当前位置：首页 > news >正文

《Python实战进阶》第33集：PyTorch 入门-动态计算图的优势

news 来源：原创 2025/7/27 19:17:45

第33集：PyTorch 入门-动态计算图的优势

摘要

PyTorch 是一个灵活且强大的深度学习框架，其核心特性是动态计算图机制。本集将带您探索 PyTorch 的张量操作、自动求导系统以及动态计算图的特点与优势，并通过实战案例演示如何使用 PyTorch 实现线性回归和构建简单的图像分类模型。我们将重点突出 PyTorch 在研究与开发中的灵活性及其在 AI 大模型训练中的应用。
在这里插入图片描述

核心概念和知识点

1. 张量操作与自动求导

张量（Tensor）：类似于 NumPy 数组，但支持 GPU 加速。
自动求导（Autograd）：PyTorch 提供了自动微分功能，能够高效计算梯度，用于优化模型参数。

2. 动态计算图的特点与优势

动态计算图：PyTorch 的计算图是在运行时动态构建的，支持即时调试和修改。
灵活性：适合实验性研究，便于实现复杂的模型架构。
直观性：代码执行过程清晰可见，易于理解。

3. 自定义模型与训练循环

模型定义：通过继承 torch.nn.Module 自定义模型结构。
训练循环：手动实现前向传播、损失计算和反向传播，提供更细粒度的控制。

4. AI 大模型相关性分析

PyTorch 是目前主流的 AI 大模型框架之一，广泛应用于 GPT、BERT 等模型的训练：

分布式训练支持：通过 torch.distributed 模块实现多 GPU 和多节点训练。
生态系统丰富：结合 Hugging Face Transformers 等库，可快速搭建和训练大模型。

实战案例

案例 1：使用 PyTorch 实现线性回归

背景

线性回归是最基础的机器学习任务之一，我们使用 PyTorch 实现一个简单的线性回归模型。

代码实现

import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt# 数据生成
torch.manual_seed(42)
x = torch.linspace(-1, 1, 100).reshape(-1, 1)  # 输入特征
y = 3 * x + 2 + 0.2 * torch.randn(x.size())   # 带噪声的目标值# 定义模型
class LinearRegressionModel(nn.Module):def __init__(self):super().__init__()self.linear = nn.Linear(1, 1)  # 单输入单输出的线性层def forward(self, x):return self.linear(x)model = LinearRegressionModel()# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.1)# 训练模型
epochs = 100
for epoch in range(epochs):# 前向传播y_pred = model(x)loss = criterion(y_pred, y)# 反向传播与优化optimizer.zero_grad()loss.backward()optimizer.step()if (epoch + 1) % 10 == 0:print(f"Epoch {epoch+1}/{epochs}, Loss: {loss.item():.4f}")# 可视化结果
predicted = model(x).detach().numpy()
plt.scatter(x.numpy(), y.numpy(), label="Original Data", alpha=0.6)
plt.plot(x.numpy(), predicted, 'r', label="Fitted Line")
plt.legend()
plt.title("Linear Regression with PyTorch")
plt.show()

输出结果

Epoch 10/100, Loss: 0.0431
...
Epoch 100/100, Loss: 0.0012

可视化

案例 2：构建一个简单的图像分类模型

背景

我们使用 CIFAR-10 数据集，构建一个简单的卷积神经网络（CNN）进行图像分类。

代码实现

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms# 数据加载与预处理
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True)testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=32, shuffle=False)# 定义 CNN 模型
class SimpleCNN(nn.Module):def __init__(self):super().__init__()self.conv1 = nn.Conv2d(3, 16, 3, padding=1)self.pool = nn.MaxPool2d(2, 2)self.fc1 = nn.Linear(16 * 16 * 16, 10)def forward(self, x):x = self.pool(torch.relu(self.conv1(x)))x = x.view(-1, 16 * 16 * 16)x = self.fc1(x)return xmodel = SimpleCNN()# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)# 训练模型
for epoch in range(5):  # 仅训练 5 个 epochrunning_loss = 0.0for i, data in enumerate(trainloader):inputs, labels = dataoptimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()if i % 100 == 99:  # 每 100 个 batch 打印一次损失print(f"[{epoch+1}, {i+1}] Loss: {running_loss / 100:.3f}")running_loss = 0.0print("Finished Training")# 测试模型
correct = 0
total = 0
with torch.no_grad():for data in testloader:images, labels = dataoutputs = model(images)_, predicted = torch.max(outputs, 1)total += labels.size(0)correct += (predicted == labels).sum().item()print(f"Accuracy on Test Set: {100 * correct / total:.2f}%")

