PyTorch生态系统中的连续深度学习：使用Torchdyn实现连续时间神经网络
神经常微分方程（Neural ODEs）是深度学习领域的创新模型，将神经网络的离散变换扩展为连续时间动力系统。本文基于Torchdyn库介绍Neural ODE的实现与训练方法，涵盖数据集构建、模型构建、基于PyTorch Lightning的训练及实验结果可视化等内容。Torchdyn支持多种数值求解算法和高级特性，适用于生成模型、时间序列分析等领域。
《移动端NLP模型部署指南：突破性能与资源瓶颈》
在数字化时代，自然语言处理（NLP）技术已广泛应用于智能语音助手和文本翻译软件。随着移动设备普及，移动端高效运行NLP模型的需求增长。然而，移动端资源受限，如何实现高效部署成为热点问题。解决方案包括模型压缩（如剪枝、量化、知识蒸馏）、选择适配的推理框架（如TensorFlow Lite、PyTorch Mobile、MNN、NCNN），以及利用硬件加速（如GPU、NPU）。通过结构优化和参数调整，结合这些技术手段，未来移动端将提供更流畅、智能的NLP服务，提升人机交互体验。
昇腾910-PyTorch 实现 ResNet50图像分类
本实验基于PyTorch，在昇腾平台上使用ResNet50对CIFAR10数据集进行图像分类训练。内容涵盖ResNet50的网络架构、残差模块分析及训练代码详解。通过端到端的实战讲解，帮助读者理解如何在深度学习中应用ResNet50模型，并实现高效的图像分类任务。实验包括数据预处理、模型搭建、训练与测试等环节，旨在提升模型的准确率和训练效率。
PyTorch 实现MobileNetV1用于图像分类
本实验基于PyTorch和昇腾平台，详细讲解了如何使用MobileNetV1模型对CIFAR10数据集进行图像分类。内容涵盖MobileNetV1的特点、网络架构剖析（尤其是深度可分离卷积）、代码实现及训练过程。通过该实验，读者可以掌握轻量级CNN模型在移动端或嵌入式设备中的应用，并了解其在资源受限环境下的高效表现。实验包括数据预处理、模型训练与测试等环节，帮助用户快速上手并优化模型性能。
新手入门：DGL在昇腾上的安装问题
本文介绍了在aarch64架构和Python 3.10环境下安装DGL（Deep Graph Library）的过程。首先通过`uname -a`确认硬件架构，接着使用`python --version`检查Python版本。为确保兼容性，从指定链接下载适合的whl包或通过pip安装dgl。过程中遇到了torchdata版本不兼容的问题，通过降级torchdata至0.7.1版本解决。此外，针对NPU芯片适配，重新安装了与CANN 8.0.RC2兼容的torch和torch_npu组件。最终成功导入dgl包并准备进行模型训练验证。