个人技术分享

要想了解一个模型的效果，对模型进行一些评测，或去评估是否能解决业务问题时，首要任务是如何将模型跑起来。目前有较多方式运行模型，提供client或者http能力。

基于 PyTorch 实现目标检测、实例分割（语义分割）、全景分割、半监督对象检测多种检测任务

变分自编码VAE基础

Win11 cuda,cudnn,pytorch环境安装

本文将讨论利用PyTorch实现梯度下降法的细节。这是神经网络模型的共同工程基础。

在 PyTorch 中，数据集和数据加载器是用于有效加载和处理数据的重要组件，特别是在训练深度学习模型时。

python-pytorch seq2seq+luong general attention笔记1.0.2

卷积报错：AttributeError: 'Conv2d' object has no attribute 'total_ops', Only Tensors created explicitly by the user (graph leaves) support the deepcopy protocol at the moment

仅记录个人学习。

PyTorch中的形状变换术：reshape、view与permute的区别与联系

本周学习了如何使用Pytorch识别车牌。

在前文【Pytorch】13.搭建完整的CIFAR10模型我们已经知道了基本搭建神经网络的框架了，但是其中的数据集使用的中的CIFAR10官方数据集进行训练的本文将用图片格式的数据集进行训练我们通过可以看到我们下载的数据集是这种格式的，所以我们的主要问题就是如何将自定义的数据集获取，并且转化为这种形式，剩下的步骤就和上文相同了。

基于Pytorch深度学习神经网络手写字母识别系统源码（带界面和手写画板）

Transformer用于分档分类

在本文中，我们将一个CSV文件转换为数据对象，然后使用PyTorch为节点分类任务构建基于图的神经网络。并且训练了两种不同类型的神经网络——多层感知器(MLP)和图卷积网络(GCN)。结果表明，GCN模型在该数据集上的表现明显优于MLP模型。本文介绍的主要流程是我们训练图神经网络的基本流程，尤其是前期的数据处理和加载，通过扩展本文的基本流程可以应对几乎所有图神经网络问题。作者：Claudia Ng。

该博客仅用于记录一下自己的代码，可与c++实现作为对照。

SNLIBERTDataset类处理SNLI数据库的数据，用于BERT的使用，分词数据集中的前提和假设，并创建相应的令牌ID和段ID作为模型的输入。- 使用`d2l`的`train_ch13`函数来训练模型，传入定义的网络、训练和测试迭代器、损失函数、训练器、训练周期数和设备配置。10. 使用定义的训练迭代器、损失函数、优化器以及`d2l`提供的训练工具来对SNLI数据库中的BERT分类器模型进行训练。2. 从指定的`d2l.DATA_HUB`下载预训练模型（BERT基础版和BERT小型版）。

说在前面：这篇是记录贴，因为被配置环境折磨了大半天，所以记录下来下次方便配置，有点像流水账，有不懂的地方可以评论问。参考文章：环境：系统：Windows11显卡：1660Ti。

标量也叫0D张量，一个标量就是一个数，它只有大小，没有方向。

标量也叫0D张量，一个标量就是一个数，它只有大小，没有方向。