- 博客(849)
- 收藏
- 关注
RSS订阅原创 ComfyUI 实操指南
《ComfyUI实操指南摘要》 ComfyUI是一款基于节点流程的生成式AI工具，支持文生图、图生视频等多模态创作，涵盖图像修复、扩图、高清放大等功能。指南介绍了快速启动方法：通过预置镜像创建实例，建立SSH隧道连接后访问Web界面。模型管理方面，支持本地模型上传和Moark云端模型调用。进阶功能包含RemoteNode服务，允许低算力环境使用云端资源执行复杂任务。平台提供完整工作流示例，适用于电商设计、短视频制作等场景。
2026-03-19 10:57:33
399
原创 魔力方舟ZeroClaw 实践指南
《ZeroClaw快速安装指南》介绍了在模力方舟国产算力容器环境中的安装流程。首先选择燧原S60或沐曦曦云C500算力并创建实例，配置SSH密码。然后获取模力方舟API密钥并添加到配置文件。通过终端启动ZeroClaw网关后获取配对码，建立SSH隧道实现本地访问。最后通过Dashboard界面与AI助手交互，支持代码生成、信息查询等功能。该指南详细说明了从环境准备到实际使用的完整步骤，特别针对国产算力环境提供了具体配置方案。
2026-03-19 10:55:28
608
原创 魔力方舟OpenClaw 实践指南
《OpenClaw实践指南》介绍了在模力方舟算力环境中快速部署OpenClaw的方法。主要内容包括：1）选择燧原S60或沐曦曦云C500算力并创建实例；2）通过Jupyter终端启动OpenClaw网关服务；3）在本地建立SSH隧道连接云端服务；4）访问WebUI界面并进行模型配置。指南建议将轻量级任务部署在云端，本地通过浏览器访问，实现"国产算力+国产模型"的低成本灵活应用。该方案支持随时调整算力规格，适合多样化应用场景。
2026-03-19 10:53:58
576
原创 飞桨环境部署
本文介绍了PaddlePaddle分布式训练的环境部署方案。主要内容包括：1) 支持Linux系统下的CPU/GPU/XPU等多种硬件环境；2) 推荐使用Docker容器部署，多机环境建议采用Kubernetes集群管理；3) 详细说明了裸机部署和Kubernetes安装paddle-operator的步骤；4) 提供了PS和Collective两种分布式模式的配置示例；5) 针对常见问题如分布式启动验证、GPU配置、弹性训练等给出解决方案。文章重点阐述了从单机到分布式、从裸机到容器化部署的全流程指导，为不
2026-03-16 12:59:43
449
原创 分布式训练简介
摘要：分布式训练技术已成为深度学习领域应对大规模数据和模型训练的关键解决方案。本文介绍了两种主要训练模式：集合通信模式适用于CV/NLP等稠密参数模型，通过数据并行、参数切片等技术实现高效训练；参数服务器模式则针对搜索推荐等稀疏参数场景，采用中心化参数管理方式。飞桨框架在此基础上研发了多项领先技术，包括4D混合并行、异构多云训练、通用参数服务器等，在MLPerf等基准测试中展现出卓越性能，支持了文心等千亿参数大模型的训练，最高可达传统方法2.1倍的训练效率。这些技术创新有效解决了大规模模型训练中的显存瓶颈、
2026-03-13 09:20:38
563
原创 模型自动化压缩工具（ACT）
模型自动化压缩工具（ACT）通过量化、蒸馏、剪枝等技术实现深度学习模型的小型化，显著提升推理速度并降低资源消耗。相比传统手工压缩，ACT具有三大优势：解耦训练代码实现零代码修改，全流程自动优化简化操作流程，支持多种压缩算法灵活组合。实际测试显示，在MobileNetV1等模型上，压缩后精度损失小于0.1%，推理速度提升1.4-7.1倍。该工具支持飞桨和PyTorch框架，提供硬件感知优化和超参自动搜索功能，使模型压缩效率提升50%以上，为端侧部署和低碳计算提供有效解决方案。
2026-03-13 09:19:01
527
原创 服务器部署 — Paddle Inference
Paddle Inference 是飞桨的原生推理库， 作用于服务器端和云端，提供高性能的推理能力。由于能力直接基于飞桨的训练算子，因此 Paddle Inference 可以通用支持飞桨训练出的所有模型。Paddle Inference 功能特性丰富，性能优异，针对不同平台不同的应用场景进行了深度的适配优化，做到高吞吐、低时延，保证了飞桨模型在服务器端即训即用，快速部署。一些常见的文档链接如下：代码示例位于点此点此。
