PyTorch Tensor、Pandas DataFrame 与 NumPy Array 数据转换指南 在深度学习与数据科学开发中，数据常需要在 Pandas（数据处理与清洗）、NumPy（数值计算与矩阵操作） 和 PyTorch（模型训练与张量计算） 三者之间流动。本文总结了两两转换的标准操作、注意事项及实际开发中的经典连续转换场景。 一、 两两转换操作与代码示例 1.1 NumPy <

HPC 性能分析完整指南：从理论峰值到经验 Roofline 本指南由两部分组成： 练习 1：用公式和命令，手动算出机器的理论性能上限（FLOP/s 峰值、内存带宽、机器平衡） 练习 2：用 Empirical Roofline Tool (ERT) 实测同一台机器，画出经验 Roofline 图 理论值画天花板，实测值告诉你"实际上限"。两者对照，才是完整的性能画像。 第一部分：理论性

四、PyTorch的主要组成模块 4.1 ResNet 本节学习的内容有： 梯度消失/爆炸的简介 代码里面为什么要设计BasicBlock和Bottleneck两种结构 代码里面的expansion作用 残差神经网络（ResNet）由 何恺明、张祥雨、任少卿、孙剑 等人在 2015 年（发表于 CVPR 2016）代表微软亚洲研究院（MSRA）团队提出。 核心解决的问题：网络深层化时的“退化问

三、PyTorch的主要组成模块 3.1 深度学习流程及与机器学习差异 一项机器学习任务的整体流程如下： 数据准备与划分：对原始数据进行清洗、格式统一与特征变换，并划分为训练集、验证集和测试集（如采用随机切分或 K 折交叉，可以使用sklearn带的test_train_split函数、kfold来实现）。 模型与算法配置：选择合适的网络架构，指定衡量误差的损失函数、更新参数的优化器以及相关超参

二、PyTorch基础知识 本章的的内容包含如下：张量概念及特点、张量的运算、自动微分、并行计算简介以及并行计算加速设备。 2.1 张量 2.1.1 张量简介 张量就是“多维数组”，其中的元素的数据必须一致。它是 PyTorch 传输、存储和计算数据的统一标准载体。 无论在深度学习中处理的是什么数据，最终都会被转化成张量： 0维张量：标量（Scalar），就是一个独立的数字（如 loss = 0

Ubuntu20.04 LTS环境下 参考《本地微调DeepSeek-R1-8b模型.md》中章节“3.2 准备jupyter环境” Win11环境下 我安装了Anaconda3-2021.04-Windows-x86.exe，具体安装步骤参考（其实也无需怎么参考）：https://zhuanlan.zhihu.com/p/339736966 1C:\Users\syjiang>conda

第1章 Pandas入门与核心操作 本章的目标是掌握Pandas最基础但最常用的内容：什么是Series、什么是 DataFrame，如何查看数据，如何筛选行列，如何排序，以及如何新增计算列。 Pandas 最核心的两个数据结构是： 1import pandas as pd Series 可以理解成“一列数据”。 123s = pd.Series([80, 90, 75], index=[&quo

一、Anaconda的安装与配置 1.1 Anaconda的安装 Ubuntu 20.04.3 LTS下：安装anaconda ；win11下：略。 1.2 Anaconda中常用配置 虚拟python环境与包 1234567891011121314#1. 默认会创建一个base的虚拟python环境不一定符合需要。自定义创建虚拟python环境：conda create -n 环境名称 pyt

一、赛事背景介绍 赛事（基于用户注册信息的关键词检测挑战赛"https://challenge.xfyun.cn/h5/detail?type=KDBURI&ch=2026dsDW2"）由科大讯飞发起，中国信息协会联合主办。此次 AI 夏令营活动“https://ailc.datawhale.cn/hall/group/100000933/task/100000792”由Datawhale

一、安装与初识matplotlib 以下内容是自己入门matplotlib与简单使用matplotlib的记录。 Matplotlib 是 Python 中最核心、最老牌的数据可视化（绘图）基础库。 它就像是 Python 世界里的“数字画笔”，能够将 NumPy 数组或 Pandas 抽象的数据，转化为折线图、柱状图、散点图、3D 图等各种专业的静态、动态或交互式图表。它的设计理念深受 MATL