← 返回开源专栏9 篇文章·≈ 27 分钟
认识 PyTorch：张量、自动微分与模型的关系
先理解计算框架的职责，再决定是否下载预训练权重。
最新文章
从 Python 入口理解梯度流向，避免把局部源码阅读当成完整引擎审计。
PyTorch 自动微分架构：前向记录与反向执行PyTorchpytorch/pytorch
开始阅读 →01·阅读约 3 分钟·搜索意图: 知识学习
从 Python 入口理解梯度流向，避免把局部源码阅读当成完整引擎审计。
PyTorch 自动微分架构：前向记录与反向执行PyTorchpytorch/pytorch
·阅读约 3 分钟·搜索意图: 知识学习
按任务所需的计算抽象做选择，并单独决定模型和服务层。
如何选择 PyTorch：张量计算、训练与服务依赖PyTorchpytorch/pytorch
·阅读约 3 分钟·搜索意图: 知识学习
把框架放进完整服务边界，检查可复现性和恢复能力。
部署 PyTorch 应用：版本、权重与输入契约PyTorchpytorch/pytorch
·阅读约 3 分钟·搜索意图: 知识学习
用极小的 CPU 计算分清安装、前向运算与梯度累加。
PyTorch 入门：先验证一个标量的梯度PyTorchpytorch/pytorch
·阅读约 3 分钟·搜索意图: 知识学习
把数学预期与实际输出分开记录，用可解释的失败帮助学习。
做一个 PyTorch 梯度检查笔记本PyTorchpytorch/pytorch
·阅读约 3 分钟·搜索意图: 知识学习
先理解计算框架的职责，再决定是否下载预训练权重。
认识 PyTorch：张量、自动微分与模型的关系PyTorchpytorch/pytorch
·阅读约 3 分钟·搜索意图: 知识学习
让硬件条件、结果质量与计时边界出现在同一份记录中。
评估 PyTorch 性能：区分启动、计算和有效吞吐PyTorchpytorch/pytorch
·阅读约 3 分钟·搜索意图: 知识学习
加载前检查代码与权重来源，限制输入，并保护分布式网络边界。
PyTorch 安全：把模型当作可执行产物PyTorchpytorch/pytorch
·阅读约 3 分钟·搜索意图: 知识学习
沿着 accumulate_grad 参数解释存储梯度与返回梯度的差异。
阅读 PyTorch 源码：backward 与 autograd.gradPyTorchpytorch/pytorch
