超腾开源标签 - 按标签浏览内容

本文系统介绍了PyTorch中torch.nn模块的常用层类型及其功能，包括容器（Sequential等）、线性层、卷积层、池化层、正则化层、Dropout层、循环层（LSTM等）、Transformer层、稀疏层（Embedding）和视觉层，并通过代码示例展示了各层的使用方法。文章强调，理解这些层是构建神经网络的基础，最后通过一个完整的CNN分类网络示例综合演示了多种层的配合使用，并建议查阅官方文档获取更详细的信息。

本文介绍了PyTorch中常用的损失函数，按任务类型分类讲解。回归任务包括MSELoss（均方误差）、L1Loss（平均绝对误差）、SmoothL1Loss和HuberLoss；分类任务涵盖CrossEntropyLoss（交叉熵）、BCEWithLogitsLoss（推荐用于二分类）、NLLLoss及KLDivLoss等；特殊任务如CTCLoss用于序列对齐，TripletMarginLoss用于度量学习。文章还给出了任务与损失函数的匹配建议，并提醒注意输入张量形状、是否内置softmax以及正负样本平衡问题。

本文使用PyTorch实现IMDB电影评论情感分析二分类任务，比较了LSTM、CNN和Transformer三种神经网络模型。介绍了数据加载、构建词表、Dataset类和批处理填充的完整流程。实验结果表明，双向LSTM表现最佳，10个epoch时测试准确率达88.93%；CNN训练速度快且不易过拟合，5个epoch达86.68%准确率；Transformer因数据集规模有限表现中等。使用GloVe预训练词向量可提升LSTM性能至88.76%。文章还提供了模型代码实现、训练流程和优化建议，完整代码可在GPU环境下10-20分钟完成训练。

本文全面介绍了PyTorch张量的核心操作，包括张量的定义（如zeros、ones、rand创建方法）、元素访问（类似NumPy的索引方式）、基本数学运算（加减乘除、矩阵乘法、转置）、与NumPy数组的互转、GPU加速计算（通过.cuda()）以及自动求导机制。文章通过代码示例展示了各类操作，并重点解析了动态计算图与梯度计算过程。掌握这些基础知识是使用PyTorch进行深度学习开发的重要前提。

本文使用PyTorch实现了三种手写数字识别模型：线性神经网络（98.08%准确率）、卷积神经网络CNN（99.28%）和Vision Transformer ViT（98.30%）。实验表明，CNN在MNIST数据集上表现最佳，能有效提取图像局部特征；ViT虽可捕捉全局依赖，但受限于小图像尺寸，表现中等；线性网络结构简单，适合快速验证。文章还提供了数据加载、模型训练代码及性能对比，并建议通过增加Dropout、学习率调度或数据增强来优化泛化能力。

本文介绍了如何使用PyTorch从零实现线性回归，包括手动梯度下降和PyTorch内置模块两种方式。文章通过生成带噪声的数据集，训练模型学习y=wx+b中的参数w和b。手动实现部分详细演示了前向传播、计算均方误差损失、反向传播求梯度及参数更新过程；PyTorch模块部分则使用nn.Linear、MSELoss和SGD优化器简化代码。两种方法均经过1000次迭代成功拟合直线，参数接近w=1、b=0。文章强调掌握线性回归是深度学习的基础，PyTorch的自动微分机制能有效简化梯度计算。

本文整理了PyTorch机器学习库的入门资源与实战经验，涵盖官方地址、基础教程、数据集介绍、开发实战及常见问题。基础部分包括Windows系统安装、张量操作、神经网络层、激活函数、损失函数和优化器详解。实战案例涵盖线性回归、手写数字识别、Fashion MNIST分类、猫狗图像识别（对比CNN与VGG16迁移学习）以及IMDB电影评论情感分类（LSTM达88.76%准确率）。此外还提供GPU利用率优化、文档离线编译、生态项目汇总等实用信息，并附有Hugging Face、动手学深度学习等扩展学习资源。

本文是一位程序员对十多年开发历程中接触技术的梳理，提供了一份技术路线图。内容涵盖编程语言、应用开发、开发工具及其他领域。编程语言部分介绍了Java、C#、Go、PHP用于B/S架构，C/C++和Rust用于高性能场景，Python主导AI领域，以及汇编用于底层开发。应用开发涉及前端、移动端、Node.js、Electron、三维、GIS、游戏引擎、区块链、人工智能和网站建设等。开发工具包括MinGW、protobuf、GitHub、DNS和VPN。其他领域提及了谷歌文档、密码学、论文下载和量子计算。文章旨在为同行提供清晰的技术参考，突出各技术的适用场景和核心价值。

本文整理了AI入门相关的实用资源，包括常用网站（如Hugging Face镜像、ModelScope、arXiv等）、主流机器学习框架（如scikit-learn、TensorFlow、PyTorch、PaddlePaddle等），以及机器学习基础概念（激活函数、损失函数、优化器）。文章还介绍了多种神经网络模型（如CNN、RNN、LSTM、Transformer）和丰富的AI应用场景，如下围棋、AI绘画、视频修复、大模型、数字人、智能体、AI编程等，帮助读者快速了解AI全貌，跟上时代潮流。

本文系统性地介绍了程序员常用的各类软件工具，涵盖浏览器、编辑器、数据库管理、版本控制、虚拟机、远程桌面、解压软件、下载工具、内网穿透等九大类别，并解读了每类技术的核心价值。浏览器方面列举了360极速浏览器、Chrome、Edge和Firefox；编辑器部分详细介绍了Cursor、VSCode、IntelliJ IDEA等主流IDE及AI编程工具；数据库管理工具包括DBeaver、Navicat等；版本控制重点介绍了Git和GitLab；此外还提及了虚拟机、远程桌面、解压和下载工具等辅助软件。文章旨在帮助开发者了解各类工具的特点与适用场景，提升开发效率。