输出结果

[1, 100] Loss: 2.123
...
Accuracy on Test Set: 55.25%

总结

PyTorch 的动态计算图机制使其成为深度学习研究与开发的理想工具。通过本集的学习，我们掌握了如何使用 PyTorch 实现线性回归和构建简单的图像分类模型，并了解了其在灵活性和实验性方面的优势。

扩展思考

1. PyTorch 在 AI 大模型训练中的应用

PyTorch 是训练 GPT、BERT 等大模型的核心工具之一。其动态计算图机制使得研究人员能够快速迭代模型架构，而分布式训练支持则确保了大模型的高效训练。

2. PyTorch Lightning 的简化功能

PyTorch Lightning 是一个高级接口，旨在简化 PyTorch 的使用。它隐藏了训练循环的复杂性，同时保留了底层灵活性，特别适合大规模实验和生产环境。

专栏链接：Python实战进阶
下期预告：No34 - 使用 Pandas 高效处理时间序列数据

《Python实战进阶》第33集：PyTorch 入门-动态计算图的优势

第33集：PyTorch 入门-动态计算图的优势摘要 PyTorch 是一个灵活且强大的深度学习框架，其核心特性是动态计算图机制。本集将带您探索 PyTorch 的张量操作、自动求导系统以及动态计算图的特点与优势，并通过实战案例演示如何使用 PyTorch 实现…...

编程日记 2025/7/27 19:17:45

python dict转换成json格式

一开始你变成字典格式 data [ { a : 1, b : 2, c : 3, d : 4, e : 5 } ] import json data [ { a : 1, b : 2, c : 3, d : 4, e : 5 } ] data2 json.dumps(data) print(data2)json.dumps(data) 是将数组json化。 json格式化输出 data2 json.dumps({a: Runoob, b: 7…...

编程日记 2025/7/27 20:34:09

美亚科技业绩波动明显：现金流为负，四起未决诉讼涉金额1700万

《港湾商业观察》施子夫近期，广东美亚旅游科技集团股份有限公司（以下简称，美亚科技）披露第二轮审核问询函的回复。从两轮问询函监管层提出的问题来看，有关美亚科技业绩增长的合理性、募投项目的必要性及合理性、经营…...

编程日记 2025/7/25 23:02:06

Java面试总结+算法

目录 Java 中和 equals 的区别是什么？ 什么是类加载器，Java 中有哪些类加载器？它们的职责分别是什么？ Redis 有哪些数据结构？它们分别适用于哪些场景？ 什么是索引？MySQL 有哪些常见的索引类…...

编程日记 2025/7/24 9:43:57

深度优先搜索（DFS）在排列组合问题中的应用详解：C++实现与优化

一、排列问题（Permutations） 目标：生成所有可能的排列（元素顺序不同视为不同结果）。示例：输入 [1,2,3]，输出所有长度为3的排列，共6种。 C实现代码 #include <iostream> #i…...

编程日记 2025/7/24 15:54:46

GeoChat : Grounded Large Vision-Language Model for Remote Sensing论文精读

GeoChat : Grounded Large Vision-Language Model for Remote Sensing 是一个针对遥感场景的llm，提供支持多任务对话（对高分辨率遥感图像）。也造了个数据集。一些思考： 文中提到的局限性：小物体和多框预测较难。小物…...

编程日记 2025/7/24 10:06:14

Postman使用02、断点、fiddler弱网测试

脚本操作一、脚本导出 1.导出json脚本 2.打包json文件 3.下载的文件二 .导入脚本 1.选择文件 2.点击导入 3.导入的接口三.多接口运行 1.集合右键，点击run ，运行多个接口 2.编辑环境，集合，执行次数等 3.运行多个接口四.运行…...

