缘友一世的博客

jupyter lab公开访问配置方法小记

强化学习PPO算法入门和实践

WSL2 Ubuntu cuda驱动问题解决和CUDA Toolkit安装

LLama3架构原理浅浅学学

LLama 3分组查询注意力与KV缓存机制

Decoder-Only架构下Decoder的学习

深入理解Transformer：注意力机制、模型架构与核心实现

Transformer中的掩码机制（前瞻掩码和填充掩码）

Transformer的“隐形支柱”：残差连接

深入理解Transformer中采用正余弦函数进行位置编码的意义

从“失序”到“有序”：位置编码如何赋予Transformer序列感知力（有关Transformer架构中嵌入和位置编码的理解）

机器学习决策树与大模型的思维树

PyTorch深度学习实战【12】之基于RNN的自然语言处理入门

深刻理解PyTorch中RNN（循环神经网络）的output和hn

PyTorch深度学习实战【11】之神经网络的学习和训练

PyTorch深度学习实战【10】之神经网络的损失函数

jupyterLab使用优化(语言、主题、工具、AI助手、代码等方面)

AutoDL使用学习

ipykernel安装失败依赖解决

对于独热编码余弦相似度结果为0和词向量解决了词之间相似性问题的理解

迁移学习之图像预训练理解

初学Transformer架构和注意力机制

Seq2Seq模型是一种端到端的深度学习框架，专门设计用于将一个序列(如句子)转换为另一个序列。它的核心思想是接受可变长度的输入序列，并生成可变长度的输出序列，这两个序列的长度可以不同。

Word2Vec模型学习和Word2Vec提取相似文本体验

PyTorch图像识别模型和图像分割模型体验

Triton介绍和各平台支持情况分析：Triton 是一个开源的 高性能 GPU 编程语言和编译器框架，由 OpenAI 开发并开源。它旨在简化在 NVIDIA GPU 上编写高性能计算内核的过程。

PyTorch图像建模(图像识别、分割和分类案例)

本文系统研究了现代音频处理技术及其应用，重点探讨了梅尔频率倒谱系数(MFCC)的特征提取方法和快速傅里叶变换(FFT)在音频分析中的关键作用。研究内容包括音频信号处理的基础技术，如离散余弦变换、能量谱处理和Mu-Law编码等波形变换方法，并通过两个实践案例验证了理论方法的有效性。第一个案例展示了音频建模的全流程，包括数据加载、波形变换和频谱图绘制；第二个案例实现了音频相似度分析，提供了完整的实现代码和结果分析。

本博客价绍模型评估方法和模型调优方法，并给出一个交叉验证的示例代码

本博客旨在全面介绍数据建模的基本概念与方法，涵盖回归分析、聚类分析和主成分分析（PCA）。文章将深入探讨回归分析的理论基础及其在住房价格预测中的应用，聚类分析的基本原理及植物花卉特征的分类方法，以及主成分分析在地区竞争力指标降维中的重要性。通过实例和模型构建，读者将在理论与实践中加深对数据建模的理解与应用。

介绍独热编码，实际使用分析：对对象类型使用独热编码。

PyTorch LSTM练习案例：股票成交量趋势预测

PyTorch循环神经网络（Pytotch）

PyTorch深度神经网络（前馈、卷积神经网络）

深度学习之优化器【从梯度下降到自适应学习率算法】（pytorch版）

Pytorch张量和损失函数

pytorch 数据预处理和常用工具

Pytorch常用统计和矩阵运算

在深度学习和科学计算中，控制随机性是保证实验结果可复现的关键。PyTorch 提供了多种随机数管理工具，但如何正确使用它们仍是许多开发者容易混淆的问题。本文全面解析 PyTorch 的随机数控制机制，从基础的 torch.seed() 和 torch.manual_seed()，到更底层的 get_rng_state() 和 set_rng_state()，详细说明其作用、使用场景及注意事项。同时，我们也会探讨 CPU 和 GPU（CUDA）的随机状态管理，并提供完整的代码示例，帮助你彻底掌握 PyTorc

这篇文章主要介绍了卷积神经网络（CNN）的设计原理及其在手写字体识别中的应用。文章首先阐述了网络层间的排列规律和CNN各层（输入层、卷积层、池化层、全连接层）的参数设计规范。随后以MNIST手写字体数据库为例，详细讲解了LeNet-5模型的关键特点和PyTorch实现方式，包括项目结构、模型定义、训练过程和单图测试方法。通过可视化分析，展示了网络如何提取手写数字特征，为读者提供了从理论到实践的完整指南。源码地址可供读者参考实现。