Pytorch系列

百度文心大模型 4.5 系列全面开源 英特尔同步支持端侧部署

2025年6月30日，百度如期兑现2月14日的预告，正式开源文心大模型4.5（ERNIE4.5）系列，涵盖10款不同参数规模的模型，包括470亿参数混合专家（MoE）模型、30亿参数MoE模型及3亿参数稠密型模型
·2025-07-04 10:08

百度文心大模型4.5系列正式开源，开源会给百度带来什么？

6月30日，百度正式开源文心大模型4.5系列模型，百度的大动作我们该如何分析呢？
·2025-07-04 10:38

【大模型面试】大模型Prompt Engineer面试题及参考答案

这些模型能够学习到大量数据中的复杂模式和特征，具备强大的泛化能力，可在多种任务上表现出色，如GPT系列、BERT等。2.大模型与传统机器学习模型的区别是什么？
大模型知识·2025-07-04 10:37

C#串口通信上位机笔记（modbus协议）

C#串口通信上位机笔记（modbus协议）提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录
指针刺客·2025-07-04 10:36

Prompt Engineering Guide — 提示工程全方位指南

随着大语言模型（如GPT系列、Claude、Gemini等）的广泛应用，如何设计有效提示以发挥模型最大能力，成为当前人工智能领域的重要研究和应用方向。
司南锤·2025-07-04 10:32

RAG实战指南 Day 4：LlamaIndex框架实战指南

【RAG实战指南Day4】LlamaIndex框架实战指南文章标签RAG,LlamaIndex,检索增强生成,大语言模型,AI开发文章简述本文是"RAG实战指南"系列的第4天，聚焦LlamaIndex框架的核心功能与实战应用
在未来等你·2025-07-04 09:00

RAG实战指南 Day 3：LangChain框架深度解析

【RAG实战指南Day3】LangChain框架深度解析引言欢迎来到"RAG实战指南"系列的第3天！今天我们将深入探讨LangChain框架——构建RAG系统的核心工具之一。
在未来等你·2025-07-04 09:57

如何使用 PyTorch Lightning 保存和加载检查点

【PL基础】如何保存和加载检查点1.什么是检查点(checkpoint)？2.检查点有哪些内容3.如何保存检查点4.如何加载检查点5.保存超参数6.nn.Module的检查点7.禁用checkpointing8.恢复训练状态1.什么是检查点(checkpoint)？  当模型进行训练时，性能会随着它继续看到更多数据而发生变化。最佳实践是在整个训练过程中保存模型的状态。这将在模型开发过程中的每个关键
喝过期的拉菲·2025-07-04 08:54

Pytorch Lightning使用：【LightningModule、LightningDataModule、Trainer、ModelCheckpoint】

pytorchlightning官方手册pytorchlightning官方手册Welcometo⚡PyTorchLightning—PyTorchLightning2.1.0devdocumentationhttps
LeapMay·2025-07-04 08:24

使用Ray实现的分布式PyTorch Lightning训练

使用Ray实现的分布式PyTorchLightning训练ray_lightningPytorchLightningDistributedAcceleratorsusingRay项目地址:https:/
刘瑛蓉·2025-07-04 08:53

【PyTorch】PyTorch中张量(Tensor)微分操作

PyTorch深度学习总结第六章PyTorch中张量(Tensor)微分操作文章目录PyTorch深度学习总结前言一、torch.autograd模块二、主要功能和使用方法1.张量的requires_grad
咸鱼鲸·2025-07-04 08:21

jdk升级到11问题系列-第三方依赖使用了BASE64Decoder

问题描述：第三方依赖包，目前出现问题的是某银行的sdk导致的使用了sun.misc.BASE64Decoder但是在jdk11这个版本该类已经被删除，导致运行是出现错误Causedby:java.lang.NoClassDefFoundError:sun/misc/BASE64Encoder替换方式：Base64.Encoderencoder=Base64.getEncoder();Base64.
uplinker·2025-07-04 07:48

pythonflow_MLflow系列1：MLflow入门教程（Python）

这篇教程展示了如何：训练一个线性回归模型将训练代码打包成一个可复用可复现的模型格式将模型部署成一个简单的HTTP服务用于进行预测这篇教程使用的数据来自UCI的红酒质量数据集，主要用于根据红酒的PH值，酸度，残糖量等指标来评估红酒的质量。我们会用到什么？安装MLflow和scikit-learn，推荐两种安装方式：安装MLflow及其依赖：pipinstallmlflow[extras]分别安装ML
weixin_39872334·2025-07-04 07:13

