PyTorch深度学习入门：从张量到CNN/RNN/GAN实战-北京尧图网络

简介面向深度学习初学者、转行开发者与课程学员的 PyTorch 入门实战配套材料围绕神经网络基础、卷积网络、循环网络、生成对抗网络及图卷积等主题提供可对照视频教程运行的源代码、课件与实验素材帮助读者从环境安装逐步过渡到模型训练、项目复现与结果分析。压缩包共 142 个文件、约 85.9MB以 55 个 PDF 课件/讲义和 39 个 Python 脚本为核心并含 PNG 图示、XML 配置、TXT 说明、Notebook 等辅助文件便于按章节查阅代码、理解实验流程、整理排错思路。已有 2679 人学习下载。内容覆盖 CIFAR-10 与 ResNet18 实战、LSTM、图卷积网络等案例并配合数据加载、模型搭建、训练评估与可视化等环节代码与课件相互对应既适合边看教程边动手实践也可作为课程配套练习、阶段复习与项目复现的参考资料帮助读者建立从理论理解到工程实现的完整学习路径。1. 先破除一个误解深度学习并不神秘它只是“让程序自己调整参数”很多人第一次听到深度学习脑子里浮现出来的是一堆看不懂的公式和满屏大写字母。换个说法就好懂了传统编程是你把规则写清楚让程序照着做深度学习是你给它一堆例子让它自己把规则“猜”出来。猜得不准怎么办答案会被判错、扣分它据此微调自己内部的参数再来一次反复几万遍参数就慢慢逼近那个“对的规则”。这份 PyTorch 深度学习教程配套的源代码和课件做的事就是把上面这个“猜—扣分—微调”的循环从你看不懂的内部过程变成你能亲手调整的几个参数。它覆盖了从基础网络到卷积神经网络、循环神经网络、生成对抗网络的一条完整线索。零基础也能跟着做前提只有一条你写过一点点 Python知道变量、循环、函数是怎么回事。2. 先搞清楚 PyTorch 是什么四块基础组件撑起整套深度学习在动手之前得先知道自己要学的东西长什么样。PyTorch 不是一门新语言它是一个 Python 的第三方库专门用来搭神经网络、跑训练。你可以把它想象成一套“深度学习积木”它不会替你想模型结构但它把最脏最累的活比如求导、把数据搬到显卡上算、按批次送数据全都包了。2.1 深度学习到底在做什么把“手写规则”换成“用数据找参数”举个最常见的例子判断一张图里是不是猫。用传统写法你得手写规则有尖耳朵算一条、有胡须算一条、眼睛是竖瞳算一条。写着写着就发现不对侧着脸的猫没耳朵形状、糊掉的图没有胡须、玩偶猫全都符合。规则永远写不完这就是传统方法最尴尬的地方。深度学习的做法完全反过来。你准备一万张标好“猫”和“不是猫”的图丢给一个初始参数全是随机数的网络。它先乱猜猜错了就计算“错得有多离谱”然后按让错误变小的方向把内部几百万个参数各自微调一点点。重复几万次之后这些参数组合出来的效果就是一种人类写不出来、但确实好用的“判断规则”。所以学习深度学习重点并不在背公式而在搞懂三件事数据怎么喂进去、参数怎么被调整、结果怎么判断好不好。这三件事正好对应下面四块组件。2.2 PyTorch 的四块组件张量、自动求导、模型、数据管道新手最容易迷糊的地方是教程里一会儿 tensor一会儿 nn.Module一会儿 DataLoader不知道哪个是主哪个是次。其实它们的分工很清楚基础组件一句话作用你什么时候会用到张量tensor能放到显卡上算的多维数组从第一个例子开始天天用自动求导autograd自动帮你把梯度算出来每次调用backward()的时候模型nn.Module装网络层的容器管参数、管前向计算定义任何网络结构时数据管道Dataset / DataLoader按批次把数据送进模型数据量一大就必须用张量你可以直接理解成“升级版的 NumPy 数组”区别在于它能在显卡上算而且记得住自己参与过哪些运算。自动求导就是那个记账的你对张量做了哪些操作它一笔一笔记下来等你说“开始反向传播”它顺着账本把每个参数的梯度算好。梯度是什么简单说就是“这个参数往哪个方向调、调多少损失会变小”。nn.Module像一块乐高底板。你把卷积层、全连接层、激活函数按顺序插上去它就自动帮你把所有可训练参数登记在册你用model.parameters()一句话就能全拿出来交给优化器。DataLoader 则是传送带它负责把几万张图切成一批一批每批几十张边训练边读盘不会一次性把内存塞满。这四块组件就是整套 machine-learning tutorial 反复在用的东西。