编程日记 2025/7/23 10:07:38

深入解析 C++20 中的 std::bind_front：高效函数绑定与参数前置

文章目录 1. 什么是 std::bind_front？2. 使用 std::bind_front2.1 基本用法2.2 绑定多个参数 3. 优势与特点3.1 简化代码3.2 支持可调用对象3.3 支持完美转发 4. 实际应用场景4.1 事件处理4.2 算法通用化4.3 成员函数调用 5. 总结在现代 C 编程中，函数绑…...

编程日记 2025/7/23 5:28:08

Opencv计算机视觉编程攻略-第三节图像颜色处理

第三节图像颜色处理 1.颜色比较2.GrabCut分割图像3.色调、饱和度以及亮度 1.颜色比较主要实现逐像素的颜色比较，其中注意BGR颜色空间不连续，不利于颜色提取和区分，转换到Lab空间： int getColorDistance(const cv::Vec3b& c…...

编程日记 2025/7/22 16:12:04

第十七章:Future Directions_《C++ Templates》notes

Future Directions 核心重难点：示例代码： 设计题多选题答案设计题详解核心重难点： 泛型非类型模板参数允许任意类型作为非类型模板参数（如template<typename T, auto N>）需解决类型推导和链接问题编译期控制…...

编程日记 2025/7/24 19:31:21

ComfyUI-PSD-Replace: 海报与壁纸批量生成

ComfyUI-PSD-Replace: 海报与壁纸批量生成 🚀 插件介绍 ComfyUI-PSD-Replace 是一款强大的图像批量处理插件，专为设计师和创意工作者打造。无论你是想快速生成多款海报、定制壁纸，还是批量更新设计模板，本插件都能帮你轻松实现&a…...

编程日记 2025/7/24 16:11:40

图解预训练模型 ELMo 和 BERT

一、ELMo 二、BERT 以上笔记参考自b站up主自然卷小蛮（自然卷小蛮的个人空间-自然卷小蛮个人主页-哔哩哔哩视频），感兴趣的可以去深入了解。...

编程日记 2025/7/22 8:00:56

YoloV8训练和平精英人物检测模型

概述和平精英人物检测，可以识别游戏中所有人物角色，并通过绘制框将人物选中，训练的模型仅仅具有识别功能，可以识别游戏中的视频、图片等文件，搭配Autox.js可以推理，实现实时绘制，但是对手机性…...

编程日记 2025/7/13 8:53:27

基于物联网的智能蔬菜仓库设计（论文+源码）

1系统功能分析由于蔬菜仓库内部环境直接影响到内部货物的正常存储工作，因此对蔬菜仓库内部环境进行智能化的监控具有重要意义。本次基于物联网的智能蔬菜仓库设计，系统实现的功能如下： （1）对蔬菜仓库内部进行温度检测…...

编程日记 2025/7/23 1:30:07

Java 字符流全解析：核心类实战指南

一、FileReader 与 FileWriter：文本文件基础操作功能：直接基于字符处理文本文件，自动完成字节到字符的解码（默认使用系统编码）。适用场景：读写简单的文本文件（如 .txt、.csv）。 …...

编程日记 2025/7/27 1:19:24

SQL Server 2022 安装问题

一、安装与配置问题 1. SQL Server 2022 安装失败怎么办？ 常见原因： 硬件或操作系统不满足最低要求（如内存、磁盘空间不足）。未关闭防火墙或杀毒软件。之前版本的 SQL Server 残留文件未清理。解决方案： 确保硬件配…...

编程日记 2025/7/22 20:55:13

Vue3 实现pdf预览

1.使用到的插件 vue3-pdf-app 以及预览效果 2.下载依赖 // 可以使用npm 以及pnpm // 下载版本1.0.3 pnpm install vue3-pdf-app^1.0.3 3.封装pdfModel组件复用 <template><VuePdfApp :page-scale"pageScale" :theme"theme" :style"width: …...

编程日记 2025/7/25 8:55:32

python网络爬虫开发实战之网页数据的解析提取

目录 1 XPath的使用 1.1 XPath概览 1.2 XPath常用规则 1.3 准备工作 1.4 实例引入 1.5 所有节点 1.6 节点 1.7 父节点 1.8 属性匹配 1.9 文本获取 1.10 属性获取 1.11 属性多值匹配 1.12 多属性匹配 1.13 按序选择 1.14 节点轴选择 2 Beautiful Soup 2.1 简介…...