工厂模式 - Flutter中的UI组件工厂，按需生产各种“产品

想象一下这个场景：你决定扩大奶茶店业务，推出两个品牌系列：经典系列：传统珍珠奶茶，红白配色清新系列：水果茶，蓝绿配色每个系列都有自己风格的：杯子设计吸管样式包装袋会员卡问题来了：当顾客点单时，你如何确保
·2025-07-04 07:12

明渠多层时差法测流系统

一、产品简介1.1概述LSC系列箱式超声波明渠流量计是江苏聚邦自动化科技有限公司依据SL/186-1997《超声波流速仪》、GB/T11826.2-2012《流速流量仪器第2部份：声学流速仪》、GB/T21303
jsjb0516·2025-07-04 06:40

Ubuntu22.04安装CUDA12.1 cuDNN8.9.7 pytorch2.2.2

当前安装的电脑配置:电脑名称：暗影精灵5系统名称：Ubuntu22.04.4LTS操作系统类型：64位内存：8.0Gib处理器：Intel®Core™[email protected]显卡：NVIDIACorporationTU117M[GeForceGTX1650Mobile/Max-Q]MesaI...安装前准备：需要安装对应的NVIDIA驱动程序、配置CUDA依赖环境g++gccm
快乐的笨笨·2025-07-04 06:08

【实时Linux实战系列】实时以太网与 TSN 基础

TSN通过一系列协议和机制，确保数据能够在预定的时间内可靠传输，满足工业自动化、汽车网络和音视频传输等领域对实时性的严格要求。
·2025-07-04 06:38

springboot入门之路(三)_特性

系列文章目录springboot入门之路（一）阅读点击：springboot入门之路(一)springboot入门之路（二）阅读点击：springboot入门之路（二）文章目录系列文章目录4.SpringBoot
·2025-07-04 06:06

python系列：[Python系列-26]：importlib - 动态导入其他python模块库

[Python系列-26]：importlib-动态导入其他python模块库[Python系列-26]：importlib-动态导入其他python模块库第1章模块导入概述1.1概述1.2模块的作用（
坦笑&&life·2025-07-04 05:30

APP上架 篇一：上架资质要求

文章目录系列文章AppleStore商店上架App官方文档资质要求费用详情GooglePlay商店上架App官方文档资质要求费用详情华为应用商店上架App官方文档资质要求费用详情小米应用商店上架App官方文档资质要求费用详情
李小白杂货铺·2025-07-04 05:30

LangChain4j 学习教程项目

研究过程中同步编写了配套示例代码，后续将通过系列技术
Chengdu.S·2025-07-04 04:25

【ARM Cache 与 MMU 系列文章 4 – Cache 与 CPU 乱序执行】

请阅读【ARMCache及MMU/MPU系列文章专栏导读】及【嵌入式开发学习必备专栏】文章目录1.1Cache之乱序执行1.1.1CPUPipline1.1.2CacheStoreBuffer引入背景1.1.3CacheStoreBuffer1.1.4InvalidataQueue1.1.5StoreBuffer
主公讲 ARM·2025-07-04 03:51

【AI Infra】基础学习汇总篇

系列综述：目的：本系列是个人整理为了学习训练框架优化的，整理期间苛求每个知识点，平衡理解简易度与深入程度。
逆羽飘扬·2025-07-04 01:41

Deep Global Registration 代码环境配置(rtx3090+python3.8+cuda11.1+pytorch1.7+MinkowskiEngine0.5.1)

试过pytorch1.7.0+cuda11.0，但会报错，由于cuda11.0支持的最高算力达不到rtx最低的要求。但配置pytorch1.8时DGR的代码运行时会报错。
JPy646·2025-07-04 01:38

RTX50系显卡+CUDA+torch+python对应关系

提示：以下是本篇文章正文内容，下面案例可供参考一、RTX50系显卡只能使用CUDA12.8二、目前只支持torch2.7.0和2.7.11.去pytorch官网的https://download.pytorch.org
·2025-07-04 01:37

