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”
手算神经网络
本文介绍了使用2×3×1神经网络实现房价预测的全过程。首先通过手动计算演示了单个样本的前向传播和反向传播，包括权重初始化和梯度更新。随后使用PyTorch实现了完整的神经网络模型，包含数据准备、网络结构定义、损失函数计算和优化器设置。在训练过程中记录了损失值变化，并可视化展示训练效果。最后提供了一个挖空版本的代码框架，帮助读者逐步完成神经网络的关键实现步骤，包括导入包、定义网络框架、数据准备、训练循环和结果可视化等模块。通过这个完整的项目实践，读者可以掌握神经网络从理论到实现的全流程。
PyTorch深度学习实战 |语义分割基础知识
《PyTorch语义分割实战解析》摘要：本文深入探讨语义分割中的标签处理技术，对比P模式与L模式的本质区别。P模式通过调色板实现人机双重视觉效果，底层存储类别索引（0,1,2等），表面呈现彩色可视化效果。针对边缘模糊问题，提出使用255作为忽略标签（IgnoreLabel）的解决方案。文章系统梳理7大评价指标：从基础的像素准确率(PA)到综合性的mIoU和mF1，特别强调mIoU作为核心指标的重要性，其平衡各类别的特性使其成为模型性能评估的黄金标准。通过技术原理与实战经验的结合，为深度学习从业者提供了语义分