编程日记 2025/7/25 10:59:58

GitHub Copilot平替：CodeGeeX 2.0实测报告

本文基于20个真实开发场景对CodeGeeX 2.0进行深度评测，涵盖代码生成质量、上下文理解能力、多语言支持度等关键维度。通过Python数据分析、Java微服务、React前端开发三大核心场景的对比实验，揭示其相比GitHub Copilot在中文语境支持、本地化部署、隐私保…...

编程日记 2025/7/26 10:41:29

QT对象模型

信号,槽,函数执行顺序首先，拖入一个按钮，在转到槽，在click() 转到widget.cpp 在widget.h中然后在widget.cpp中运行结果当发出信号后，先执行槽函数，再执行信号后面的函数（单线程） 在widget.h…...

编程日记 2025/7/22 23:08:54

C++:类型推导规则 unsigned short + 1

在 C/C 中，整数提升（Integer Promotion） 规则决定了 vlan_id 1 的类型： unsigned short 的值在运算时会被提升（promote） 到 int 或 unsigned int（取决于平台）。默认情况下&#x…...

编程日记 2025/7/25 1:16:01

PHP接口开发：从基础到高级的全面指南

一、接口基础与核心概念（约800字） 1.1 接口的本质定义在PHP中，接口(Interface)是一种特殊的抽象结构，它通过interface关键字定义一组方法的契约规范，不包含具体实现。这种设计强制实现类必须遵循统一的调用标准，如： interface PaymentGateway {public function proc…...

编程日记 2025/7/22 2:21:55

C#Dictionary值拷贝还是引用

Dictionary值拷贝还是引用这可能算是Directionary的一个坑值类型（Value Type）引用类型（Reference Type）总结关于锁1. **锁对象的可见性**2. **锁对象的唯一性**3. **最佳实践**4. **为什么 readonly 是一个好的选择**5. **总结*…...

编程日记 2025/7/27 19:12:35

deepseek实战教程-第六篇查找源码之仓库地址与deepseek-R1、deepseek-LLM仓库内容查看

上一篇讲了支持deepseek的模型应用的本地安装和部署以及使用。再上一篇讲解了deepseek提供的开放api，便于开发者基于deepseek提供的接口来编写属于自己的业务应用程序。但是前面几篇我们都是在用模型，我们知道deepseek是开源的，那么deepseek的源码在哪里，具体源码是什么样的…...

编程日记 2025/7/10 16:50:14

WELL健康建筑认证是什么？

**WELL健康建筑认证：全方位呵护居住者福祉的权威标准** WELL健康建筑认证，这一源自美国的全球性健康建筑标准，宛如建筑界的璀璨明珠，以其独特的光芒照亮了健康建筑的发展之路。它不仅是全球首部专门针对室内环境提升人体健康与福…...

编程日记 2025/7/24 15:39:46

C++ STL 序列式容器之（三）-- List

一、什么是list？ Lists are sequence containers that allow constant time insert and erase operations anywhere within the sequence, and iteration in both directions. 列表是序列容器，允许在序列中的任何位置进行以常量时间插入和擦除操作&…...

编程日记 2025/7/25 9:13:49

CAN基础知识学习二

一、控制器局域网总线（CAN，Controller Area Network）； 二、CAN FD 是CAN with Flexible Data rate的缩写，翻译为【可变速率的 CAN】 CAN-FD 采用了两种位速率：从控制场中的 BRS 位到 ACK 场之前&#xff08…...

编程日记 2025/7/26 9:17:01

Java编程思想：为何有时要将子类对象赋值给父类引用

为何有时要将子类对象赋值给父类引用，用父类来进行实例化？ 这就要说多态的优势: 代码的扩展性和降低耦合度，而不是完全避免修改代码。 TuXing t new Changfangxing(); Changfangxing k (Changfangxing)t;原因1： 代码可拓展性 …...

编程日记 2025/7/17 9:07:43

2025年优化算法：龙卷风优化算法（Tornado optimizer with Coriolis force，TOC）

龙卷风优化算法（Tornado optimizer with Coriolis force）是发表在中科院二区期刊“ARTIFICIAL INTELLIGENCE REVIEW”（IF：11.7）的2025年智能优化算法 01.引言当自然界的狂暴之力，化身数字世界的智慧引擎&…...

