哈工大博士历经两年制作的PyTorch笔记！让你一篇笔记搞懂PyTorch！

最新推荐文章于 2026-06-25 17:45:04 发布
原创 最新推荐文章于 2026-06-25 17:45:04 发布 · 216 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#pytorch #人工智能 #机器学习 #深度学习 #神经网络
#AI
Qwen3-32B-Chat 私有部署镜像 | RTX4090D 24G 显存 CUDA12.4 优化版

Qwen3-32B-Chat 私有部署镜像 | RTX4090D 24G 显存 CUDA12.4 优化版

Qwen
文本生成
Qwen3

本镜像基于 RTX 4090D 24GB 显存 + CUDA 12.4 + 驱动 550.90.07 深度优化，内置完整运行环境与 Qwen3-32B 模型依赖，开箱即用。

Pytorch是目前常用的深度学习框架之一，它凭借着对初学者的友好性、灵活性，发展迅猛，它深受学生党的喜爱，我本人也是使用的Pytorch框架。

比起 TF 的框架环境配置不兼容，和 Keras 由于高度封装造成的不灵活，PyTorch 无论是在学术圈还是工业界，都相当占优势。不夸张地说，掌握了 PyTorch ，就相当于走上了深度学习、机器学习的快车道。

作为一名AI博主，收到小伙伴们最多的的问题之一就是「有没有关于Pytorch函数使用的学习资料？」

所以，我们团队花费了几个月，整理了这一份目前最全的Pytorch常用函数手册，内含超200个常用函数，是居家旅行、深度学习、发表论文必备工具。

图片

本手册中分为14章，从最基础的创建张量开始，逐步加深，涵盖小伙伴们将会所有常用的函数。

👇扫码下方二维码

添加小助手，即可获取pdf电子版资源。

主要内容

图片

手册中部分内容展示：

图片

图片

图片

PDF中含有更多精彩内容……

您可能感兴趣的与本文相关的镜像

Qwen3-32B-Chat 私有部署镜像 | RTX4090D 24G 显存 CUDA12.4 优化版

Qwen3-32B-Chat 私有部署镜像 | RTX4090D 24G 显存 CUDA12.4 优化版

Qwen
文本生成
Qwen3

本镜像基于 RTX 4090D 24GB 显存 + CUDA 12.4 + 驱动 550.90.07 深度优化，内置完整运行环境与 Qwen3-32B 模型依赖，开箱即用。

