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 | 手算卷积网络（Resnet-18)
ResNet-18是解决深层网络梯度消失与退化问题的经典模型，核心在于残差连接（Shortcut）：让输入X直接跳跃传递，与卷积学习的残差F(X)相加（F(X)+X），实现恒等映射。其含4个stage、18层可训练层，每个BasicBlock由两个3×3卷积+BN+ReLU构成，并通过1×1卷积适配尺寸/通道差异，显著提升深层网络训练稳定性与性能。（239字）
PyTorch深度学习实战 | 人工智能项目从训练到部署
本项目基于LSTM模型对污水处理厂总曝气量（旧区+新区）进行时序预测。通过数据清洗、Min-Max归一化、滑动窗口构造（12小时输入→预测未来1小时），构建并训练轻量级LSTM模型，支持API部署与实时调用，已实现端到端预测流程及模型保存。
TraceML：用三行代码为训练循环加入 step 级诊断
TraceML 是专为 PyTorch 训练设计的轻量级诊断工具，无需侵入式改造代码，仅需标记训练 step，即可实时可视化各阶段（数据加载、前向/反向、优化）耗时与内存分布，自动生成结构化 `final_summary.json`，快速定位性能瓶颈——是开启深度 profiling 前的「零号判断工具」。