编程日记 2025/7/17 4:06:49

2小样本学习（Few-Shot）之相似度

目录小样本学习的基本思路：具体实现方法：小样本学习的基本思路：学习一个相似度函数similarity function：sim(x,x) 两个样本越相近，相似度越高。比如：...

编程日记 2025/6/28 5:38:40

docker-操作实战

前言 C镜像制作因为我平常不用，所以不书写了 SpringBoot 微服务镜像制作 mkdir java ca java cp /data/maxhou/myapp/xxx.jar . vi Dockerfile FROM openjdk:8 COPY ./xxx.jar /app.jar CMD ["java","-jar","/app.jar"]COPY ./…...

编程日记 2025/7/23 21:52:24

后大模型时代智能体将成为“新宠”

编程日记 2025/7/22 2:20:58

【MySQL】监控MySQL

目录使用状态变量监控MySQL 使用性能模式（Performance Schema）监控MySQL 1.性能模式 2.性能模式设置表 3.sys模式使用状态变量监控MySQL 使用 show status 语句评估系统运行状况。可以添加范围修饰符global或session来显示全局或本地状态信息。…...

编程日记 2025/7/27 20:31:18

CTF类题目复现总结-[BSidesSF2020]toast-clicker 1

一、靶场地址 https://buuoj.cn/challenges#[BSidesSF2020]toast-clicker1二、复现步骤 1、下载压缩包，解压是apk文件； 2、利用 jadx apk反编译工具； jadx下载地址：https://github.com/skylot/jadx67, 83, 68, 120, 62, 109, …...

编程日记 2025/7/24 1:12:58

（更新完）Supplementary Material——AZ-NAS

6. Supplementary Material 在本补充材料中，我们提供了 AZ-NAS 在 NDS [18]、NAS-Bench-201 [7] 和 MobileNetV2 [14, 19] 搜索空间上的额外结果和深入分析。 Additional results on the NDS benchmark. 神经设计空间（NDS） [18] 基准提供了…...

编程日记 2025/7/24 18:35:38

基于SSM框架的线上甜品销售系统(源码+lw+部署文档+讲解)，源码可白嫖!

摘要网络技术和计算机技术发展至今，已经拥有了深厚的理论基础，并在现实中进行了充分运用，尤其是基于计算机运行的软件更是受到各界的关注。加上现在人们已经步入信息时代，所以对于信息的宣传和管理就很关键。因此网上销售信息的…...

编程日记 2025/7/27 9:58:35

TCP | 序列号和确认号 [逐包分析] | seq / ack 详解

注 ： 本文为 “TCP 序号（seq）与确认序号（ack）” 相关文章合辑。英文引文，机翻未校。中文引文，略作重排。如有内容异常，请看原文。 Understanding TCP Seq & Ack Numbers […...

编程日记 2025/7/24 7:48:27

Citus源码（1）分布式表行为测试

最近对citus的实现非常好奇，本篇对citus的行为做一些测试。本篇只测行为，不分析源码。后面会继续写一系列文章分析citus源码。环境：3节点 PG17 with citus。 SELECT citus_set_coordinator_host(127.0.0.1, 3001); SELECT citus_add_node(1…...

编程日记 2025/7/22 13:00:22

【AI测试必学】DeepSeek API 快速入门：获取 API Key 与调用 API 步骤详解

DeepSeek API 快速入门：获取 API Key 与调用 API 步骤详解一、获取 API Key二、调用 DeepSeek API方法 1：使用 OpenAI Python SDK 调用 DeepSeek API方法 2：使用 requests 库直接发送 HTTP 请求方法 3：使用 curl 命令相关链接一…...

编程日记 2025/7/27 6:38:26

Web前端之UniApp、Taro、ReactNative和Flutter的区别

MENU 前言介绍及公司技术差异使用方法使用场景差异注意事项打包与部署差异框架应用实例结语前言在移动应用开发领域，跨平台框架已成为开发者的得力工具。UniApp、Taro、ReactNative和Flutter它们在Android（安卓）或iOS（苹果&…...

编程日记 2025/7/22 13:34:43

[leetcode]map的用法

1. 定义和初始化定义：std::map是一个关联容器，键值对会自动根据键的值进行排序（默认是升序）。 cpp复制 map<char, int> mp; 插入元素：可以通过operator[]或insert方法插入键值对。 cpp复制 mp[a] 1; mp[b] 3…...