2026-03-13 09:16:58
402
原创 飞桨动态图和静态图支持语法
本文介绍了飞桨动转静功能的语法支持情况，提供语法速查表。主要内容包括：1)支持的控制流语法如if-else、while、for循环及其转换规则；2)支持的运算符和类型转换；3)支持的Python函数调用和容器操作，如print、len、list、dict等；4)部分支持的Paddle shape函数。同时指出了不支持的语法如递归调用、list多重嵌套和sort操作等。针对常见错误提供了修改指南，帮助用户排查转换问题。该文档适用于不确定模型能否转换、遇到转换问题或需要适配语法的场景。
2026-03-07 09:09:57
460
原创 在飞桨框架内部动转静模块转换原理
飞桨框架的动转静技术通过AST解析和代码转写实现动态图到静态图的转换。主要包括：1）InputSpec处理输入数据；2）递归转写函数调用；3）转换控制流语句；4）转换Layer参数。转换过程分为AST解析、代码转写、生成静态图Program和执行四个阶段。其中控制流转换会根据是否依赖Tensor决定是否转为静态图控制流OP。动转静还处理了动态图Tensor到静态图Value的类型转换，并支持将Buffers变量保存到预测模型中。该技术通过装饰最外层函数即可自动处理所有子函数，实现了动态图编程体验与静态图执行
2026-03-07 09:08:50
524
原创 飞桨动态图和静态图使用样例
本文介绍了飞桨框架中的动态图与静态图转换（动转静）功能。动态图编程易用易调试但性能较低，静态图性能更优但调试困难。飞桨采用"动静统一"方案：训练时推荐使用动态图，部署时通过动转静转为静态图以获得更好性能。文章详细讲解了动转静训练的实现方法（添加装饰器或调用函数）、模型保存加载流程，以及InputSpec的使用方式。此外还介绍了计算图优化策略和混合精度训练等高级用法，帮助开发者在保持动态图易用性的同时获得静态图的性能优势。
2026-03-07 09:07:35
397
原创 飞桨模型转 ONNX 模型
摘要：本文介绍了如何将飞桨模型转换为ONNX格式。ONNX是一种开放的机器学习模型交换格式，支持跨框架部署。文章详细说明了Paddle2ONNX工具的安装方法，并提供了两种转换场景的教程：1) 将飞桨训练模型直接导出为ONNX格式；2) 将已保存的飞桨部署模型转换为ONNX。转换完成后，可通过ONNXRuntime进行模型验证和推理。文中还给出了MNIST手写数字识别和MobileNetV3分类模型的具体转换示例，包括模型检查、结果对比和使用ONNXRuntime进行推理的完整流程。最后提醒用户注意算子兼容
2026-03-06 07:44:41
430
原创 自定义Loss、Metric 及 Callback
本文介绍了飞桨框架中自定义Loss、Metric和Callback的方法。自定义Loss需继承paddle.nn.Layer类，实现__init__和forward方法；自定义Metric需继承paddle.metric.Metric类，实现name、update、accumulate等方法；自定义Callback需继承paddle.callbacks.Callback类，实现各训练阶段的回调方法。文中提供了交叉熵损失函数和准确率评估指标的具体实现示例，并展示了如何在模型训练中使用这些自定义组件。这些自定义
2026-03-04 12:58:26
376
原创 使用 paddle.nn.Layer 自定义网络
本文介绍了如何使用飞桨的paddle.nn.Layer自定义深度学习网络。首先通过MNIST数据集演示了从零构建神经网络的过程，包括参数初始化、网络结构设计、前向计算和反向传播。然后重点讲解了如何利用paddle.nn.Layer改进模型构建：1) 通过继承paddle.nn.Layer创建自定义层；2) 使用create_parameter自动管理参数；3) 访问和修改子层；4) 添加临时变量和Buffer变量；5) 保存和加载模型参数。文章还展示了如何利用飞桨预定义的层(如paddle.nn.Linea
2026-03-04 12:57:41
