GPU训练第19页

TensorFlow Lite (TFLite) 和 PyTorch Mobile介绍2

PyTorchMobile两大轻量化框架的核心用途、典型应用场景及在嵌入式开发中的实际价值对比，结合你的OrangePiZero3开发板特性进行说明：TensorFlowLite(TFLite)核心用途嵌入式设备推理：将训练好的

追心嵌入式·2025-06-25 20:18

大语言模型全流程开发技术详解：从架构、训练到对齐与量化

github：https://github.com/mlabonne/llm-course大语言模型全流程开发技术详解：从架构、训练到对齐与量化大模型实战指南：多模型生态实战与论文解读一、LLM架构（TheLLMarchitecture

艾墨舟启航·2025-06-25 20:46

梯度增强与XGBoost算法解析

**梯度增强**属于Boosting家族，核心思想是**串行训练模型，每一步修正前序模型的残差**，最终形成强预测器。###1.2算法核心流程1.**初始化基模型**：用常数（如目标变量均值）预测。

weixin_47233946·2025-06-25 20:15

torch-gpu版本 anaconda配置教程

教程Pytorch的GPU版本安装，在安装anaconda的前提下安装pytorch_pytorch-gpu-CSDN博客版本对应PyTorch中torch、torchvision、torchaudio

GXYGGYXG·2025-06-25 20:43

Python与MediaPipe实现实时手势数字识别项目源码

通过收集手势数据、提取特征、选择模型、训练及优化，实现从视频流中实时识别手势并将其转换为数字的功能。

盛艺小豆丁·2025-06-25 19:40

线程池中的线程数量设置为多少比较合适？

机器学习和人工智能：神经网络训练、深度学习。金融分析：量化分析、高频交易。图像和视频处理：视频编辑、编码解码。编译器和代码分析：代码编译、大型软件项目

Mutig_s·2025-06-25 17:57

可商用的AI训练数据哪里找？工程师亲测有效的解决方案

一、为什么90%的AI项目卡在数据关？根据Gartner2024年AI实施调查报告显示：67%的企业在AI项目初期面临数据不足或质量低下问题52%的项目因数据版权纠纷导致延期（来源：IDC《全球AI合规白皮书》）自建标注团队成本高达$35/小时（麦肯锡2023年标注行业调研）二、为什么商用AI数据这么难找？做AI项目的工程师最常遇到的三大难题：网上开源数据不能用数据杂乱，清洗要花80%时间很多数据

MyLadyShuShu·2025-06-25 17:24

OpenAI Agents SDK 客户服务应用案例

以下是一些典型应用案例及实现方法：智能问答助手通过OpenAIAgentsSDK训练一个基于知识库的问答助手，自动回答客户常见问题。可集成到网站、APP或社交媒体平台，提供24/7服务。

lyh1344·2025-06-25 15:11

高效能服务器选择关键因素

场景适配及成本效益四大维度，以下是关键因素分析：一、核心硬件性能指标‌处理器（CPU）‌架构与核心数‌：多核CPU（如AMDEPYC9004系列或IntelXeonPlatinum8480+）支撑高并发任务，AI训练场景需

·2025-06-25 15:40

OSS与NAS混合云存储架构：非结构化数据统一管理实战

AI训练集管理面临的核心挑战：数据规模爆炸式增长与访问模式多样化的矛盾。

·2025-06-25 15:39

【AI论文】Sekai：面向世界探索的视频数据集

然而，现有的视频生成数据集并不适合用于世界探索训练，因为它们存在一些局限性：地理位置有限、视频时长短、场景静态，以及缺乏关于探索和世界的注释信息。

东临碣石82·2025-06-25 14:00

60天python训练营打卡day38

学习目标：60天python训练营打卡学习内容：DAY38Dataset和Dataloader类知识点回顾：1.Dataset类的__getitem__和__len__方法（本质是python的特殊方法

tan90�=·2025-06-25 13:53

60天python训练营打卡day20

学习目标：60天python训练营打卡学习内容：DAY20奇异值SVD分解奇异值分解这个理论，对于你未来无论是做图像处理、信号处理、特征提取、推荐系统等都非常重要，所以需要单独抽出来说一下这个思想。

tan90�=·2025-06-25 12:23

60天python训练营打卡day5

学习目标：60天python训练营打卡学习内容：DAY5独热编码题目：离散特征的独热编码先按照示例代码过一遍，然后完成下列题目现在在py文件中一次性处理data数据中所有的连续变量和离散变量读取data