本文介绍了国产GIS平台GeoScene的功能特点及实用资源。GeoScene由易智瑞公司研发，集成云计算、大数据和AI技术，支持地图制作与空间分析。文章提供了申请试用的在线地址、高校试用许可服务器链接、常用访问地址（包括管理界面、服务地址和Portal登录），以及日志文件目录。还列出了开发教程和常见问题参考链接，涵盖服务管理、安全漏洞修复、API使用等内容，帮助用户快速上手和解决实际应用中的问题。

CursorCLI是Anysphere公司推出的AI编程智能体，目前仅支持Linux和Mac系统。安装可通过执行curl命令完成，需将/.local/bin添加至环境变量。使用前需在命令行输入cursor-agent，首次启动会自动打开浏览器完成登录，然后选择信任工作空间即可通过输入文字与AI交互。支持输入斜杠/执行命令。若在纯命令行无桌面环境中使用，可将登录地址复制到其他电脑的浏览器登录。

vtk.js无法直接加载vtu文件，需要通过ParaView进行格式转换。具体步骤包括：下载并安装ParaView 5.13.1及对应Python版本，将其bin目录添加至环境变量；创建Vue项目并安装vtk.js依赖；复制vtk.js自带的转换脚本并修改Python路径；编写convert.py脚本将vtu文件转换为vtk.js可加载的格式；在Vue组件中使用HttpDataSetSeriesReader加载处理后的文件，并实现时间步进动画；最后需要修改HttpDataAccessHelper.js中的解压逻辑，避免vite自动解压gzip文件导致错误。

本文整理了ArcGIS Server 10.0使用中遇到的24个常见问题及解决方案，涵盖登录报错、服务启动失败、密码遗忘、地图显示异常、要素添加错误、缓存创建失败、内存溢出等。主要解决方法包括：修改DCOM权限、重置密码并重装服务、删除缓存目录、调整服务配置文件参数、将数据放入SDE并注册版本、添加空间索引、增加JVM内存、扩展表空间等。这些方案对ArcGIS Server 10.0至10.8版本均具参考价值。

这篇博客介绍了ArcGISUtils.java这个帮助类，它是在ArcGIS Runtime API和GeoScene Runtime API开发中封装的工具类，旨在方便GIS程序员进行数据库连接、图层获取、数据表获取、图层元素查询、相交元素获取以及Utility Network网络分析等操作。类中提供了包括获取Geodatabase、按名称查找图层、获取要素表、查询相交要素、获取附近要素、获取所有要素、获取公共设施网络、执行路径分析、计算两点距离以及获取GlobalID与图层名称对应关系等核心方法。同时附带了结果封装类R.java，用于统一返回成功或失败状态。

生成对抗网络（GAN）是一种由生成器和判别器构成的深度学习模型，通过零和博弈机制相互对抗训练。生成器试图制造逼真假数据，判别器则努力区分真假，两者在对抗中共同提升。训练过程交替优化：先固定生成器训练判别器区分真假，再固定判别器训练生成器以欺骗对方，最终生成器可输出与真实数据几乎无差异的结果。GAN优势在于生成质量高、无需显式建模、灵活性强，但面临训练不稳定、模式崩溃和评估困难等挑战。广泛应用于图像生成、风格迁移、超分辨率、数据增强等领域，代表变体包括DCGAN、WGAN、CycleGAN和StyleGAN。

这篇文章全面梳理了25种重要的生成对抗网络模型，从2014年诞生的原始GAN到后来的数十种变体，介绍了GAN领域的演进脉络。文章按类别介绍了奠基之作（如cGAN）、结构改进（如DCGAN）、训练稳定性革命（如WGAN和WGAN-GP）、图像翻译（如CycleGAN和Pix2Pix）、文本到图像生成（如StackGAN）、图像恢复（如SRGAN）以及艺术创意模型等。核心观点是，GAN的发展史是不断解决训练不稳定、模式崩溃等问题，并逐步实现可控生成、高清输出和应用扩展的历史，每一次改进都让生成结果更接近真实。

2026年5月20日，阿里云宣布将原“智能编码助手通义灵码”升级为Qoder CN，并推出覆盖软件开发、知识办公和终端操作的全场景产品矩阵。升级后的产品以国产大模型为底座，全链路在国内部署，无需跨境传输数据，严格满足国内数据安全法规。面向金融、政务等高合规行业，Qoder CN提供专属版部署、VPC隔离等企业级方案。新家族包括面向开发者的Qoder CN（支持模型切换、专家团协作等）、知识办公场景的QoderWork CN（可操作办公软件、本地处理文件保证隐私）以及命令行工具Qoder CN CLI。自5月20日起，新品牌、新能力与新定价全面生效。

本文介绍了使用国产GIS平台GeoScene时遇到的五个常见问题及解决方法。包括：1. SSL证书验证失败，需通过PowerShell命令导入证书；2. REST API查询超大数据时报错，需在管理后台增加SOC最大堆内存至256M；3. 生成token时用户名或密码错误；4. 因多次登录失败导致token生成受限，需等待约5分钟；5. 服务请求超时，需调整服务超时时间。文章为GeoScene用户提供了实用的故障排查指引。

本文介绍了meshoptimizer开源库，它能显著压缩三维模型大小并支持将OBJ转换为GLTF格式，提升Web加载速度。文章详细说明了使用Visual Studio 2022编译项目的方法，并列举了gltfpack工具的完整参数说明，包括基础参数、纹理压缩、网格简化、顶点精度、动画属性等设置。最后提供了常用命令行示例，如查看帮助和压缩GLB文件，帮助开发者快速上手使用该工具优化三维模型。