430
原创 自动微分机制介绍
本文介绍了PaddlePaddle的自动微分机制及其使用方法。主要内容包括：1）自动微分原理，通过反向传播自动计算梯度；2）使用示例，展示如何通过backward()实现自动微分；3）相关API说明，如stop_gradient属性、clear_grad()等；4）内部实现机制，通过trace记录前向OP并自动创建反向计算图。该机制让开发者只需关注前向传播，自动完成梯度计算和参数更新，大幅简化深度学习训练过程。
2026-03-04 12:56:08
456
原创 使用 Comate 加速飞桨编程
摘要：百度推出的文心快码（BaiduComate）基于文心大模型，为飞桨开发者提供AI编程助手功能。该工具支持自动/手动调起，具备五大核心能力：1）通用问答解决深度学习问题；2）智能代码补全；3）定制化飞桨代码生成；4）多框架代码转换（尤其优化PyTorch转换）；5）专业代码解释。通过自动检测import paddle或输入指令即可使用，显著提升飞桨开发效率，支持从代码编写到迁移的全流程需求。
2026-03-04 12:55:05
919
原创 自动微分机制介绍
本文介绍了PaddlePaddle框架的自动微分机制。主要内容包括：1)自动微分的基本原理，通过前向传播计算输出和损失，反向传播自动计算梯度；2)使用示例，展示如何通过backward()实现自动微分；3)相关API说明，包括stop_gradient属性、clear_grad()等；4)内部实现机制，解释飞桨如何通过追踪前向操作自动构建反向计算图。自动微分机制让开发者只需关注前向计算，框架自动完成梯度计算和参数更新，大幅简化了深度学习模型的开发流程。
2026-03-03 09:18:13
825
原创 使用 Comate 加速飞桨编程
摘要：百度推出基于文心大模型的"飞桨AI编程助手"，集成在文心快码(BaiduComate)中，为飞桨开发者提供智能编程支持。该助手提供五种核心功能：通用问答、代码补全、代码生成、跨框架代码转换(特别优化PyTorch转换)和代码解释，显著提升深度学习开发效率。用户可通过导入paddle自动触发或手动输入指令调起助手，支持文件级批量处理和交互式多轮对话，帮助开发者快速完成模型构建、训练等任务。
2026-03-03 09:16:35
640
原创 使用 VisualDL 可视化模型，数据和训练
本文介绍了如何使用飞桨可视化工具VisualDL来优化手写数字识别模型的训练过程。通过添加VisualDL接口，可以直观地观察训练数据、网络结构、参数变化、损失函数曲线等关键指标。具体包括：1) 使用add_image_matrix查看输入图像；2) 通过add_histogram跟踪模型参数分布；3) 利用add_scalar记录训练/测试集的损失和准确率；4) 使用add_pr_curve分析PR曲线。这些可视化功能帮助开发者更直观地理解模型训练过程，便于调试和优化。文中提供了完整的MNIST识别案例代
2026-03-03 09:07:13
966
原创 模型训练、评估与推理
摘要：本文介绍了使用飞桨框架进行模型训练、评估与推理的两种方法。高层API（如Model.fit、Model.evaluate、Model.predict）提供简洁接口，适合快速上手；基础API则提供更灵活的组件实现方式。文章以MNIST手写数字识别为例，详细展示了数据准备、模型封装、参数配置、训练过程、评估方法和推理验证的全流程。同时对比了两种API的实现差异，并指出它们可以混合使用。最后强调实际部署时可结合飞桨的推理部署工具满足不同环境需求。
2026-03-02 14:52:04
824
原创 飞桨模型组网
本文介绍了飞桨框架中模型组网的三种主要方法：直接使用内置模型、Sequential组网和Layer组网。内置模型适用于简单任务，Sequential适合线性网络结构，而Layer方式更灵活，可构建复杂网络。文章以LeNet为例演示了三种组网方式，并介绍了paddle.summary查看网络结构的功能。此外，还讲解了常用神经网络层(Conv2D、MaxPool2D、Linear、ReLU)和参数获取方法，为深度学习模型构建提供了实用指导。
2026-03-02 14:50:51
396
原创 数据预处理
