机器学习分布式框架Ray
Ray是UC Berkeley RISELab推出的一个高性能分布式执行框架，它比Spark更具计算优势，部署简单，支持机器学习和深度学习的分布式训练。Ray包括节点（head和worker）、本地调度器、object store、全局调度器（GCS），用于处理各种分布式计算任务。它支持超参数调优（Ray Tune）、梯度下降（Ray SGD）、推理服务（Ray SERVE）等。安装简单，可通过`pip install ray`。使用时，利用`@ray.remote`装饰器将函数转换为分布式任务，通过`.remote`提交并用`ray.get`获取结果。5月更文挑战第15天
手把手教你使用YOLOV5训练自己的目标检测模型
本教程由肆十二（dejahu）撰写，详细介绍了如何使用YOLOV5训练口罩检测模型，涵盖环境配置、数据标注、模型训练、评估与使用等环节，适合大作业及毕业设计参考。提供B站视频、CSDN博客及代码资源链接，便于学习实践。
中药材图像识别数据集（100类，9200张）｜适用于YOLO系列深度学习分类检测任务
本数据集包含9200张中药材图像，覆盖100类常见中药材，适用于YOLO系列及主流深度学习模型的图像分类与目标检测任务。数据已划分为训练集（8000张）与验证集（1200张），采用标准文件夹结构和简体中文命名，适配PyTorch、TensorFlow等框架，可用于中药识别系统开发、医学辅助诊断、移动端图像识别App研发及AI科研训练，具备较强的实用性与拓展性。
【Pytorch】查看GPU是否可用
本文提供了使用PyTorch检查GPU是否可用的方法，包括查看PyTorch版本、编译时使用的CUDA版本以及当前CUDA是否可用于PyTorch。
LMDeploy 部署 VLMs 的方法与探讨
LMDeploy 部署 VLMs 的方法与探讨 LMDeploy 是一个高效且友好的大型语言模型（LLMs）和视觉-语言模型（VLMs）部署工具箱，由上海人工智能实验室模型压缩和部署团队开发，涵盖了模型量化、离线推理和在线服务等功能。
深入解析torch.compile：提升PyTorch模型性能、高效解决常见问题
PyTorch 2.0推出的`torch.compile`功能为深度学习模型带来了显著的性能优化能力。本文从实用角度出发，详细介绍了`torch.compile`的核心技巧与应用场景，涵盖模型复杂度评估、可编译组件分析、系统化调试策略及性能优化高级技巧等内容。通过解决图断裂、重编译频繁等问题，并结合分布式训练和NCCL通信优化，开发者可以有效提升日常开发效率与模型性能。文章为PyTorch用户提供了全面的指导，助力充分挖掘`torch.compile`的潜力。