两个框架 —— TensorFlow 与 PyTorch。文章从发展背景、核心理念、主要组件、应用场景等方面，逐一解析它们的特性与差异，帮助读者全面了解各自的优势与使用场景。重点内容包括：✅ TensorFlow 由 Google 推出，具备强大的工程部署能力，适合大规模模型训练与跨平台部署；🔶 PyTorch 源于 Meta（Facebook），以灵活易用、Pythonic 编程体验著称，广受研究与教育界青睐；🔍 对比了二者在计算图结构、调试体验、

阅读 4.3k

91赞

Flow Matching生成模型：从理论基础到Pytorch代码实现本文将系统阐述Flow Matching的完整实现过程，包括数学理论推导、模型架构设计、训练流程构建以及速度场学习等关键组件。通过本文的学习，读者将掌握Flow Matching的核心原理，获得一个完整的PyTorch实现，并对生成模型在噪声调度和分数函数之外的发展方向有更深入的理解。

阅读 3.9k

13赞

嘻嘻哈哈每天开心

(详解)安装pytorch(cpu版)，torch和torchvision的详细安装步骤，并在jupyter notebook和pycharm中配置好pytorch (详解)安装pytorch(cpu版)，torch和torchvision的详细安装步骤，并在jupyter notebook和pycharm中配置好pytorch

阅读 4.3w

99赞

PyTorch 生态迎来新成员：SGLang 高效推理引擎解析 SGLang 现已正式融入 PyTorch 生态系统！此次集成确保了 SGLang 符合 PyTorch 的技术标准与最佳实践，为开发者提供了一个可靠且社区支持的框架，助力大规模语言模型（LLM）实现高效且灵活的推理。如需深入了解 PyTorch 生态系统，欢迎访问 [PyTorch Landscape](https://pytorch.org/ecosystem/) ，获取更多关于项目如何加入 PyTorch 生态系统的详细信息。

阅读 939

12赞

CUDA+CUDNN+Pytorch详细安装说明 win+R。

阅读 2.1k

24赞

在联邦学习场景中通过 MLFlow 加载和聚合 PyTorch 模型摘要：本文提出了一种基于MLFlow的分布式模型加载与联邦学习系统，通过乐观锁机制实现多客户端模型同步，支持定时和事件驱动的触发策略。系统采用分块传输和差分隐私技术，保障传输效率和数据安全，并设计了参数变化检测、断点续传等可靠性机制。实验表明，在智慧城市、医疗影像等场景下，该系统能有效降低网络负载（如医疗案例传输数据减少88%），同时保持模型精度（金融风控AUC仅降0.02）。关键技术包括版本兼容性适配、混合量化策略及不可篡改的审计日志，为跨行业联邦学习提供了安全高效的解决方案。

阅读 852

11赞

大模型研究院

从零开始用Pytorch实现LLaMA 4的混合专家（MoE）模型（附代码）近期发布的LLaMA 4模型引入了混合专家（Mixture of Experts, MoE）架构，旨在提升模型效率和性能。尽管社区对LLaMA 4的实际表现存在一些讨论，但MoE作为一种重要的模型设计范式，继Mistral等模型之后再次受到关注。所以我们将使用Pytorch逐步从零开始实现一个简化版的LLaMA 4 MoE模型。通过详细的代码实现和解释，我们将深入理解MoE架构的关键组件及其工作原理。为便于跟踪执行流程，代码中将包含必要的打印输出。

阅读 1.1k

29赞

P6：使用pytorch实现人脸识别更新学习率（使用自定义学习率时使用）scheduler.step() # 更新学习率（调用官方动态学习率接口时使用）# 保存最佳模型到 best_modelbest_model = copy.deepcopy(model) #这里保存的是最佳模型的深拷贝，如果 model 已经在 GPU 上，那么 best_model 也会在 GPU 上# 获取当前的学习率# 保存最佳模型到文件中PATH = './best_model.pth' # 保存的参数文件名修正后的代码如下。

阅读 1.6k

35赞

姜海恩Gaiety

【亲测免费】 PyTorch U-Net with ResNet-50 Encoder 使用教程 PyTorch U-Net with ResNet-50 Encoder 使用教程1. 项目介绍项目概述pytorch-unet-resnet-50-encoder 是一个基于 PyTorch 的 U-Net 模型，使用了预训练的 ResNet-50 作为编码器。U-Net 是一种广泛用于图像分割任务的卷积神经网络架构，而 ResNet-50 则是一个深度残差网络，具有强大的特征提取能力。通...

阅读 961

4赞

PyTorch gather与scatter_详解 PyTorch中gather以及scatter_函数的使用说明以及详细的案例介绍

阅读 2.0k

23赞

不当菜鸡的程序媛

报错：The detected CUDA version (11.8) mismatches the version that was used to compile PyTorch (12.1). 【代码】报错：The detected CUDA version (11.8) mismatches the version that was used to compile PyTorch (12.1).

阅读 861

1赞

【图像去噪】论文复现：TPAMI 2025！全面提升单图像去噪泛化性！像素级零样本去噪方法Pixel2Pixel的Pytorch源码复现，跑通源码，修改各种报错，框架详解，注释详细！论文题目：Pixel2Pixel: A Pixelwise Approach for Zero-shot Single Image Denoising —— Pixel2Pixel：零样本单幅图像去噪的像素方法【图像去噪】论文精读：Pixel2Pixel: A Pixelwise Approach for Zero-shot Single Image Denoising本文以SIDD数据集为例进行复现，合成噪声同理。

阅读 2.1k

55赞

作者推荐

飞雪白鹿€: 北京邮电大学在读博士,个人主页：www.liyangbupt.com

关注

@Mr_LiuYang: AI从业者

关注

智算学术: 985博士团队接论文辅导公众号:智算学术

关注

斌zz: 不懒！

关注

AI大模型技术社: 某大厂在职老牛，多年项目开发经验，个人主页（https://gzh.guangjuke.com/）

关注

樑汐: 我写的都是我在学习中遇到的痛点，尽量详细，欢迎大家一起交流，开发任务太多过两天更新૮₍ɵ̷﹏ɵ̷̥̥᷅₎ა

关注

番知了: 走在江湖上的前行者……

关注

Steve lu: 一个情感丰富的理科男

关注

EverBule: I am lazy, Nothing to write

关注

胖墩会武术: 不要吃太多，吃饱了撑的一点都没错；不吃也不行，丢失了追求幸福的欲望；吃个八层饱，你会发现幸福都很简单。

关注