摘要：本文介绍了数据增强在解决模型过拟合问题中的应用，重点以图像数据为例讲解预处理方法。首先介绍了飞桨框架paddle.vision.transforms模块提供的数十种图像处理方法（如裁剪、旋转、亮度调整等），并演示了单个和组合使用方式。其次说明了如何在内置数据集和自定义数据集中应用这些预处理方法，包括MNIST数据集示例。最后通过可视化对比展示了CenterCrop、RandomHorizontalFlip和ColorJitter等几种典型处理方法的效果，并指出不同数据类型需采用不同的预处理策略。
2026-02-28 09:35:27
619
原创 数据集定义与加载
本文介绍了深度学习模型训练中数据集的定义与加载方法，重点讲解了飞桨框架下的实现流程。主要内容包括：1）数据集定义，可通过内置数据集或自定义Dataset类实现；2）数据加载，使用DataLoader实现批处理、乱序和多进程读取；3）采样器使用，如顺序采样、随机采样和分布式采样。文章以MNIST数据集为例，详细展示了从数据预处理到批次加载的完整流程，并介绍了飞桨框架中的相关API如Dataset、DataLoader和各类采样器的使用方法。最后总结了数据集处理的整体流程，为模型训练做好数据准备。
2026-02-28 09:34:12
541
原创 Tensor 介绍
摘要：飞桨框架使用张量（Tensor）作为核心数据结构来表示神经网络中的数据。Tensor类似于Numpy的多维数组，但支持GPU加速计算和自动反向传播。本文详细介绍了Tensor的概念、创建方法（包括指定数据、形状、区间等方式）、基本属性（形状、数据类型、设备位置等）以及常用操作（数学运算、逻辑运算、线性代数等）。同时阐述了Tensor的广播机制和与Numpy数组的相互转换方法。Tensor提供了丰富的API支持深度学习任务，是飞桨框架中数据处理和计算的基础单元。
2026-02-28 09:33:07
676
原创 10分钟快速上手飞桨
本文介绍了如何使用飞桨框架快速完成手写数字识别任务。首先通过pip安装飞桨CPU版本，然后导入框架并加载MNIST数据集。使用内置的LeNet模型进行训练，配置Adam优化器和交叉熵损失函数，经过5轮训练后模型准确率达到98.6%。最后演示了模型保存、加载和推理过程，成功预测了测试集中的手写数字7。整个过程涵盖了数据集加载、模型构建、训练评估和推理预测等深度学习开发全流程，展示了飞桨框架的易用性和高效性。
2026-02-28 09:31:49
648
原创 Paddle Inference(TensorRT 子图引擎)
PaddleInference集成TensorRT子图引擎实现高性能推理。该系统通过分析PIR计算图，识别可优化子图并用TensorRT节点替换，保留原生GPU执行其他节点。支持动态shape输入、FP16/INT8量化推理，适配多种NVIDIA硬件。使用流程包括模型转换和推理两个阶段：先通过TensorRTConfig配置输入shape和精度模式进行转换，再加载转换后的模型执行加速推理。环境需匹配CUDA、cuDNN和TensorRT版本，推荐使用Paddle提供的docker镜像或对应版本安装包。新架构
2026-02-27 09:04:47
539
原创 PIR 基本概念和开发
摘要：飞桨3.0版本推出了基于MLIR的新一代中间表示技术PaddleIR(PIR)，通过Operation、Attribute等核心概念的系统抽象和Dialect模块化设计，实现了训推一体的统一架构表示。PIR采用SSA原则，以Value和Operation构建计算图，提供灵活的Pass开发体系，支持大模型性能优化。该技术兼容原有API，用户可通过环境变量启用新IR功能，并内置了丰富的优化策略。架构设计包含基础组件、多层级Dialect和Pass体系三层，支持分布式、编译器等多场景需求，同时提供了良好的模
2026-02-27 09:03:59
392
原创 飞桨动转静 SOT 原理及使用
飞桨3.0引入字节码符号化模拟执行(SOT)机制解决动态图转静态图难题。传统AST方案存在语法兼容性差、控制流处理不足等问题，SOT通过字节码级模拟执行实现：1）自适应子图打断机制，确保100%转写成功率；2）支持复杂控制流与容器混合场景；3）兼容源码加密等特殊场景。SOT架构包含字节码模拟执行器、自适应打断、副作用处理等模块，相比AST方案显著提升兼容性和灵活性。用户可通过paddle.jit.to_static默认启用SOT模式，或在确定代码完全可静态化时切换至AST模式。该技术突破Python动态特性