编程日记 2025/7/22 17:35:44

PHP大马的使用

BestShell/best_php_shell.php at master Kevil-hui/BestShell 这里用到的是这位师傅的大马（主要是从头开始写一个大马实在太麻烦了） 用pikachu靶场进行上传的测试在这里传马，这个是简单的前端校验，bp抓包改后缀就好了上传成…...

编程日记 2025/7/22 2:22:26

【CC2530 教程十】CC2530 Z-Stack 协议栈

一、Z-Stack 协议栈目录结构： Z-Stack 协议栈可以从 TI 官网免费下载，下载安装完成以后，会默认在 C 盘的根目录下创建 Texas Instruments 目录，该目录下的子目录就是安装的 Z-Stack 文件，并且在该子目录下创建Accessor…...

编程日记 2025/7/21 21:30:18

区间端点（java）(贪心问题————区间问题)

deepseek给了一种超级简单的做法我是真的想不到贪心的思路是局部最优——>全局最优这种我是真的没有想到，这样的好处就是后面便利的时候可以通过foreach循环直接便利qu的子元素也就是对应的某一个区间, 将一个二维数组变成一维数组，每一个一维…...

编程日记 2025/7/23 5:59:54

定长内存池原理及实现

目录一、池化技术二、内存池三、内存池主要解决的问题四、定长内存池的实现 1.定长内存池的原理 2.框架 3.Delete实现 4.New实现 5.性能测试五、源码 FixedMemoryPool.h test.cc 一、池化技术所谓“池化技术”，就是程序先向系统申请过量的资源&…...

编程日记 2025/7/23 14:47:02

通过php连接redis数据库

如上图所示，这是去搭建一个lamp平台， 阿帕奇和php安装好之后，php直接就被安装成阿帕奇的一个功能模块。如上图所示，这就是php作为阿帕奇的功能模块。如上图所示，我们去正常启动redis数据库。如上图所示&#xff0c…...

编程日记 2025/7/24 4:24:54

3D点云的深度学习网络分类（按照作用分类）

1. 3D目标检测（Object Detection） 用于在点云中识别和定位目标，输出3D边界框（Bounding Box）。 🔹 方法类别： 单阶段（Single-stage）：直接预测3D目标位置&am…...

编程日记 2025/7/21 5:15:43

论文解读：《Word embedding factor based multi-head attention》——基于词嵌入因子的多头注意力

原文链接：Word embedding factor based multi-head attention | Artificial Intelligence Review 多头注意力机制线性地将查询、键和值投影到不同的子空间中，允许模型从不同的角度理解输入序列，并利用输入句子序列中有关令牌之间关系的信息。…...

编程日记 2025/7/19 6:10:25

单片机和微控制器知识汇总——《器件手册--单片机、数字信号处理器和可编程逻辑器件》

目录四、单片机和微控制器 4.1 单片机(MCU/MPU/SOC) 一、定义二、主要特点三、工作原理四、主要类型五、应用领域六、选型与设计注意事项七、发展趋势 4.2 数字信号处理器(DSP/DSC) 编辑编辑一、定义二、工作原理三、结构特点四、应用领域五、选型与设计注…...

编程日记 2025/7/24 1:12:38

LeetCode hot 100 每日一题(15)——48.旋转图像

这是一道难度为中等的题目，让我们来看看题目描述： 给定一个 n n 的二维矩阵 matrix 表示一个图像。请你将图像顺时针旋转 90 度。你必须在原地旋转图像，这意味着你需要直接修改输入的二维矩阵。请不要使用另一个矩阵来旋转图像。提示…...

编程日记 2025/7/22 2:22:26

第33集：PyTorch 入门-动态计算图的优势

摘要

核心概念和知识点

1. 张量操作与自动求导

2. 动态计算图的特点与优势

3. 自定义模型与训练循环

4. AI 大模型相关性分析

实战案例

案例 1：使用 PyTorch 实现线性回归

背景

代码实现

输出结果

可视化

案例 2：构建一个简单的图像分类模型

背景

代码实现

输出结果

总结

扩展思考

1. PyTorch 在 AI 大模型训练中的应用

2. PyTorch Lightning 的简化功能

相关文章：