🧊 又挖到一份 PyTorch 入门笔记，专治「张量这块一直没搞明白」 GitHub 上 1K stars 学深度学习卡在第一关的人比想象中多。教程一上来就是搭网络训模型，但真到自己写的时候，形状对不上、广播规则不清楚、矩阵乘法维度顺序搞反，报错信息看半天不知道错在哪。问题不在模型，在张量这层基本功没打牢。 这份材料就只干这一件事，把张量从头讲透：张量怎么初始化、类型怎么转、数学运算和比较运算怎么用、矩阵乘法和批处理怎么对齐维度、广播规则到底怎么生效、索引和形状变换有哪些写法。 形式是一个 Jupyter Notebook，`pytorch_fundamentals.ipynb`，边看边改边跑，比读文档快得多。MIT 协议。 地基没打好，上面盖多高都会晃。 GitHub：

简单了解了下，lightning（即 PyTorch Lightning / Lightning AI 框架）在深度学习和 PyTorch 生态里非常流行… 所以，最近的投毒喜欢干玩 AI 工程的技术人员？🤦🏻‍♂️顺便干掉依赖这些的各大服务。

🐳 DeepSeek 刚开源了 DeepSelect，大模型里“从海量候选中挑出前 K 个”这一步，比 PyTorch 自带的 torch.topk 快 2 到 20 倍。 它是给 DeepSeek 稀疏注意力 DSA 和采样器用的 TopK 内核，而 DSA 就用在 DeepSeek V3.2、V4 和 V4.1 上。仓库昨天才建，今天就发了 1.0.0。 稀疏注意力的思路是每一步只看最要紧的那部分 token，挑哪几千个就靠 TopK；生成时从约 12.8 万的词表里采样，也要先挑出前 K 个候选。 DeepSelect 把这两个场景分别做了优化：批大小、词表大小随便设，K 最多到 4096，每一行还能单独设长度上限，接口同样返回 values 和 indices 两个张量。默认开着 NaN 检查，发现坏数值直接终止程序。 如果你在做推理框架、抠每一步的开销，可以拿仓库自带的基准测试跑一遍对比。 GitHub：

🎨 Redis 头号贡献者 antirez 开源了 Iris，在自己电脑上本地跑文生图，不用装 Python，也不用装 PyTorch。 Iris 在 GitHub 上快 2000 star，作者 Salvatore Sanfilippo 在 redis/redis 仓库里提交了七千一百多次。 以前想在本地跑个开放权重的图像模型，第一步往往是配 Python 环境、装 PyTorch、对版本，折腾半天还没见到第一张图。 Iris 整条推理管线都是纯 C 写的，除了 C 标准库没有别的依赖，想加速再挑 MPS、CUDA、ROCm 或 BLAS。FLUX.2 Klein、Z-Image-Turbo、FLUX.3 Image Klein 都能跑，文生图、图生图、多参考图也都能做。 文档给的对比是：M3 Max 上用蒸馏版 Flux 出一张 512x512 大约 7.6 秒，PyTorch（MPS）要 13 秒；权重默认走内存映射，4B 模型的峰值内存从约 16GB 压到 4-5GB。注意 9B 版本是非商业许可。 内存不大、又不想被 Python 环境折腾的，可以拿 Iris 试试。 GitHub：

谷歌开源TorchTPU：让主流AI框架直接跑在谷歌TPU上 目前绝大多数AI开发者都习惯使用PyTorch来编写和训练模型，但这类代码通常专门为英伟达显卡优化，很难直接高效运行在谷歌自研的TPU加速芯片上。 谷歌团队开源了TorchTPU工具包，通过在底层定制专用的计算内核并接入代码编译缓存，用户只需在云端TPU主机上通过pip或构建工具Bazel安装该扩展包，就能无缝衔接现有工作流。 接入后，开发者无需重写核心算法，就能直接调用谷歌TPU来训练和运行主流大模型（如Llama、Qwen等）。模型能够自动发挥TPU硬件在数据并行和张量并行上的多芯片协同加速能力，同时兼容主流的编译优化接口，大幅降低了使用谷歌硬件运行前沿AI模型的门槛和调试成本。 项目地址：

学深度学习一上来就 import torch，模型能跑起来，面试官问一句反向传播里梯度怎么传的，支支吾吾答不上来。 TrenTorch 的路子是不用 PyTorch，只靠 NumPy 从零写一个自己的深度学习框架，它照着哈佛 CS249r 课程的 TinyTorch 重做了一遍，还往前推了一段。 一共 20 个模块分四部分，先是张量、激活函数、层、损失、自动求导、优化器、训练循环这 8 块基础，接着卷积做图像分类。 GitHub： 第三部分是分词、词嵌入、多头注意力和 Transformer，最后写出 GPT 式的语言模型。第四部分讲推理，性能分析、量化、KV 缓存加速，优化器一路做到 AdamW、Lion、Muon。 每过一段会解锁一个历史里程碑复现，拿自己写的框架跑经典模型。装好自带一个 tren 命令行，进度和测试都在里面管。 20 个模块作者说小到能一口气读完，我觉得比刷文档踏实，想真正搞明白框架底下在干什么的可以照着敲一遍。

想在自己产品里加文字识别功能，装完 Tesseract 调半天参数，中英混排还是识别得七零八落。 docTR 是个 PyTorch 写的文字识别库，几行代码就能把 PDF 或者图片里的文字整页取出来。 它分两步走，先定位每个词在页面上的位置，再识别里面的字符，两步各自的模型都能单独换。 GitHub： 打开版面识别之后，标题、正文、表格、页眉页脚会被分别标出来，取完就知道哪段是哪段。 扫描件常见的歪页、旋转页有专门的处理选项，输出正框还是斜框自己选。 Hugging Face 上挂了在线演示，也有 Colab 笔记本，不想装环境的话先在网页上丢张图试试效果。 项目最早由 Mindee 做出来，现在交给 t2k 团队接手维护，前两天还在提交代码。 要给自己的项目接一层文字识别，比从零训个模型省事不少。

想学强化学习，看论文太硬核，看博客又太碎片，找一份系统又不劝退的入门资料不容易。 《The Little Book of Reinforcement Learning》这本开源书籍，篇幅不长，从基础概念讲到常用算法。 附带全套 PyTorch 代码，书里讲到的每个算法都有可运行的实现，边读边练。 GitHub： 还有一份动态规划的详细推导作为补充，想深入数学细节的可以对照看。 对强化学习感兴趣、想从零入门的朋友，这本小书适合当起点。

找回被开发工具缓存和 ML 模型占用的磁盘空间 一个免费开源桌面工具，帮开发者和 ML 工程师清理各种工具缓存——Hugging Face、Ollama、PyTorch、npm、pip、Cargo、Docker 等 25+ 类来源。 能识别"下载过但从未使用"的 ML 模型，量化不同 Python 环境间的重复包，每个项目都给出安全评分。所有清理都走回收站，不删文件，不收集数据，支持 macOS 和 Windows。