Stable Diffusion WebUI GPU使用报错解决方案RuntimeError: Torch is not able to use GPU

Stable Diffusion WebUI 通常依赖 GPU 来加速图像生成,一旦出现以下错误,就意味着 GPU 无法被 PyTorch 正确识别或使用:

RuntimeError: Torch is not able to use GPU

本文将从问题背景与含义环境检查与依赖安装PyTorch 与 CUDA 兼容性Stable Diffusion WebUI 配置、以及综合排查流程等角度展开,配以代码示例Mermaid 图解详细说明,帮助读者快速定位并解决该错误。


一、问题背景与含义

  • 错误现象
    当运行 Stable Diffusion WebUI(如 AUTOMATIC1111、NMKD WebUI 等)时,控制台或浏览器界面报错:

    RuntimeError: Torch is not able to use GPU

    导致生成任务只能使用 CPU,速度极慢,甚至无法启动推理。

  • 可能原因

    1. 显卡驱动或 CUDA 驱动未安装/损坏
    2. CUDA 与 PyTorch 二进制不匹配
    3. PyTorch 安装时没有 GPU 支持
    4. 环境变量未配置,导致 PyTorch 无法找到 CUDA
    5. 多 CUDA 版本冲突(比如系统同时装了 CUDA 11.7、12.1,但 PyTorch 只支持 11.6)
    6. 显卡不支持当前 CUDA 版本(DDR 显存不足或计算能力不足)
    7. WebUI 运行在虚拟环境中,但环境内未安装带 GPU 支持的 PyTorch

“Torch is not able to use GPU” 本质是告诉我们:虽然系统中可能存在 NVIDIA GPU,但在当前 Python 环境中,`torch.cuda.is_available()` 返回 `False`,或者 PyTorch 在加载时检测不到可用的 CUDA 驱动和显卡。


二、环境检查与依赖安装

在正式调试前,务必确认以下基础环境是否正常。

2.1 检查 NVIDIA 驱动与显卡状态

  1. nvidia-smi

    # 查看显卡型号、驱动版本、显存占用等
    nvidia-smi
    • 如果能正常输出,说明系统已识别 NVIDIA GPU,请记录 Driver Version、CUDA Version 以及显卡型号(如 GeForce RTX 3070)。
    • 如果报 Command 'nvidia-smi' not found 或 “NVIDIA-SMI has failed”,则需要先安装或重装 NVIDIA 驱动(见下文)。
  2. lspci | grep -i nvidia(仅限 Linux)

    # 查看系统是否检测到 NVIDIA 显卡
    lspci | grep -i nvidia
    • 若能看到类似 VGA compatible controller: NVIDIA Corporation Device ...,表示内核层面已识别显卡。否则须检查物理插槽或 BIOS 设置。

2.2 安装/重装 NVIDIA 驱动(以 Ubuntu 为例)

说明:Windows 用户可直接从 NVIDIA 官网 Download Center 下载对应显卡型号的驱动并安装,略去此节。以下以 Ubuntu 22.04 为示例。
  1. 添加 NVIDIA 驱动源

    sudo add-apt-repository ppa:graphics-drivers/ppa
    sudo apt-get update
  2. 自动识别并安装推荐驱动

    sudo ubuntu-drivers autoinstall
    • 系统会检测显卡型号并安装对应的最低兼容驱动(通常是 nvidia-driver-5xx)。
  3. 手动安装指定版本

    # 列出可用驱动
    ubuntu-drivers devices
    
    # 假设推荐 nvidia-driver-525
    sudo apt-get install nvidia-driver-525
  4. 重启并验证

    sudo reboot
    # 重启后再次运行
    nvidia-smi
    • 如果输出正常,即可进入下一步。

2.3 检查 CUDA Toolkit 是否已安装

  1. nvcc --version

    nvcc --version
    • 正常输出示例:

      nvcc: NVIDIA (R) Cuda compiler driver
      Copyright (c) 2005-2022 NVIDIA Corporation
      Built on Wed_Nov__9_22:50:21_PST_2022
      Cuda compilation tools, release 11.7, V11.7.64
    • 如果 nvcc 未找到,则说明尚未安装 CUDA Toolkit,或者未设置环境变量 $PATH。可从 NVIDIA 官网下载对应版本 CUDA(推荐与显卡驱动一起选择合适版本)。
  2. 检查 /usr/local/cuda 软链接

    ls -l /usr/local | grep cuda
    • 通常会有 cuda -> cuda-11.7cuda-12.1 的软链接。若无,则需要手动配置。
  3. 环境变量配置(以 bash 为例)