课件 PPT 里通常会有一两页专门画它们的关系图看代码之前先翻一遍那几页后面会顺很多。2.3 为什么新手先学它报错看得懂调试像写普通 Python框架不止一个为什么入门建议从它开始最关键的一点是它按“写一行、跑一行”的方式工作。你在脚本里定义完网络下一行就能直接print(model)把结构打出来中间想看看某一层的输出长什么样插一句 print 就行。出错的时候报错信息会直接指到你写的那一行Python 的调试器也能照常用。对零基础的人来说这个体验太重要了。另一种思路是“先把整张计算图定义好再统一编译执行”跑得快但调试时你很难知道中间到底发生了什么错误信息也经常绕着弯说。我第一次学的时候踩过的坑就是贪图“看起来更专业”选了一个静态图风格的写法结果一个维度对不上报错信息只有一句类型不匹配我对着代码看了整整一晚上最后发现是把 batch 维度和特征维度写反了。换成动态执行的写法之后同样的错误print 一下 shape 就抓出来了。所以入门阶段优先选“能让你看见中间结果”的工具这比性能重要得多。等你把整套流程跑顺了再考虑性能优化的事完全不迟。2.4 学之前要不要先补数学只掌握够用的最低配置这是问得最多、也最容易把人劝退的问题。直接给结论不用先把数学补完再开始边做边补就够了。入门真正用得上的只有三样。第一是矩阵乘法你要知道两个矩阵相乘时形状怎么变因为维度对不上是新手最常见的报错。第二是导数与梯度的直觉你不需要手算但要知道“梯度指向上坡方向所以更新参数时要往反方向走”。第三是一点点概率比如输出为什么要过 softmax 变成概率分布、交叉熵在衡量什么。其余的东西比如链式法则的严格推导、各种优化的收敛性证明入门阶段完全可以先跳过。你可以在跑通几个例子、对流程有感觉之后再回头看课件里那些公式那时候它们就不再是天书而是“哦原来是在解释我刚才做的那件事”。3. 第一步怎么迈装好环境跑通两个能出结果的例子概念说再多不如让屏幕上出现一行数字。这一章的目标很明确从零把环境装起来跑通两个例子第一个让你看懂张量第二个让你亲手完成一次“训练”。整个过程不需要显卡普通笔记本的 CPU 就够。3.1 装环境三步走别一上来就折腾显卡新手装环境翻车的概率极高绝大多数是因为把包装进了系统自带的 Python 里和别的项目打架。所以第一步不是装框架是建一个独立的环境。# 第一步建一个专用虚拟环境名字随便取这里叫 dl_env python -m venv dl_env # 第二步激活它。Windows 用这一行 dl_env\Scripts\activate # 第三步激活它。macOS / Linux 用这一行 source dl_env/bin/activate激活成功的标志是命令行前面多了一对括号里面写着dl_env。看到它说明后面装的任何包都只会落在这个环境里删掉文件夹就等于彻底卸载不会留垃圾。接着装框架和配套的图像库# 在已激活的虚拟环境里执行 pip install torch torchvisiontorch是框架本体torchvision是配套的视觉工具包后面处理图片数据集、做数据增强都要用它。安装完成后验证一下import torch print(torch.__version__) # 能打印出版本号就说明装好了 print(torch.cuda.is_available()) # 没有显卡的话输出 False 完全正常第二行输出False不用慌入门阶段的例子在 CPU 上跑几秒钟就出结果。有显卡的同学可以之后再研究怎么把张量搬到显卡上那是加速手段不是入门门槛。提示如果pip install卡住不动或者报网络错误先换成国内的镜像源再试不要一直重试同一条命令。装完之后建议把pip install torch torchvision写进一个requirements.txt以后换电脑一行命令就能复现环境。3.2 第一个例子十分钟看懂张量在干什么环境好了先别急着上神经网络从最小的东西开始。新建一个step1_tensor.pyimport torch # 造两个 2x2 的张量可以理解成能上显卡算的多维数组 a torch.tensor([[1.0, 2.0], [3.0, 4.0]]) b torch.tensor([[5.0, 6.0], [7.0, 8.0]]) print(a b) # 逐元素相加对应位置直接加 print(a * b) # 逐元素相乘不是矩阵乘法 print(a b) # 矩阵乘法是矩阵乘的专用运算符 print(a.shape) # 形状输出 torch.Size([2, 2])跑一下你会看到四组输出。