·2025-06-25 12:22

60天python训练营打卡day41

学习目标：60天python训练营打卡学习内容：DAY41简单CNN知识回顾1.数据增强2.卷积神经网络定义的写法3.batch归一化：调整一个批次的分布，常用与图像数据4.特征图：只有卷积操作输出的才叫特征图

tan90�=·2025-06-25 12:50

TeleScan PE

目录物理层深度剖析通道结构信号完整性关键技术链路训练（LinkTraining）协议层核心技术TLP（事务层包）结构虚拟通道管理原子操作（PCIe5.0+）硬件实现关键FPGA实现方案信号完整性设计规范总结

fei_sun·2025-06-25 12:20

预训练语言模型

预训练任务：通过掩码语言模型（MLM）学习上下文依赖。应用场景：文本分类、实体识别、语义匹配等NLU任务

lynnzon·2025-06-25 11:10

大模型学习（Datawhale_Happy-LLM）笔记4: 预训练语言模型

大模型学习（Datawhale_Happy-LLM）笔记4:预训练语言模型一、概述本章按Encoder-Only、Encoder-Decoder、Decoder-Only的顺序来依次介绍Transformer

lxltom·2025-06-25 11:09

预训练语言模型之：Encoder-only PLM

1.基础架构：TransformerEncoder所有模型的基石都是TransformerEncoder结构，其核心是自注意力机制：Attention(Q,K,V)=softmax(QKTdk)V\text{Attention}(Q,K,V)=\text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)VAttention(Q,K,V)=softmax(dk

抱抱宝·2025-06-25 10:36

【ICML2024】TimesFM：无需训练！时间序列预测迎来新纪元！

论文地址：https://arxiv.org/pdf/2310.10688代码地址：https://github.com/google-research/timesfm/为了更好地理解时间序列模型的理论与实现，推荐参考UP“ThePPP时间序列”的教学视频。该系列内容系统介绍了时间序列相关知识，并提供配套的论文资料与代码示例，有助于理论与实践相结合。https://space.bilibili.c

ThePPP_FTS·2025-06-25 10:06

Python 调用大模型：解锁人工智能的无限可能

大模型的定义（二）大模型的特点（三）大模型的原理（四）大模型的发展历史二、Python调用大模型的实现方法（一）使用OpenAIAPI设置API密钥定义提示文本调用OpenAIAPI输出生成的文本加载预训练模型和分词器

CarlowZJ·2025-06-25 10:04

服务器系统安装文档,服务器系统安装

服务器系统安装内容精选换一换Atlas800训练服务器(型号9000)安装上架、服务器基础参数配置、安装操作系统等操作请参见《Atlas800训练服务器用户指南(型号9000,风冷)》或《Atlas800

你细品品·2025-06-25 08:22

大模型在支气管哮喘慢性持续期全流程风险预测与治疗方案制定中的应用研究

诊断标准与方法三、大模型技术原理与应用现状3.1大模型的基本原理3.2在医疗领域的应用案例分析3.3适用于支气管哮喘预测的大模型选择四、大模型在支气管哮喘术前预测中的应用4.1数据收集与预处理4.2模型训练与验证

LCG元·2025-06-25 08:49

vllm docker容器部署大语言模型

它的目标是最大化推理吞吐量，并降低显存消耗，让大语言模型（LLMs）在单卡或多GPU服务器上运行得更高效。

zhangxiangweide·2025-06-25 07:15

创建vllm的docker镜像和容器

首先用docker启动一个容器，需求是将模型所在目录挂在到容器某个路径下，设置gpu的使用数量，设置端口dockerrun-dit--gpusall--ipc=host--namevLLM-p3001:

zhangxiangweide·2025-06-25 07:15

人像抠图学习笔记

BiseNetV2MODNetu2net:MODNet方法RobustVideoMatting实时视频抠图Modnet预测脚本Modnet效果有时比RobustVideoMatting好，在衣服分割时，backbone是mobilev2gpu512