2026-02-27 09:02:51
605
原创 飞桨高阶自动微分功能支持科学计算
飞桨框架3.0通过创新性的高阶自动微分技术，为科学计算领域提供了强大的支持。该技术采用基础算子组合策略，将复杂算子拆解为原子性基础算子，通过反复应用一阶自动微分规则实现高阶微分，解决了传统方法编写高阶微分规则的困难。框架采用动静一体的架构设计，在动态图模式下支持N+1阶微分拆分，静态图模式下利用编译器优化提升性能。文章以2D矩形平板分布受载问题为例，展示了飞桨原生API和PaddleScience套件求解四阶微分方程的实际应用。此外，飞桨已成功适配Modulus-sym和DeePMD-kit等主流科学计算工
2026-02-26 11:04:40
233
原创 飞桨 3.0之 CINN 神经网络编译器
CINN是飞桨框架的深度学习神经网络编译器，通过优化模型计算图和内存使用，显著提升性能。其架构分为前端（组合算子拆分、图优化、算子融合）、后端（基于AST IR的Schedule优化、代码生成）和执行器三部分。技术创新包括以Reduce为核心的深度融合、动静态维度调优、自动向量化及复杂表达式化简。应用效果显著：科学计算模型Modulus相比PyTorch提速115%，PaddleX系列模型平均提升27.4%。使用方式简便，只需设置相关FLAGS即可自动优化，无需修改模型代码。
2026-02-26 10:42:58
976
原创 飞桨框架 3.0之自动并行训练
飞桨自动并行框架3.0版本创新性地提出动静统一的自动并行架构，显著降低了大模型分布式训练门槛。该框架通过ProcessMesh抽象计算资源，支持数据并行、模型并行和流水并行等多种策略，用户仅需简单标记张量切分方式即可实现分布式训练。相比传统框架，自动并行架构减少了50%的并行工程代码，支持"编码时动态调试，运行时静态优化"的新范式。框架还提供丰富的性能优化策略，包括重计算、算子融合和计算通信重叠等，并实现了高效的模型分片保存与加载功能。目前已在PaddleNLP和PaddleMIX套件中
2026-02-26 10:36:02
325
原创 飞桨框架 3.0 正式版发布——加速大模型时代的技术创新与产业应用
飞桨框架3.0正式版发布，作为中国首个自主研发的产业级深度学习平台，该版本在自动并行、神经网络编译器、高阶自动微分等方面取得突破，为大模型时代提供强大支撑。新版本具备五大特性：动静统一自动并行可减少80%分布式代码；大模型训推一体实现训练推理无缝衔接；科学计算高阶微分使微分方程求解速度提升115%；神经网络编译器实现性能自动优化；异构多芯适配降低硬件适配复杂度。飞桨3.0显著降低了大模型开发门槛，提升算法创新效率，为开发者提供一站式高性能深度学习体验。
2026-02-26 10:34:16
838
原创 SSL 免费证书申请 - Certbot
Certbot 是一个开源的自动化工具，用于获取和续订由 Let's Encrypt 提供的免费 SSL/TLS 证书。Let's Encrypt 是一个由互联网安全研究小组（ISRG）运营的证书颁发机构（CA），它提供了一个自动化的流程来生成和更新证书，使得网站管理员可以轻松地为他们的站点启用 HTTPS 加密。Certbot 的主要特点包括：自动化：它可以自动验证域名所有权，并申请证书。免费：它使用的是 Let's Encrypt 提供的免费证书。兼容性。
2026-02-24 09:21:10
478
原创 HTTP2介绍
HTTP/2（超文本传输协议第2版，最初命名为HTTP 2.0），简称为h2（基于TLS/1.2或以上版本的加密连接）或h2c（非加密连接）， HTTP/2 是 HTTP 协议的第二个主要版本，用于在 Web 服务器和客户端之间传输数据。HTTP/2 是 HTTP 协议自 1999 年 HTTP 1.1 的改进版 RFC 发布后的首个更新，主要基于 SPDY 协议。多数主流浏览器已经在 2015 年底支持了该协议。HTTP/2是一种网络协议，是HTTP/1.1的升级版，由IETF在2015年发布。