这里最关键的是搞清楚*和的区别*是位置上的一一对应相乘才是数学课上的矩阵乘法。这两个符号搞混是后面维度报错的重灾区。再往下走一步看看自动求导长什么样import torch # requires_gradTrue 表示这个数需要求梯度框架会自动记账 x torch.tensor(2.0, requires_gradTrue) # 定义一个关于 x 的表达式 y x ** 2 3 * x 1 y.backward() # 反向传播把梯度算出来 print(x.grad) # dy/dx 2x 3在 x 2 处等于 7输出是tensor(7.)。你可能想问我明明没写求导公式它怎么算出来的这就是自动求导在做的事y是由x一步步算出来的每一步都被记了下来backward()一调用它就顺着记录反着走一遍把导数算好放进x.grad。参数说明一下requires_gradTrue是开关只有打开了这个张量才会被跟踪.grad是存放结果的属性在调用backward()之前它是None。真实训练里模型的所有参数默认就是这个开关打开的所以你不必手动设置。3.3 第二个例子一个完整训练循环让机器自己把参数猜出来现在上正餐。我们造一批假数据真实关系是y 3x 2然后让模型从完全随机开始自己把 3 和 2 猜出来。新建step2_train.pyimport torch torch.manual_seed(0) # 固定随机种子保证你和我跑出来的结果一致 # 1. 造数据真实关系 y 3x 2故意加一点噪声模拟真实世界的脏数据 x torch.rand(100, 1) * 10 y 3 * x 2 torch.randn(100, 1) * 0.5 # 2. 定义模型一个线性层输入 1 维、输出 1 维内部就两个参数 w 和 b model torch.nn.Linear(1, 1) # 3. 损失函数与优化器 loss_fn torch.nn.MSELoss() # 均方误差越小说明猜得越准 optimizer torch.optim.SGD(model.parameters(), lr0.01) # 随机梯度下降lr 是学习率 # 4. 训练循环前向 → 算损失 → 清零 → 反向 → 更新 for epoch in range(200): pred model(x) # 前向拿当前参数去猜 loss loss_fn(pred, y) # 算一下错得多离谱 optimizer.zero_grad() # 梯度清零不清会累加到上一轮的结果上 loss.backward() # 反向算出每个参数的梯度 optimizer.step() # 更新按梯度把参数往损失变小的方向挪一点 if (epoch 1) % 50 0: print(f第 {epoch 1} 轮损失 {loss.item():.4f}) print(学到的权重 w , model.weight.item()) print(学到的偏置 b , model.bias.item())跑完你会看到损失从几十一路降到零点几最后打印出来的w接近 3、b接近 2。这就是整件事的全貌没有任何人告诉程序答案它靠“猜错—扣分—微调”把参数猜到了正确值附近。几个参数必须解释清楚。lr0.01是学习率控制每次挪多大一步调太大会来回震荡、损失不降反升调太小则两百轮下来还没走到位一般从 0.01 或 0.001 试起。MSELoss是均方误差把每个样本的偏差平方后取平均回归问题默认用它。SGD是最基础的优化器你只要记住它是“按梯度反方向挪参数”的那个执行者。这五行循环的顺序是全篇最该背下来的东西前向、算损失、清零、反向、更新。后面无论换成多复杂的网络卷积也好、循环网络也好这五步一步都不会变变的只是模型内部长什么样。3.4 跑通之后怎么判断自己是真的懂了代码能跑不等于懂了。检验方法很简单做四个小改动每改一个就先猜结果再看结果第一个把lr改成 1.0看损失会怎样。大概率你会看到损失先是暴涨然后变成nan这就是学习率太大导致训练发散的典型症状以后遇到nan第一反应就应该是调小学习率。第二个把循环里的optimizer.zero_grad()注释掉再跑一次。