    # 在 ~/.bashrc 或 ~/.zshrc 中添加:
    export PATH=/usr/local/cuda/bin:$PATH
    export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
    
    # 使其生效
    source ~/.bashrc
    • 再次验证 nvcc --version 即可。
温馨提示:切勿安装过多不同版本的 CUDA,否则容易导致环境冲突。建议只保留一个常用版本,并在安装 PyTorch 时选择对应该版本二进制包。

三、PyTorch 与 CUDA 兼容性

Stable Diffusion WebUI 中的推理引擎底层是基于 PyTorch,要让 PyTorch 可用 GPU,必须保证:

  1. 系统安装了支持 GPU 的 PyTorch(含 CUDA 支持)。
  2. PyTorch 与系统中 CUDA 版本兼容。
  3. Python 环境中正确指向 GPU 驱动。

3.1 验证 PyTorch 是否支持 GPU

在终端(或 Python REPL)中执行:

python3 - << 'EOF'
import torch
print("PyTorch 版本:", torch.__version__)
print("CUDA 版本(PyTorch 编译时):", torch.version.cuda)
print("cuDNN 版本:", torch.backends.cudnn.version())
print("是否能使用 GPU:", torch.cuda.is_available())
if torch.cuda.is_available():
    print("GPU 设备数量:", torch.cuda.device_count())
    print("当前 GPU 名称:", torch.cuda.get_device_name(0))
EOF

预期输出示例(正常情况下):

PyTorch 版本: 2.1.0+cu117
CUDA 版本(PyTorch 编译时): 11.7
cuDNN 版本: 8600
是否能使用 GPU: True
GPU 设备数量: 1
当前 GPU 名称: NVIDIA GeForce RTX 3070
  • 若出现 torch.cuda.is_available(): False,表示当前 PyTorch 无法使用 GPU,需重点排查以下内容。
  • torch.version.cuda = None,说明安装的 PyTorch 是 CPU-only 版,需要重新安装带 GPU 支持的 PyTorch。

3.2 安装/重装带 GPU 支持的 PyTorch

  1. 查看官方安装指引
    访问 PyTorch 官网 ,在 "Compute Platform" 选择对应的 CUDA 版本(如 CUDA 11.7),复制 pip/conda 安装命令。
  2. 常见 pip 安装示例

    # 以 CUDA 11.7 为例
    pip uninstall -y torch torchvision torchaudio
    pip cache purge
    
    pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
    • cu117 对应 CUDA 11.7,若系统是 CUDA 12.1,则需选择 cu121;若是 CUDA 11.8,则常见用 cu118
    • 若要安装最新版 PyTorch 并自动匹配 CUDA,可使用 pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118(根据当前 PyTorch 发布情况调整)。
  3. 验证安装
    再次执行第三节 3.1 中的验证脚本,确认 torch.cuda.is_available() == True,且输出的 CUDA 版本应与系统中安装的 CUDA 相同(或兼容)。

四、Stable Diffusion WebUI 配置与调试

不同的 Stable Diffusion WebUI(如 AUTOMATIC1111NMKD )在安装时略有区别,但核心思路一致:确保当前 Python 环境能正确调用 GPU 上的 PyTorch。下面以 AUTOMATIC1111 WebUI 为示例说明常见问题及对应解决方案。

4.1 克隆并初始化 WebUI

# 1. 克隆仓库
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui

# 2. 创建 Python 虚拟环境(推荐)
python3 -m venv venv
source venv/bin/activate

# 3. 安装依赖(会安装 CPU 版或 GPU 版 PyTorch,取决于自动检测)
# 运行 webui.sh 脚本会触发自动依赖安装
./webui.sh --skip-torch-cuda-test
  • 参数 --skip-torch-cuda-test 可在安装过程中跳过自动检测,若要手动控制 PyTorch 版本,可预先安装好带 GPU 支持的 PyTorch,如第四节 3.2 中所示,然后再运行 ./webui.sh --skip-torch-cuda-test --skip-python-deps

    # 假设已手动安装好 torch-cu117
    ./webui.sh --skip-python-deps --skip-torch-cuda-test

    这样不会自动重装 PyTorch,而是保留当前环境中的 GPU 版 PyTorch。


4.2 检查 WebUI 启动日志

启动 WebUI 前,先检查当前终端是否位于 venv 中,且 python -c "import torch;print(torch.cuda.is_available())"True。否则 WebUI 会报错:“Torch is not able to use GPU”,具体日志示例:

Fetching: torch==2.1.0+cu117
Installing torch-2.1.0+cu117...
...
Running on local URL:  http://127.0.0.1:7860
Traceback (most recent call last):
  ...
  File "modules/timers.py", line 56, in run
    cuda = torch.cuda.is_available()
RuntimeError: Torch is not able to use GPU
  • 当日志包含上述错误时,说明 Python 中的 PyTorch 无法识别 GPU,需返回至第三节进一步排查。

4.3 常见 WebUI GPU 报错场景与解决方案

场景 A:torch.cuda.is_available() 返回 False

  • 原因

    • PyTorch 安装的是 CPU 版本(torch==2.x+cpu)。
    • 环境中存在多个 Python,实际使用的 Interpreter 并非虚拟环境。
    • 环境变量指向了错误的 CUDA 路径。
  • 排查与解决

    1. 确认当前使用的 Python

      which python
      which pip
      python -V
      pip show torch
      • 确保 which python 指向 .../stable-diffusion-webui/venv/bin/python,而非系统全局 Python。
      • pip show torch 输出中若显示 torch-2.x+cpu,需重新安装 GPU 版。
    2. 强制重新安装带 GPU 支持的 PyTorch

      pip uninstall -y torch torchvision torchaudio
      pip cache purge
      # 以 CUDA 11.7 为例
      pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
      • 然后再次验证:

        python3 - << 'EOF'
        import torch
        print("是否可用 GPU:", torch.cuda.is_available())
        print("当前 CUDA 版本:", torch.version.cuda)
        print("显卡名称:", torch.cuda.get_device_name(0) if torch.cuda.is_available() else "无")
        EOF
    3. 检查环境变量

      • 确认 $PATH$LD_LIBRARY_PATH 中包含正确的 CUDA 路径(如 /usr/local/cuda-11.7/bin/usr/local/cuda-11.7/lib64)。
      • 若同时安装了多个 CUDA,可通过设置 CUDA_HOMECUDA_VISIBLE_DEVICES 来强制指定:

        export CUDA_HOME=/usr/local/cuda-11.7
        export CUDA_VISIBLE_DEVICES=0    # 只使用 GPU 0

场景 B:显卡驱动版本与 CUDA 版本不兼容

  • 原因

    • 比如系统安装的是 NVIDIA Driver 470,默认只支持到 CUDA 11.4,而 PyTorch 要求 CUDA 11.7
    • 驱动过旧导致 CUDA runtime 加载失败。
  • 排查与解决

    1. 查询 Driver 与 CUDA 兼容表

    2. 升级 NVIDIA 驱动

      sudo apt-get update
      sudo apt-get install --reinstall nvidia-driver-525
      sudo reboot
      • 再次验证 nvidia-smiDriver Version 应 ≥ PyTorch 编译时所需的最小值。
    3. 重新安装或降级 PyTorch

      • 若无法升级驱动,可选择安装支持当前 Drive 版本的 PyTorch,例如:

        pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu116
        • cu116 对应 CUDA 11.6;如果 nvidia-smi 中显示 CUDA 版本为 11.4,则可尝试 cu114 二进制(但官方不再提供 cu114,需自行编译)。

场景 C:WebUI 自动安装的 PyTorch 与系统环境不符

  • 原因

    • 执行 ./webui.sh 时,没有指定 --skip-torch-cuda-test,结果脚本自动安装了 torch-cpu
    • 或者网络环境只让脚本下载到 CPU 版本。
  • 排查与解决

    1. 查看 requirements.txt
      打开 stable-diffusion-webui/requirements.txt,如果其中包括 torch==...+cpu,则说明脚本强制安装了 CPU 版本。
    2. 手动修改 webui.sh
      将安装 PyTorch 部分注释掉,改为:

      # 从官方索引安装 GPU 版
      pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

      这样能保证无论脚本如何检查,都使用手动指定的 GPU 版 PyTorch。

    3. 使用 --skip-python-deps

      ./webui.sh --skip-python-deps --skip-torch-cuda-test
      • 在此之前手动安装好 Python 依赖(包括 GPU 版 torch),可避免脚本覆盖。

五、综合排查流程图

下面用 Mermaid 图解 展示从发现 “RuntimeError: Torch is not able to use GPU” 到解决问题的完整诊断流程

flowchart TD
  A[启动 WebUI 报错: Torch 无法使用 GPU] --> B{步骤 1: 检查 NVIDIA 驱动}
  B --> B1[运行 nvidia-smi]
  B1 -->|输出正常| C{步骤 2: 检查 CUDA Toolkit}
  B1 -->|报错或无输出| B2[重装或安装 NVIDIA 驱动] --> B1