GUPAOAI
关注
【人工智能专题】用 PyTorch + RNN 训练语义模型：从原理到实战的完整指南
weixin_42260382的博客
06-24 358
本文介绍了使用PyTorch和RNN进行语义建模的完整指南。首先分析了RNN家族（基础RNN/LSTM/GRU）的数学原理和优缺点，重点讲解了LSTM的门控机制如何解决长序列依赖问题。接着提出了端到端的语义模型系统架构，包含数据预处理、词嵌入层、RNN编码器、分类头等模块。文章还提供了环境安装指南，建议使用PyTorch 2.0+版本，并比较了不同RNN变体在参数量、计算效率和准确率方面的表现。最后强调了梯度裁剪、学习率调度等训练优化技巧，为NLP学习者提供了从理论到实践的完整解决方案。
#从零到一搭建微博情感分类系统：基于BiLSTM的PyTorch完整实战教程【3W字保姆级详解】
2401_88566519的博客
06-24 328
项目使用的是0 → 喜悦1 → 愤怒2 → 厌恶3 → 低落每条数据由两部分组成：第一列为标签（0-3的数字），第二列为微博文本内容。数据集为字符级处理，无需分词，直接按汉字拆分即可。为什么使用字符级而非词语级？对于中文短文本（如微博），字符级处理可以规避分词错误带来的误差，且词表规模更小，模型训练更快，非常适合入门级情感分类任务。函数定义与文档字符串函数接收三个参数：语料文件路径、词表最大尺寸、最低词频。文档字符串清晰说明了函数功能和参数含义，这是工程化代码的好习惯。
我的第三个pytorch人工智能程序(训练成功cifar100，如何识别一张网络图片？)
ganggangwawa的博客
06-23 200
'tank85坦克', 'telephone86电话机', 'television87电视机', 'tiger88老虎', 'tractor89拖拉','train90火车','trout91鳟鱼', 'tulip92郁金香', 'turtle93乌龟', 'wardrobe94衣柜','bowl10碗', 'boy11男孩', 'bridge12桥', 'bus13公共汽车', 'butterfly14蝴蝶',
PyTorch强化学习实战（15）——Dueling DQN
盼小辉丶的博客
06-22 361
本文介绍了 Dueling DQN 的核心思想——将Q网络分解为状态价值流和动作优势流，通过显式建模两者关系提升学习效率。从经典 DQN 的局限性出发，详细解析了 Dueling Network 的架构设计、数学原理及实现细节，并通过减去优势均值的技巧确保网络正确学习。实验结果表明，该架构相比经典 DQN 具有更快的收敛速度，且优势值稳定在零均值附近，验证了设计的有效性。
神经网络入门教程：前向传播与反向传播详解
m0_73593563的博客
06-22 1007
神经网络（简称：ANN）是一种受人脑神经元连接方式启发而设计的机器学习模型，它通过大量相互连接的“神经元”来处理数据、提取特征并完成预测或判断。简单来说，神经网络会接收输入数据，例如图片、文字、声音或数字信息，然后经过一层或多层隐藏层的计算，把原始数据逐步转换成更有意义的特征，最后在输出层给出结果。它并不是依靠人手动编写固定规则来解决问题，而是通过大量样本数据进行训练，在不断比较预测结果和真实答案的差距后，自动调整内部的权重和偏置，使模型的预测越来越准确。
PyTorch：深度学习领域的主流框架
alphacoder123的博客
06-21 188
PyTorch是由Meta开源的深度学习框架，凭借动态计算图、Python优先设计和GPU加速张量计算等特性，成为当前使用率最高的深度学习工具。其动态图机制便于调试，Python原生接口降低了学习成本，同时支持与科学计算库无缝集成。PyTorch还通过底层优化提升性能，并具有出色的扩展性。活跃的社区和丰富的资源使其覆盖从研究到部署的全场景，成为兼顾灵活性与性能的理想选择。
基于 MoonBit 的开源深度学习训练框架MoonXi-net ，性能达 PyTorch 2 倍
最新发布
m0_74743788的博客
06-25 218
近期，MoonBit 社区开发者、清华大学计算机科学与技术博士Kaiwei Li开发了开源项目：深度学习训练框架MoonXi-net。这是一个基于 MoonBit 构建、采用 Tagless Final 架构设计、支持 CPU/GPU 多后端扩展的训练框架项目。在不到一个月的业余开发时间里，开发者借助国产大模型与开源 Agent 工具链完成了框架原型设计、训练系统搭建、GPU 支持与性能优化。项目不仅验证了 MoonBit 构建复杂系统软件的能力，也展示了 AI 辅助开发在系统级项目中的实践潜力。
学习词嵌入
qq_52122048的博客
06-22 274
embed 是word2vec的思想，把词典里one-hot编码的字或者词，变成预训练（可能需要微调）的词向量 onehot是最简单的一种embedding，复杂的word2vec之类的可以有更好的语义表达 embed就是对onehot的降维。维度大小无所谓，看你预料训练时神经元设置的大小（这个就是最后词的结果），使用embedding训练数据的时候，改一下紧跟embedding层的网络层中输入参数的大小就可以了。其实就是查表 这个就是嵌入层最精妙的地方，保留了稀疏矩阵的优点，又增加词的可用性。
我的第二个pytorch人工智能程序(最简单的方式训练cifar100)
ganggangwawa的博客
06-23 250
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 注意不要放到 前面。L += loss.data.item() # loss是tensor，想让L保持float所以要写成loss.data.item()transforms.Normalize((0, 0, 0), (1, 1, 1)), #R,G,B每层的归一化用到的均值和方差。x = x.to(device) # 记得前面的”x = “否则没转换。
C# 与 PyTorch 互操作：TorchSharp 实战指南
痴迷于AI技术，AI 生态的小猿猴
06-20 385
TorchSharp是PyTorch的.NET绑定，基于libtorch 2.10.0构建，让开发者能在C#中使用与Python PyTorch相同的深度学习引擎。从环境搭建讲起，详细介绍了TorchSharp的安装配置、神经网络构建（继承式和Sequential两种方式）、梯度下降原理、autograd机制和优化器选择。文章通过MNIST分类器实战案例，展示了完整的训练流程和内存管理技巧。