损失会变得很奇怪因为梯度被一轮轮累加起来了。这个实验做一遍你就永远不会忘记为什么必须清零。第三个把噪声* 0.5改成* 5.0看学出来的w和b还准不准。数据越脏学出来的参数越偏这是“垃圾进垃圾出”的最直观演示。第四个把轮数从 200 改成 20看损失停在哪。你会直观感受到“训练不够”是什么样子这比看十篇讲欠拟合的文章都管用。做完这四个实验你手上就已经有了调试模型的直觉。后面课件里那些看起来复杂的例子本质上都是这个循环加料。4. 三条主线怎么排卷积网络、循环网络、生成对抗网络这份教程的配套代码覆盖了三类经典网络。新手最容易犯的错误是拿到就按文件夹顺序一个一个硬啃结果卡在某个看不懂的地方前面学的也忘了。这一章讲清楚它们各自解决什么问题、适合什么数据以及该按什么顺序学。4.1 卷积神经网络处理图片的主力卷积神经网络convolutional neural networks常写作 CNN是图像任务的标准解法。它和全连接层最大的区别在于全连接层把图片拉成一长条相邻像素的空间关系就丢了卷积层用一个小的窗口在图上滑动每次只看局部因此能捕捉“边缘”“纹理”这类局部特征而且同一套窗口参数在全图复用参数少了很多。搭一个能跑的最小 CNN 长这样import torch from torch import nn class SmallCNN(nn.Module): def __init__(self, num_classes10): super().__init__() # 特征提取卷积激活池化重复两次 self.features nn.Sequential( nn.Conv2d(1, 16, kernel_size3, padding1), # 1 通道进16 通道出卷积核 3x3 nn.ReLU(), # 激活函数给网络加非线性 nn.MaxPool2d(2), # 池化长宽各减半 nn.Conv2d(16, 32, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), ) # 分类头把特征图拉平接到全连接层输出类别分数 self.classifier nn.Sequential( nn.Flatten(), nn.Linear(32 * 7 * 7, num_classes), ) def forward(self, x): return self.classifier(self.features(x)) model SmallCNN() print(model)先看参数。Conv2d(1, 16, kernel_size3, padding1)里第一个 1 是输入通道数灰度图是 1彩色图是 316 是输出通道数也就是用 16 个不同的卷积核去看同一张图得到 16 张特征图kernel_size3是那个滑动窗口的边长padding1是在图像四周补一圈 0保证卷完尺寸不变。MaxPool2d(2)是每 2x2 的区域只留最大值图的长宽直接减半作用是压缩信息、扩大感受野。再看结构。nn.Sequential就是一个按顺序执行的容器把层像积木一样串起来forward里一行调用就够了。Flatten()负责把多维的特征图拉成一维向量因为全连接层只认一维。32 * 7 * 7这个数字不是随便写的输入 28x28 的图经过两次减半变成 7x7 又因为第二个卷积输出 32 通道所以是 32 乘 7 乘 7。这个数字写错报错信息会直接告诉你实际是多少照着实到的值改就行。入门时的顺序建议是先跑通一个手写数字分类的例子看清楚数据是怎么从 28x28 的图变成 10 个类别分数的再回头改通道数、加一层卷积观察参数量和准确率的变化。4.2 循环神经网络处理有先后顺序的数据卷积网络处理的是“空间”循环神经网络recurrent neural networks常写作 RNN处理的是“时间”。文本、语音、股票价格这类数据前后顺序一变意思就变了“我打他”和“他打我”用词一样顺序不同。RNN 的做法是每读一个词就更新一次内部状态把这个状态往后传于是后面的判断能带上前面看过的信息。