硅基之瞳

本章聚焦 PyTorch 模型的保存与加载：为什么推荐保存 state_dict、如何安全地 torch.load(weights_only=True)，以及保存整个模型为何被视为 legacy 用法。并以 FashionMNIST 的 MLP 为例，跑通从训练到推理验证的完整流程。

本文记录 PyTorch 官方教程“Optimizing Model Parameters”的学习过程，梳理训练所需的超参数、损失函数与优化器，并用 FashionMNIST + MLP 示例串起“前向→算损失→反向传播→参数更新”的完整训练/评估流程。

基于 3Blue1Brown 深度学习系列视频，系统梳理了从 Loss、梯度下降到反向传播的核心逻辑，并结合直觉理解、数学推导与 PyTorch 实现，帮助建立“神经网络如何学习”的完整认知框架。

本章主要理解了 nn.Module 的模型定义方式、forward 机制、logits 与 softmax 的关系，以及参数的训练流程，为后续训练与优化打基础。

本文记录了基于 PyTorch 官方 Tutorial 学习 Transforms 的过程，主要整理 Transforms 的基本用法和个人理解。

本文记录了基于 PyTorch 官方 Tutorial 学习 Datasets & DataLoaders 的过程，主要整理 Dataset / DataLoader 的基本用法和个人理解。

本文记录了基于 PyTorch 官方 Tutorial 学习 Tensor 的过程，涵盖张量创建、属性、设备迁移、切片、矩阵运算及与 NumPy 的互通机制，并整理了常见易错点，作为个人深度学习入门笔记。

用 Rust + Tauri 做了一个桌面小工具：选择 .md 文件后，自动把图片引用从本地绝对路径（如 D:/.../xxx.png）统一替换为 upload/xxx.png，支持预览变更、覆盖或另存为，并打包成可安装的 Windows 安装包发布。

记录一次在 B 站首播时把链路跑通的全过程：采集卡黄变蓝的原因与解决、未开通 RTMP 权限时如何用直播姬中转推流，以及双机采集下的监看方式。

记录一次完整的 OBS 双机直播推流链路搭建过程：使用 N100 小主机 + HDMI 采集卡，将推流与游戏运行解耦，在局域网内通过 RTSP / HLS 验证画面、声音与延迟表现。本文包含硬件连接、OBS 参数选择、音频处理与常见画质误区的实测记录。