Llama改进之——均方根层归一化RMSNorm

引言在学习完GPT2之后，从本文开始进入Llama模型系列。本文介绍Llama模型的改进之RMSNorm(均方根层归一化)。
愤怒的可乐·2025-07-04 01:36

PyTorch-Llama: 从零开始实现LLaMA 2模型教程

PyTorch-Llama:从零开始实现LLaMA2模型教程pytorch-llamaLLaMA2implementedfromscratchinPyTorch项目地址:https://gitcode.com
乔昕连·2025-07-04 00:05

pytorch小记（二十六）：全面解读 PyTorch 的 `torch.matmul`

pytorch小记（二十六）：全面解读PyTorch的`torch.matmul`PyTorch中的`torch.matmul`详解与使用指南一、什么是`torch.matmul`二、基本用法示例1.向量点积
·2025-07-04 00:33

pytorch小记（二十七）：深入理解 PyTorch 中的 `.contiguous()`：内存布局与数据不变性

pytorch小记（二十七）：深入理解PyTorch中的`.contiguous`：内存布局与数据不变性深入理解PyTorch中的`.contiguous()`：内存布局与数据不变性一、张量连续性（contiguity
·2025-07-04 00:33

利用人名语言分类案例演示RNN、LSTM和GRU的区别（基于PyTorch）

文章目录一、程序结构1.1程序整体结构1.2各模块功能关系流程图二、数据预处理模块详解2.1定义字符集和语言类别2.2读取数据2.3人名转换为one-hot编码张量2.4自定义数据集类2.5数据加载器三、模型定义模块详解3.1RNN模型3.2LSTM模型3.3GRU模型四、模型训练与测试模块详解4.1测试模型基本功能4.2模型训练主函数五、结果可视化与对比模块详解六、模型预测模块详解七、案例结果分
.30-06Springfield·2025-07-04 00:29

为什么YashanDB数据库是大数据处理的理想选择？

YashanDB作为一款高性能数据库，以其独特的架构设计与一系列优秀的功能，成为大数据处理的理想选择。高度可扩展的部署架构YashanDB支持多种部署形态，包括单机部署、分布式集群
·2025-07-03 23:45

从入门到精通：YashanDB数据库学习指南

YashanDB作为一款新兴数据库，提供了一系列功能以应对这些挑战，适合希望深入理解数据库体系结构的开发者和DBA。
·2025-07-03 23:10

【openAI库】Python语言openAI库详解：从入门到精通（从0到1手把手教程）

它推出的GPT系列模型、DALL·E等创新技术，正在深刻改变各行各业。作为Python开发者，我们该如何快速上手并高效利用OpenAI的API，成为了提升个人竞争力的关键。
Java八股文·2025-07-03 22:20

好记性不如烂笔头--使用dotnet-gcdump分析.net core程序内存泄漏

系列文章目录第一章使用ANTSMemoryProfiler排查.net内存泄漏问题https://blog.csdn.net/pdsazj/article/details/128259980第二章使用dotnet-gcdump
学无止境Coding·2025-07-03 22:49

强化学习【chapter0】-学习路线图

】课程：从零开始到透彻理解（完结）_哔哩哔哩_bilibili1️⃣基础阶段（Ch1-Ch7）：掌握表格型算法，理解TD误差与贝尔曼方程2️⃣进阶阶段（Ch8-Ch9）：动手实现DQN/策略梯度，熟悉PyTorch
明朝百晓生·2025-07-03 22:48

谷歌正式推出 Gemini 2.5 系列模型，使 AI 推理性能提升30%。

谷歌于2025年6月正式推出‌Gemini2.5系列模型‌，核心聚焦推理效率与多模态能力升级，具体要点解读如下：‌一、三大模型定位与技术亮点‌‌Gemini2.5Pro‌‌角色定位‌：主攻复杂推理与多模态分析
我的学校你进不来·2025-07-03 22:48

#19ACM第五次周赛补题赛de题解呐#

磕出来的所有题唉……A.防AK题目——超难系列这是一道Helloword题，题面花里胡哨，但就想让你输出一个“Accepted！!!”。
桦hua呐·2025-07-03 21:46