一个最小的写法import torch from torch import nn # 输入特征 8 维隐藏状态 16 维batch_firstTrue 表示第 0 维是批次 rnn nn.RNN(input_size8, hidden_size16, batch_firstTrue) # 模拟一批数据4 个样本每个样本是长度 10 的序列每步 8 个特征 x torch.randn(4, 10, 8) out, h_n rnn(x) print(out.shape) # [4, 10, 16]每一步都有一个输出 print(h_n.shape) # [1, 4, 16]最后一步的隐藏状态input_size是每一步输入几个数hidden_size是内部记忆有多少维batch_firstTrue是个很实用的开关打开之后数据形状是“批次在前”和绝大多数教程、绝大多数其他层的习惯一致能省掉大量转置操作。返回两个值out是每一步的输出做序列标注、词性判断时用它h_n是最后一步的记忆做整句分类时用它。新手用 RNN 最容易忽略的是它的“记忆衰减”序列太长时前面的信息传到后面已经淡得差不多了。所以真实场景里一般会直接上它的改进版也就是带门控的结构。入门阶段先把上面这七行跑通、搞清两个返回值的形状再去理解门控怎么工作会顺畅得多。4.3 生成对抗网络两个网络互相较劲生成对抗网络generative adversarial network常写作 GAN的思路和前两个完全不同它不是做分类而是做生成画出一张不存在的图、造出一段不存在的人脸。它的结构里有两个网络一攻一守。生成器负责造假从一堆随机数里变出一张图判别器负责鉴定看一张图是真货还是假货。训练时两边轮流进步判别器越来越会挑刺生成器就被逼着造得越来越像。这个过程有点像造假币的和验钞的互相较劲最后造假的那位手艺高到验钞的都分不出来。角色输入输出训练目标生成器一串随机数一张假图骗过判别器判别器一张图真/假分数分清真假新手看 GAN 的代码最容易困惑的是“为什么有两个优化器、为什么判别器的标签要一会儿是 1 一会儿是 0”。记住这个原则就行训练判别器时把真图标 1、假图标 0让它学会区分训练生成器时把假图标成 1让它朝“被判成真”的方向优化。两组参数交替更新所以要有两个优化器。GAN 的训练是三者里最不稳定的损失曲线经常上下乱跳甚至两个网络一起崩掉这属于这门技术的固有特点并不是你的代码写错了。入门阶段的目标不是训出惊艳的效果而是看懂两个网络的参数是怎么交替更新的。看懂这一点就已经跨过门槛了。4.4 三条线的学习顺序先卷积、再循环、最后生成顺序不是随便定的它跟难度和复用度直接挂钩。先学卷积因为它把“数据怎么组织成批次、模型怎么定义、训练循环怎么写、准确率怎么看”这一整套流程跑得最完整而且图像任务的结果很直观对错一眼能看出来。把这条线走通你就有了一个可以反复套用的模板。再学循环因为它引入了新的数据形状多出来一个“序列长度”维度。这个维度对新手来说很容易搞混有卷积的基础打底你会更容易分清哪个维度是批次、哪个是特征。最后看生成对抗网络它需要你先熟悉前两种网络因为生成器和判别器本身通常就是卷积网络堆出来的。前面两条线扎实了GAN 的结构对你来说只是“两个熟悉的模型拼在一起加一个交替训练的流程”。课件 PPT 里的顺序一般也是这么排的如果你拿到手发现某一节看不懂先退回去看上一节八成是前一节的概念没吃透而不是这一节太难。5. 新手最容易踩的五个坑现象、原因、解决这一章单独拿出来讲是因为下面这几条我几乎每次带新人都要重复一遍。它们的共同特征是报错信息看起来吓人但原因往往只有一行代码那么小。5.1 环境和安装类的坑现象一命令行里import torch报ModuleNotFoundError但明明装过了。原因基本只有一个装包和跑代码用的不是同一个 Python。电脑里往往同时存在系统自带的 Python、其他工具装的 Python以及你刚建的虚拟环境pip装进哪个、python用的是哪个两者对不上就找不到包。解决方法是先确认当前环境。看命令行前面有没有(dl_env)这样的括号没有就先激活然后统一用python -m pip install xxx这种写法让 pip 和 python 绑定在同一个解释器上能避开绝大多数“装了却找不到”的问题。现象二代码跑到一半提示显存不足。原因是你一次性把太多数据塞进去了或者上一个模型的显存没释放。解决方法是先把批次大小减半试试也就是batch_size从 64 降到 32、再降到 16如果还不行就先老老实实用 CPU 跑小规模数据。入门阶段的数据集CPU 完全跑得动没必要在环境上跟自己较劲。5.2 训练过程类的坑现象三损失一动不动或者第一轮就变成nan。