手算循环神经网络（RNN）和LSTM
本文介绍了循环神经网络(RNN)和长短期记忆网络(LSTM)的原理与PyTorch实现。主要内容包括： RNN基础：解释RNN处理序列数据的机制，展示输入/隐藏层维度关系，并通过"不好看"情感分析示例演示数据预处理和前向传播过程。 PyTorch实现：详细构建SimpleRNN类，包含RNN层和全连接层，实现正向传播、损失计算和参数更新完整流程。 LSTM原理：对比RNN的不足，说明LSTM通过输入门、遗忘门和输出门解决长序列梯度消失问题。 LSTM实践：修改RNN代码为SimpleLS
PyTorch深度学习实战 | 基于LSTM的时间序列预测任务
本文介绍了使用LSTM模型预测印度德里市平均温度的两个项目。项目1对温度数据进行归一化处理，采用滑动窗口法构建监督学习样本，设计5层LSTM网络结构，并详细说明了模型训练过程及评估方法。项目2在数据处理上增加了标准化和周期性特征，改进了网络架构，引入了学习率调整和早停机制优化训练过程。两个项目均通过可视化对比预测值和真实值，验证了LSTM模型在时间序列预测中的有效性。文章从数据处理、模型构建到训练优化，完整呈现了温度预测的实现流程，为时序预测任务提供了实用参考。
图解入门Numpy
NumPy 是一个运行速度非常快的数学库，主要用于数组计算。NumPy中最核心的数据结构是ND array，表示N维数组。数组中的数据类型要统一大规模的数学运算时，运行速度快提供了很多数据运算的函数比如平均值和标准差等等深度学习中为啥经常用到numpy?轻松处理大数据深度学习的模型通常需要处理非常大的数据，比如图像、音频、文本等。这些数据通常会用数组或矩阵表示。NumPy让这些数据的处理变得很简单，因为它提供了一个叫做“ndarray”的数组，能够快速存储和操作这些数据。
PyTorch深度学习实战 |SegNet
CamVid_11是面向自动驾驶的语义分割数据集，含700+张精准标注图像，划分为训练/验证/测试集。涵盖道路、车辆、行人等11类场景目标（含背景共12类），支持SegNet等模型训练与评估。
PyTorch深度学习实战 |手算变分自编码器（VAE）
本文详解变分自编码器（VAE）原理：指出传统自编码器因潜在空间无序而无法生成新图像；VAE通过引入概率建模，用高斯分布近似后验，并结合重构损失与KL散度优化，使潜在空间连续可采样，从而实现可控图像生成。含公式推导、重参数化技巧及完整代码实现。（239字）
PyTorch深度学习实战 | Transformer模型初识
本文介绍了Transformer模型在机器翻译任务中的工作原理。主要内容包括：1）模型分为编码器（处理英文输入）和解码器（生成中文输出）两部分；2）推理时采用自回归模式，逐步生成翻译结果；3）训练时使用教师强制模式，始终以真实标签指导模型学习。文章详细阐述了编码器-解码器结构的工作流程，包括词嵌入、多头注意力机制等核心组件，以及如何通过残差连接和层标准化优化模型性能。最后解释了编码器和解码器三个关键计算步骤的张量维度变化过程。
图解入门Pytorch
什么是PyTorch？PyTorch 就像是深度学习的“工具箱”： 就像你做饭需要锅、铲子、刀和菜一样，做深度学习就需要工具。而 PyTorch 就是那个专门为做深度学习准备的“工具箱”。它提供了很多现成的工具和操作，让你做人工智能的研究或开发变得更简单、快捷。优点：能跑在 GPU 上，速度超级快： 训练深度学习模型很耗计算力，PyTorch 能自动使用你的显卡（GPU）来加速计算。如果你有 GPU，PyTorch 可以帮你大大提高训练速度，不需要你去做特别复杂的设置。自动求导帮你“自己学”