AI算法网奇·2025-06-25 07:10

无线通信中的多智能体强化学习：基于CTDE-MAPPO的功率控制优化

无线通信中的多智能体强化学习：基于CTDE-MAPPO的功率控制优化摘要本文提出了一种基于集中训练分布式执行(CTDE)框架的多智能体近端策略优化(MAPPO)算法，用于解决无线通信网络中的分布式功率控制问题

pk_xz123456·2025-06-25 06:30

LeRobot: 让机械臂接入大模型

目标是降低机器人技术的准入门槛，以便每个人都可以从共享数据集和预训练模型中受益。LeRobot包含最

小众AI·2025-06-25 05:57

YOLO + OpenVINO 在英特尔平台部署实战：性能调优与跨架构加速全流程指南

YOLO+OpenVINO在英特尔平台部署实战：性能调优与跨架构加速全流程指南关键词：YOLOv5、YOLOv8、OpenVINO、英特尔部署、IR模型、异构加速、CPU推理、VPU、GPU、多设备调度

·2025-06-25 04:49

2025B卷 - 华为OD机试七日集训第1期 - 按算法分类，由易到难，循序渐进，玩转OD（Python/JS/C/C++）

哪吒·2025-06-25 02:38

微软ASR与开源模型分析

一、微软ASR核心能力1.支持场景场景功能实时语音转文本低延迟流式识别（会议字幕/直播转录）音频文件转文本支持多种格式（WAV/MP3等），批量处理长音频定制化模型针对特定行业术语（医疗/金融）训练专属模型多语言混合识别中英文混合

老兵发新帖·2025-06-24 23:45

大模型分布式训练deepspeed环境搭建

1.deepspeed介绍1.1简介DeepSpeed是一个由微软开发的开源深度学习优化库，旨在提高大规模模型训练的效率和可扩展性。

transformer变压器·2025-06-24 20:25

通义万相2.1技术深度解析

768维嵌入）改进型图像编码器（EfficientNet-B7+自注意力）扩散主干网络改进型U-Net架构（128层残差块）多尺度交叉注意力机制动态卷积核分配自适应噪声调度系统非线性噪声衰减算法分阶段训练策略分布式训

accurater·2025-06-24 20:52

如何高效训练通义万相2.1的LoRA：从原理到实战指南

本文将详细解析训练通义万相2.1LoRA的全流程，助你掌握定制专属AI艺术家的核心技能。一、认识通义万相2.1与LoRA1.1通义万相2.1核心特性多模态理解：精准解析复杂文本提示（

Liudef06小白·2025-06-24 20:50

Day 40训练

Day40训练PyTorch图像数据训练与测试的规范写法单通道图像的规范训练流程数据预处理与加载模型定义训练与测试函数封装模型训练执行彩色图像的扩展应用数据预处理调整模型结构调整关键要点总结知识点回顾：

Nina_717·2025-06-24 20:20

DAY 39 图像数据与显存

目录DAY39图像数据与显存1.图像数据的格式：灰度和彩色数据2.模型的定义3.显存占用的4种地方a.模型参数+梯度参数b.优化器参数c.数据批量所占显存d.神经元输出中间状态4.batchisize和训练的关系作业

HINOTOR_·2025-06-24 19:47

DAY 40 训练和测试的规范写法

目录DAY40训练和测试的规范写法1.彩色和灰度图片测试和训练的规范写法：封装在函数中2.展平操作：除第一个维度batchsize外全部展平3.dropout操作：训练阶段随机丢弃神经元，测试阶段eval