【算法系列】买卖股票的最佳时机【JS代码】

【算法系列】买卖股票的最佳时机【JS代码】问题描述基本概念和作用说明解决方案暴力解法一次遍历法代码示例总结与讨论在前端开发中，虽然我们主要关注的是构建用户界面和交互逻辑，但掌握一些基本的算法和数据结构知识也是非常有用的
DTcode7·2025-07-03 21:14

讯飞星火深度推理模型X1，为教育医疗带来革新

技术原理与创新讯飞星火深度推理模型X1基于Transformer架构，并在此基础上进行了一系列创新。它通过大规模多阶段强化学习训练方法，在复杂推理、数学、代码、语言理解等场景全面
·2025-07-03 21:42

Rust实现FasterR-CNN目标检测全流程

Rust生态中可以通过tch-rs（Torch绑定）调用预训练的PyTorch模型实现。
KENYCHEN奉孝·2025-07-03 21:42

RK3576 Yolo 部署

2.开发需求在RK3576上运行yolov8的官方例程3.开发环境Ubuntu20.04+Conda+Yolov8+RK35764.实现步骤4.1PyTorch文件转ONNX4.1.1下载权重文件下载官方权重文件
·2025-07-03 21:41

【Python】解析pdf文件中的表格并导出为doc或excel (分析思路+测试代码）

目录效果预览依赖pdf素材获取思路分析main方法内部逻辑注意事项pdf内的表格转为excel基本例程pdf内的表格转为docx基本例程总结欢迎关注『Python』系列，持续更新中欢迎关注『Python
发现你走远了·2025-07-03 20:39

使用numpy或pytorch校验两个张量是否相等

文章目录1、numpy2、pytorch做算法过程中，如果涉及到模型落地，那必然会将原始的深度学习的框架训练好的模型转换成目标硬件模型的格式，如onnx,tensorrt,openvino,tflite
·2025-07-03 20:33

【深度学习pytorch-6】张量与numpy相互转换

张量通常用于深度学习框架（如PyTorch、TensorFlow等），而Numpy数组在科学计算中被广泛使用。为了便于数据处理和计算，常常需要在它们之间进行转换。
超华东算法王·2025-07-03 19:31

NumPy 或 PyTorch/TensorFlow 中的张量理解

(2,2,3)形状的3D数组（或张量）的结构。个人理解：2个2维数组（张量），2维数组（张量）里面有2个1维向量（张量），1维向量（张量）里面有3个元素。注：由于最后一个维度值3代表的是元素个数，左侧括号后的第1个2代表的是第n-1个[（中括号，即n-1维数组）的数量，左侧括号后的第2个2代表的是第n-2个[（中括号，即n-2维数组）的数量。这段文字中，n代表的是数组的维度，这里是3维。维度解析：
栖霖涧·2025-07-03 19:00

topk------提取张量极值的关键函数

torch.topk()是PyTorch中用于高效提取张量极值的关键函数，可返回指定维度上最大或最小的k个元素及其索引。
AI扶我青云志·2025-07-03 19:59

[ 渗透测试面试篇 ] 渗透测试面试题大集合(详解)（4-2）XSS注入相关面试题

这里我总结了整个一系列的面试题，可能没有覆盖到全部的知识面，但是应该是比较全面的
寒蝉听雨[原ID_PowerShell]·2025-07-03 19:56

PyTorch 知识点总结 -- 第 1 节

第1节PyTorchFundamentals本节主要讲解PyTorch中的基本单位Tensor（也称为张量），及一系列与Tensor有关的函数。
朝野星夜·2025-07-03 18:21

linux系统编程——Makefile、GDB调试

Makefilemakefile定义了一系列的规则来指定哪些文件需要先编译，哪些文件需要后编译，哪些文件需要重新编译，甚至于进行更复杂的功能操作，因为makefile文件就像一个shell脚本一样，也可以执行操作系统的命令
舒克起飞了·2025-07-03 18:18

嵌入式开发学习日志Day14（ARM体系架构——RTC及ADC)

原理图：二、ADC2.1基本概念ADC(模拟数字转换器)：用于将连续变化的模拟信号转换为离散的数字信号以便数字系统对它进行处理；模拟信号：一般指连续变化的电压信号，其值在一定范围内变化；数字信号：由一系列离散数字表示仅取有限值
·2025-07-03 17:45
上一页 25 26 27 28 29 30 31 32 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他