2026-02-24 09:20:29
336
原创 HTTP 相关知识介绍
HTTP 响应头信息是服务器在响应客户端的HTTP请求时发送的一系列头字段，它们提供了关于响应的附加信息和服务器的指令。gzipdeflatekeep-alivecloseno-cache这些响应头信息在实际的 HTTP 响应中可能会有所不同，具体值取决于服务器的配置和处理逻辑。
2026-02-24 09:19:19
819
原创 HTTP 消息结构
HTTP 是基于客户端/服务端（C/S）的架构模型，通过一个可靠的链接来交换信息，是一个无状态的请求/响应协议。HTTP 消息是客户端和服务器之间通信的基础，它们由一系列的文本行组成，遵循特定的格式和结构。HTTP消息分为两种类型：请求消息和响应消息。一个 HTTP 客户端是一个应用程序（Web 浏览器或其他任何客户端），通过连接到服务器达到向服务器发送一个或多个 HTTP 的请求的目的。
2026-02-24 09:16:29
631
原创 HTTP/HTTPS 简介
是一种用于从网络传输超文本到本地浏览器的传输协议。它定义了客户端与服务器之间请求和响应的格式。HTTP 工作在 TCP/IP 模型之上，通常使用端口 80。是 HTTP 的安全版本，它在 HTTP 下增加了 SSL/TLS 协议，提供了数据加密、完整性校验和身份验证。HTTPS 通常使用端口 443。
2026-02-24 09:02:18
3824
原创 Android 基础入门教程4.3.1 BroadcastReceiver牛刀小试分类
OverrideToast.makeText(context, "开机完毕~", Toast.LENGTH_LONG).show();
2026-02-09 12:17:38
662
原创 Android 基础入门教程4.2.3 Service精通
我们来看看官方文档怎么说：中文翻译：好吧，估计你看完上这一串东西可能云里雾里的，这里简单的小结下：IBinder是Android给我们提供的一个进程间通信的一个接口，而我们一般是不直接实现这个接口的， 而是通过继承Binder类来实现进程间通信！是Android中实现IPC(进程间通信)的一种方式！大概调用流程如下，另外Service Manager比较复杂，这里并不详细研究！流程解析：当然，作为一个初级的开发者我们并不关心上述这些，Binder机制给我们带来的最直接的好处就是： 我们无需关心底层如何实现，
2026-02-09 11:58:43
605
原创 Android 基础入门教程4.2.2 Service进阶
本文介绍了Android中Service的进阶使用，主要包括三个核心内容：1. IntentService的使用，通过工作线程处理耗时操作避免ANR异常；2. Activity与Service通信的实现方式，通过自定义Binder类进行交互；3. 前台服务和定时后台服务的实现方法，包括Notification展示和AlarmManager定时机制。文章通过代码示例详细演示了IntentService的工作流程、Service绑定通信机制，以及如何创建前台服务和定时轮询服务，为开发者提供了Service进阶开
2026-02-09 11:56:12
534
如果40岁失业了，你们有什么好的去处
2025-04-23
CSDN的微权益值多久结算一次
2025-04-22
mysql、oracle和SQLite 同为数据库，说说他们最大的区别
2025-04-20
XML的好处或者作用
2025-04-20
为什么使用 Web Services?
2025-04-19
百度文库如何做能月入几千
2025-04-17
AI当下，学习java开发还有用吗？
2025-04-16
各位在CSDN每个月能赚多少被动收入呢？
2025-04-16
csdn的微权益如何得来，又是怎么用？
2025-04-16
大模型之未来如何影响人类
2024-12-23
关于#开发语言#的问题：几十块就可以购买一整套视频教程
2024-12-12
花钱的观念是否正确呢？
2024-12-09
调用百度或天地图API，为什么会时好时坏！
2024-10-23
TA创建的收藏夹 TA关注的收藏夹
TA关注的人