HINOTOR_·2025-06-24 19:16

使用Simulink结合MATLAB进行基于强化学习控制下的动态滤波器参数调节系统的仿真

目录一、背景介绍二、所需工具和环境三、步骤详解步骤1：定义系统需求示例：定义系统需求步骤2：准备强化学习环境步骤3：训练强化学习代理步骤4：创建Simulink模型步骤5：添加信号源步骤6：合并信号步骤

amy_mhd·2025-06-24 19:12

CUDA out of memory内存碎片解决方法

RuntimeError:CUDAoutofmemory.Triedtoallocate704.00MiB(GPU0;16.00GiBtotalcapacity;13.55GiBalreadyallocated

weixin_42319617·2025-06-24 17:28

PyTorch的Tensor与Variable的区别， detach的作用, with no_grad()

1.cuda()与cpu()用法:tensorA.cuda()#tensorA是一个tensor类型的变量作用：把tensorA从CPU移动到GPU，方便后续在GPU中计算用法：modelA.cuda(

半张紙·2025-06-24 17:26

预训练目标：BERT 更适配 “理解类” 任务

在NLP任务中，更倾向于用BERT而非GPT做预训练，核心原因与两者的模型设计、任务适配性、资源成本有关，具体可从以下维度拆解：一、预训练目标：BERT更适配“理解类”任务BERT的双向预训练目标：通过掩码语言模型

·2025-06-24 17:26

从7B到671B：DeepSeek R1大模型微调的GPU选型终极指南

这种指数级增长不仅考验硬件工程师的决策能力，更揭示了算力投资的核心法则：选错GPU的代价，远不止于训练失败——轻则增加30%推理延迟，重则造成百万级硬件成本的浪费。我们

卓普云·2025-06-24 17:54

使用预训练权重在YOLO模型上训练新数据集的完整指南

使用预训练权重在YOLO模型上训练新数据集的完整指南引言在目标检测领域，迁移学习已成为提升模型性能的关键技术。

马里马里奥-·2025-06-24 15:14

解决YOLO模型从Python迁移到C++时目标漏检问题——跨语言部署中的关键陷阱与解决方案

问题背景当我们将Python训练的YOLO模型部署到C++环境时，常遇到部分目标漏检问题。这通常源于预处理/后处理差异、数据类型隐式转换或模型转换误差。

马里马里奥-·2025-06-24 15:43

好用的小而美的AI Agent

Agent：提升开发效率三.小而美Agent分类1.通用Agent2.垂直Agent3.计算机使用智能体CUA4.可交互的Agent四.构建AIAgent的平台量身定制AIAgent步骤五.技术细节：训练方法一

晋丑丑·2025-06-24 14:38

20倍推理加速秘诀！揭秘批处理（Batching）的底层优化逻辑 | 附工业级调优指南

例如：单样本推理：输入=[样本1]→输出=[结果1]批处理推理：输入=[样本1,样本2,...,样本N]→输出=[结果1,结果2,...,结果N]关键技术价值：通过并行计算最大化硬件利用率，尤其对GPU

Lilith的AI星球·2025-06-24 14:07

Python训练营-day1

题目1：了解变量与输出题目：定义a、b、c的值，并输出这三个值输入：无输出：111a=1b=1c=1print(a)print(b)print(c)进阶思考：如何只用一行print输出a、b、ca,b,c=1,2,3print(a,"\n",b,"\n",c,"\n")输出结果：123明显不符合题意，问题出在：输出结果第二行与第三行比第一行多一个空格，是因为在print函数中，多个参数之间默认会用

HinoaMinoto·2025-06-24 13:00

Python训练营---DAY54

DAY54Inception网络及其思考知识点回顾：传统计算机视觉发展史：LeNet-->AlexNet-->VGGNet-->nceptionNet-->ResNetinception模块和网络特征融合方法阶段性总结：逐元素相加、逐元素相乘、concat通道数增加等感受野与卷积核变体：深入理解不同模块和类的设计初衷作业：一次稍微有点学术感觉的作业：对inception网络在cifar10上观察精

2501_91182850·2025-06-24 13:59

大模型在支气管哮喘急性发作期预测及治疗方案制定中的应用研究