PyTorch张量操作：从入门到精通
2601_95045387的博客
06-23 221
本文是PyTorch学习笔记，重点介绍了张量(Tensor)的基础操作。主要内容包括：1）PyTorch定位与核心概念；2）张量的多种创建方法（empty/rand/zeros等）及属性（形状、数据类型等）；3）基本运算如加法（4种实现方式）和索引切片；4）形状变换view()和标量取值item()；5）完整实操代码示例，涵盖张量创建、运算和属性查询。特别强调in-place操作以_为后缀，以及view()共享内存的特性。通过该笔记可快速掌握PyTorch张量核心操作，为深度学习实践打下基础。
【深度学习框架】：PyTorch 和 TensorFlow 对比，深度学习框架该怎么选？
一只努力学习的小碗~
06-24 237
PyTorch与TensorFlow深度学习框架对比，描述多方面对比：核心对比、生态对比、优缺点等提供对比推荐。
PyTorch计算机视觉（1）——计算机视觉的数学工具
盼小辉丶的博客
06-19 259
本节介绍了计算机视觉中的关键数学工具，包括概率分布(二项分布、高斯分布)、香农熵、KL 散度、交叉熵和 Jensen 不等式。通过贝叶斯定理和最大似然估计，可推导出模型训练的损失函数，如交叉熵和均方误差。文中还讨论了过拟合问题及其缓解方法(如岭回归)，并通过期望最大化算法演示了如何从数据中估计概率密度函数。这些概念为图像生成、分类等计算机视觉任务提供了理论基础。
pytorch正常加载cifar100并确认类别（学习python）
ganggangwawa的博客
06-23 216
' 30海豚 ',' 31大象', '32母老虎 ', ' 33森林','34狐狸',' 35女孩','36负鼠 ', ' 37房子 ', '38水獭 ',' 39键盘 ',= (' 0苹果 ', ' 1水族馆的鱼 ',' 2宝贝 ',' 3熊 ','4豪猪 ', ' 5 床 ', ' 6蜜蜂 ',' 7甲虫 ',' 8自行车 ',' 9瓶子 ',
PyTorch三方组件快速适配深度解读
喜欢打篮球的普通人
06-25 39
现象：编译报，比如float2和float的乘法运算符在两个头文件里都有定义。修法// 只在非 HIP 环境下生效的自定义实现#endif版本对齐是第一要务：DTK、PyTorch、FastPT 三个版本必须对得上，去 DAS 社区的 FastPT 仓查版本对应表。-C和-E各司其职-C管编译，-E管运行。编译好的 whl 包在新环境部署时只需-E，别手贱再跑一次-C。第一个 error 是关键：编译报错一堆时，优先解决第一个 error。后续的错往往是第一个引起的连锁反应。
PyTorch强化学习实战（16）——Categorical DQN
盼小辉丶的博客
06-25 450
分布强化学习通过建模完整的回报分布，突破了传统算法仅关注期望价值的局限。本节详细阐述了 Categorical DQN 核心原理：将价值分布表示为固定区间内的离散原子，通过投影操作实现贝尔曼算子的分布版本，并采用 KL 散度作为损失函数。实现上，网络输出每个动作对应原子的概率分布，通过 distr_projection 函数完成分布投影。
【从零开始大模型开发与微调:基于PyTorch与ChatGLM】(从MNIST到自定义神经网络框架:把PyTorch2.0的训练流程真正拆开)
承渊政道的博客
06-20 1017
本文介绍了MNIST手写体识别的实战过程。首先通过NumPy获取MNIST数据集，解释了标签的one-hot编码原理及其实现方法，包括Python原生、NumPy和PyTorch三种实现方式。接着详细演示了如何使用PyTorch 2.0框架构建手写体识别模型，重点讲解了数据预处理、模型构建和训练流程。文章还展示了如何将原始标签转换为one-hot形式，并提供了完整的代码示例。通过本实战，读者可以掌握深度学习框架的基本使用方法和MNIST分类任务的完整实现过程。
【图像生成】GAN 原理 & pytorch代码实例 （学习）
早起CaiCai的学习空间
06-22 239
这篇文章摘要如下： 本文介绍了一种基于DNN的简单图像生成方法，用于生成MNIST数字图像。模型接收标签和随机噪声作为输入，通过嵌入层、全连接层和转置卷积层生成图像。文章详细阐述了模型架构设计思路，包括标签嵌入、潜在向量拼接等关键步骤，并提供了完整的PyTorch实现代码。模型训练采用MSE损失函数，通过可视化结果展示了生成效果。虽然DNN方法存在明显缺陷，但该实现为理解生成式模型提供了基础框架，演示了从条件输入到图像生成的基本流程。代码包含数据加载、网络定义、训练循环和结果可视化等完整模块。
详解AI-Agent中的MCP（Model Context Protocol），与function call的区别与联系
m0_60827485的博客
06-24 433
摘要： MCP（Model Context Protocol）与Function Call在工业级AI-Agent架构中存在本质差异。Function Call是模型调用工具的具体动作（如结构化指令执行），而MCP是管理工具调用与上下文的协议层，相当于AI Agent的“操作系统”。 核心区别： 抽象层级：Function Call关注单次工具调用（动作层），MCP管理多轮调度、状态、权限等（协议层）。 能力范围：MCP涵盖上下文治理、工具路由、记忆管理等，Function Call仅解决“调用哪个函数”。
破局异构算力与多协议接入：基于 Docker 与 GB28181/RTSP 的边缘计算 AI 视频管理平台架构解析
m0_65443681的博客
06-25 168
该平台针对行业痛点提出三大创新解决方案：1）异构算力解耦，通过容器化技术实现X86/ARM架构及GPU/NPU芯片的跨平台适配，硬件抽象层设计使算法迁移效率提升95%；2）多协议流媒体融合引擎，支持GB28181/RTSP等主流协议及H.265/4K视频解析，实现品牌设备统一接入；3）闭环AI生态，集成算法商城、数据标注、可视化大屏及全渠道告警系统，提供从标注到推理的完整工作流。平台采用微服务架构，支持源码交付和OEM定制，显著降低二次开发成本，适用于智慧城市、工业视觉等场景的私有化部署需求。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值