损失的字母全是 n 的时候原因通常是学习率太大参数一步迈太远直接飞出去了也可能是数据没做归一化几万的数值进网络梯度自然爆掉。解决方法是把lr缩小十倍再跑一次比如从 0.01 降到 0.001同时检查输入数据有没有做标准化。这两步能解决绝大部分nan。现象四训练集准确率很高换一批数据就崩。原因一般是过拟合模型把训练数据的噪声也背下来了也可能是训练集和测试集的数据处理方式不一致比如一边做了归一化一边没做。解决方法是先看数据划分有没有问题确认测试集从来没有参与训练再考虑加数据增强、加正则、减少模型参数。第一步永远是检查数据而不是改模型。现象五改了模型结构之后报形状不匹配。原因几乎都出在维度上最常见的是卷积层输出尺寸算错接了全连接层时数字对不上或者忘了把图拉平。解决方法是养成习惯在forward里打印一次中间张量的形状print(x.shape)。报错信息里其实已经写了期望值和实际值对着看一眼就知道差在哪。这个习惯能帮你省掉无数个小时。5.3 看教程和读代码类的坑现象六跟着视频一行行抄抄完能跑但一关掉视频就写不出来。原因是你抄的是字符不是逻辑。视频里每一行代码为什么出现、删掉会怎样你没想过。解决方法是改一个参数看变化。抄完之后立刻做实验把轮数改成原来的十分之一、把学习率乘十、把某一层注释掉看输出怎么变。做三个这样的对比实验比再抄一遍有用得多。配套源代码的价值也在这里它有注释、可以随便改改坏了重下一份就行这种“敢乱动”的安全感才是学得快的真正原因。6. 下一步学什么一条能自己走下去的路线把上面两个例子跑通之后很多人会陷入新的迷茫接下来该干什么我的建议是不要横向铺开去看各种新模型而是纵向把一个完整的项目做穿。具体分三个阶段你可以照着表里的顺序推阶段目标具体做什么大概花多久第一阶段流程形成肌肉记忆把训练循环那五行自己默写三遍不看代码两三天第二阶段跑通一个真实数据集图像分类走一遍把数据加载、训练、评估、保存模型串起来一到两周第三阶段换一个方向复用同一套流程挑循环网络或生成对抗网络里的一个改自己的数据两到三周第一阶段的判断标准很朴素关掉所有参考新建一个空文件从import torch开始把“前向、算损失、清零、反向、更新”这五步写出来并且能跑通。写不出来就回去看第 3.3 节的例子直到能默写为止。这一步看起来笨但它是后面所有内容的地基地基不牢后面每学一个新模型都要重新查一遍怎么写循环。第二阶段重点是补上“工程化”的部分。前面的例子只教了训练真实项目里还有几件事必须会把数据集写成Dataset子类、用DataLoader按批次送数据、把训练好的权重存下来再加载、在测试集上算准确率而不是看损失。这几件事课件里通常都有现成的代码段别只看自己敲一遍改几个参数看会怎样。第三阶段是检验你到底有没有真的掌握。找一个自己感兴趣的小数据集套用第二阶段的整套代码只改数据加载部分和网络结构其他不动。能顺利跑起来并出结果说明你已经具备独立往前走的能力了。这时候再回头看那些讲原理的章节会突然顺畅很多因为那些公式原来是在解释你已经亲眼见过的现象。最后说个我自己的习惯。从那以后我每次跑通一个新模型都会强制走一遍“三个实验”把学习率改大十倍、把数据增强关掉、把批次大小减半各跑一轮把结果记在代码注释里。刚开始是逼自己做的后来发现这三次对比给我的信息量比继续看十篇教程都多。血泪经验是那些你以为已经懂了的参数只有在你亲手把它调坏一次之后才算真的懂了。希望帮到你从第一个张量开始别急着看懂全部。本文还有配套的精品资源点击获取

PyTorch深度学习入门：从张量到CNN/RNN/GAN实战

相关推荐

时间序列预测模型选型与调参：从BP、SVM到CNN+LSTM

LangChain架构本质：Runnable契约与LCEL编译器原理

XSLT高效处理XML的7大核心技巧与实战优化

更多资讯

Codex选模型太折磨？用TaoToken统一Key跑通AutoRoute自动路由

Qwen Code 的 `/cd` 命令：为 AI 编程会话注入“空间切换”能力｜TaoToken 统一 Key 接入实践

AI模型自动化部署脚本设计与实践指南

OSTEP实验包实战：xv6内核系统调用、调度与页表改造指南

雨幕下的纯视觉感知：能见度评估与决策降级实战

把月度手账写成短文之前，先把数字留住

今日更新

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？