PyTorch

PyTorch的10条原则为开发者提供了宝贵的指导，帮助他们在使用PyTorch进行深度学习时遵循最佳实践。这些准则涵盖了许多关键方面，如张量、动态计算图、自动微分、模块化神经网络。

在深度学习中，通常需要将数据从NumPy数组转换为PyTorch张量，并在训练模型之前对数据进行预处理。同样，在从PyTorch张量中获取数据结果进行分析时，也需要将其转换为NumPy数组。下面将详细描述如何在PyTorch和NumPy之间进行数据转换。

您是否需要等到像FlashAttention v2这样的重要特性在JAX、TensorFlow和PyTorch 上都可用后，才能在 Keras 中使用它？还是说您只能在某些特定后端中使用它？

您是否需要等到像FlashAttention v2这样的重要特性在JAX、TensorFlow和PyTorch 上都可用后，才能在 Keras 中使用它？还是说您只能在某些特定后端中使用它？

本文将讨论图像中只有一个感兴趣的对象的情况。这里的重点更多是关于如何读取图像及其边界框、调整大小和正确执行增强，而不是模型本身。

前面几篇文章介绍了特征归一化和张量，接下来开始写两篇PyTorch简明教程，主要介绍PyTorch简单实践。

在以前Pytorch只有一种量化的方法，叫做“eager mode qunatization”，在量化我们自定定义模型时经常会产生奇怪的错误，并且很难解决。但是最近，PyTorch发布了一种称为“fx-graph-mode-qunatization”的方方法。

“DeepFaceLab”项目已经发布了很长时间了，作为研究的目的，本文将介绍他的原理，并使用Pytorch和OpenCV创建一个简化版本。

图神经网络(gnn)是一类功能强大的神经网络，它对图结构数据进行操作。它们通过从节点的局部邻域聚合信息来学习节点表示(嵌入)。这个概念在图表示学习文献中被称为“消息传递”。

本文将手把手带你升级到PyTorch 2.0。

时间序列预测在金融、天气预报、销售预测和需求预测等各个领域发挥着至关重要的作用。PyTorch- forecasting是一个建立在PyTorch之上的开源Python包，专门用于简化和增强时间序列的工作。在本文中我们介绍PyTorch-Forecasting的特性和功能，并进行示例代码演示。

本文手把手教你用 PyTorch 辨别自然语言（附代码）。

加入 Linux 基金会后，PyTorch 不会有大的改变。

Grad-CAM (Gradient-weighted Class Activation Mapping) 是一种可视化深度神经网络中哪些部分对于预测结果贡献最大的技术。它能够定位到特定的图像区域，从而使得神经网络的决策过程更加可解释和可视化。

SimCLR（Simple Framework for Contrastive Learning of Representations）是一种学习图像表示的自监督技术。 与传统的监督学习方法不同，SimCLR 不依赖标记数据来学习有用的表示。 它利用对比学习框架来学习一组有用的特征，这些特征可以从未标记的图像中捕获高级语义信息。