整理了一下之前写的深度学习基础知识文章，方便浏览！1.pytorch基础学习系列文章，里面代码和示例《PyTorch深度学习实践》05用PyTorch实现线性回归《PyTorch深度学习实践》06用PyTorch实现Logistic回归《PyTorch深度学习实践》07加载数据集《PyTorch深度学习实践》08加载数据集《PyTorch深度学习实践》09多分类问题《PyTorch深度学习实践》10CNN基础（GPU版本）《PyTorch深度学习实践》11CNN高级_Inception块（GPU版本）《PyTorch深度学习实践》11CNN高级_ResidualBlock块（GPU版本）《Py

python-OSError：错误没有名为[‘pytorch_model.bin’]自己训练的模型存储好了以后model=MT5ForConditionalGeneration.from_pretrained(“ner/best”)之前还可以跑现在报错错误没有名为[‘pytorch_model.bin’]还原了一下condaenv把四版变成三版了所以如果遇到类似问题要倒过来恢复成功

【PyTorch】进阶学习：探索BCEWithLogitsLoss的正确使用—二元分类问题中的logits与标签形状问题🌈个人主页：高斯小哥🔥高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程👈希望得到您的订阅和支持~💡创作高质量博文(平均质量分92+)，分享更多关于深度学习、PyTorch、Python领域的优质内容！（希望得到您的关注~）🌵文章目录🌵🧠一、理解二元分类与BCEWithLogitsLoss💡二、logits与标签的形状匹配问题🔧三、解决形状匹配问题的策略🔍四、常见问题与解决方案🤝五、期待与你共同进步🚀结尾💡

前言相信大家在学习新的知识前都遇到过开发环境安装不上，或者环境冲突和版本不匹配的情况，另外当我们想要安装多个版本的支持库时，在本地环境上直接安装往往会导致版本冲突的情况，如果我们使用虚拟机或者WSL技术新建一个完整系统，这又往往需要耗费很长时间，同时在我们学习深度学习等相关技术时，我们需要使用到显卡进行计算，虚拟机调用显卡很不方便，同时CUDA、cuDNN、cuBLAS、TensorRT等GPU计算支持库都有强版本依赖，手动安装需要耗费很长时间，因此本文介绍通过docker的容器技术来实现使用Nvidia官方提供的镜像库创建 container容器。一、前期准备本文将以创建一个包含python

挺多小伙伴问过PyTorch该怎么学，经过长期实践来看，初学者需要熟知的概念和用法真的不多，以下总结的简明指南一起看看吧！构建TensorPyTorch中的Tensors是多维数组，类似于 NumPy 的 ndarrays，但可以在GPU上运行：importtorch#Createa2x3tensortensor=torch.tensor([[1,2,3],[4,5,6]])print(tensor)动态计算图PyTorch使用动态计算图，在执行操作时即时构建计算图，这为在运行时修改图形提供了灵活性：#Definetwotensorsa=torch.tensor([2.],requires_g

LLMs之Llama270B：使用PyTorchFSDP微调Llama270B实现全部过程讲解之详细攻略目录使用PyTorchFSDP微调Llama270B引言FSDP工作流使用的硬件微调LLaMa270B面临的挑战解决上述挑战，微调出一个70B的模型准备工作微调应对挑战1应对挑战2应对挑战3注意力机制的性能瓶颈算子融合综合运用所有手段训练损失曲线总结使用PyTorchFSDP微调Llama270B地址文章地址：https://huggingface.co/blog/ram-efficient-pytorch-fsdp时间2023年9月13日作者SourabMangrulkarSylvainG

文章目录写在前面深度学习推荐图书内容简介作者简介推荐理由粉丝福利写在最后写在前面本期博主给大家推荐一本深度学习的全新正版书籍，感兴趣的小伙伴快来看看吧~深度学习深度学习是机器学习的一个分支，它模仿人脑神经网络的工作原理进行复杂的数据处理和模式识别。在计算机科学中，深度学习通过构建多层非线性模型，对输入数据逐层进行特征提取与转换，从而达到对数据的高层抽象理解。深度学习的核心在于“深度”二字，即其神经网络结构通常包含多个隐藏层。每一层的神经元通过对前一层输出的加权求和并经过激活函数处理后，生成更高级别的特征表示，直至输出层生成最终结果。这种分层的学习过程使得模型能够自动从原始数据中提取关键特征，无

文章目录一、向量范数1.定义及性质2.常见的向量范数l1l_1l1​范数（曼哈顿范数）∥x∥1=∑i=1n∣xi∣\|x\|_1=\sum_{i=1}^{n}|x_i|∥x∥1​=i=1∑n​∣xi​∣l2l_2l2​范数（欧几里得范数）∥x∥2=∑i=1nxi2\|x\|_2=\sqrt{\sum_{i=1}^{n}x_i^2}∥x∥2​=i=1∑n​xi2​​l∞l_\inftyl∞​范数（无穷范数）∥x∥∞=max⁡1≤i≤n∣xi∣\|x\|_\infty=\max_{1\leqi\leqn}|x_i|∥x∥∞​=1≤i≤nmax​∣xi​∣lpl_plp​范数（p范数）∥x∥p=(∑

【图像分类】【深度学习】【轻量级网络】【Pytorch版本】EfficientNet_V2模型算法详解文章目录【图像分类】【深度学习】【轻量级网络】【Pytorch版本】EfficientNet_V2模型算法详解前言EfficientNet_V2讲解自适应正则化的渐进学习(ProgressiveLearningwithadaptiveRegularization)EfficientNet_V2的模型结构SE模块(SqueezeExcitation)反向残差结构MBConv反向残差结构FusedMBConv反向残差结构组StageEfficientNet_V2Pytorch代码完整代码总结前言E

本文经自动驾驶之心公众号授权转载，转载请联系出处。写在前面&笔者的个人理解在过去的二十年里，SLAM领域的研究经历了重大的发展，突出了其在实现未知环境的自主探索方面的关键作用。这种演变从手工制作的方法到深度学习时代，再到最近专注于神经辐射场（NeRFs）和3D高斯泼溅（3DGS）表示的发展。我们意识到越来越多的研究和缺乏对该主题的全面调查，本文旨在通过辐射场的最新进展，首次全面概述SLAM的进展。它揭示了背景、进化路径、固有优势和局限性，并作为突出动态进展和具体挑战的基本参考。相关背景现有SLAM综述回顾SLAM有了显著的增长，诞生了各种各样的综合论文。在早期阶段，达兰特-怀特和贝利介绍了SL