  C --> C1[运行 nvcc --version 或 which nvcc]
  C1 -->|输出正常| D{步骤 3: 检查 PyTorch GPU 支持}
  C1 -->|无输出| C2[安装/配置 CUDA Toolkit 并设置 PATH/LD_LIBRARY_PATH] --> C1

  D --> D1[python3 -c "import torch; print(torch.cuda.is_available())"]
  D1 -->|False| D2[确认 Python 虚拟环境与 torch 版本]
  D1 -->|True| E[正常使用 GPU,无需继续排查]

  D2 --> D3[which python; pip show torch]
  D3 -->|torch-cpu| D4[卸载 CPU 版 torch 并安装 GPU 版 torch]
  D3 -->|虚拟环境不对| D5[切换到正确的虚拟环境或重建环境]
  D4 --> D1
  D5 --> D1

图解说明

  1. 步骤 1(B 节点):先确认系统层面是否识别到 NVIDIA GPU,否则立即重装驱动。
  2. 步骤 2(C 节点):确认 CUDA Toolkit 安装及路径设置,保证 nvcc 可以正常调用。
  3. 步骤 3(D 节点):在 Python 中检查 torch.cuda.is_available();如果为 False,则进入下一步细化排查。
  4. torch 安装的是 CPU 版本,需卸载并改为 GPU 版本。
  5. 若虚拟环境不对,需切换到正确 Python 环境或重建包含 CUDA 支持的环境。

六、案例实战:Ubuntu22.04 + RTX3070 + CUDA11.7

以下示例演示在 Ubuntu22.04 系统中,从零开始安装并调试 Stable Diffusion WebUI,使之在 GPU(GeForce RTX 3070)上正常运行。

6.1 环境概览

  • 操作系统:Ubuntu 22.04 LTS
  • 显卡型号:NVIDIA GeForce RTX 3070
  • NVIDIA 驱动:525.89.02(支持 CUDA 11.7)
  • CUDA Toolkit:11.7
  • Python:3.10
  • PyTorch:2.1.0+cu117

步骤 6.1:安装 NVIDIA 驱动

# 1. 添加 PPA 并更新
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update

# 2. 安装推荐驱动(假设为 525)
sudo apt-get install nvidia-driver-525 -y

# 3. 重启
sudo reboot

重启后验证:

nvidia-smi

预期输出(关键信息):

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.89.02    Driver Version: 525.89.02    CUDA Version: 11.7     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap| ...                    ...                |
| 0   GeForce RTX 3070      Off  | 00000000:01:00.0 Off |                  |
+-------------------------------+----------------------+----------------------+

步骤 6.2:安装 CUDA Toolkit 11.7

NVIDIA CUDA 下载页 下载对应版本,或通过 apt-get 安装:

# 安装 CUDA 11.7
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/7fa2af80.pub
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/ /"
sudo apt-get update
sudo apt-get -y install cuda-11-7

# 设置环境变量(添加到 ~/.bashrc)
echo 'export PATH=/usr/local/cuda-11.7/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

# 验证 nvcc
nvcc --version

预期输出:

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Fri_Oct_21_19:27:37_PDT_2022
Cuda compilation tools, release 11.7, V11.7.99
Build cuda_11.7.r11.7/compiler.31294376_0

步骤 6.3:创建并激活 Python 虚拟环境

cd ~/projects
python3.10 -m venv sd-webui-env
source sd-webui-env/bin/activate

# 升级 pip
pip install --upgrade pip setuptools

步骤 6.4:安装 GPU 版 PyTorch

# 卸载可能已存在的 CPU 版 torch
pip uninstall -y torch torchvision torchaudio

# 安装 PyTorch 2.1.0 + CUDA 11.7
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

# 验证安装
python3 - << 'EOF'
import torch
print("PyTorch 版本:", torch.__version__)
print("CUDA 版本(PyTorch 编译时):", torch.version.cuda)
print("是否可用 GPU:", torch.cuda.is_available())
if torch.cuda.is_available():
    print("GPU 名称:", torch.cuda.get_device_name(0))
EOF

预期输出:

PyTorch 版本: 2.1.0+cu117
CUDA 版本(PyTorch 编译时): 11.7
是否可用 GPU: True
GPU 名称: NVIDIA GeForce RTX 3070

步骤 6.5:克隆并安装 Stable Diffusion WebUI

# 克隆仓库
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui

# 跳过自动安装 torch,使用已有 GPU 版
./webui.sh --skip-torch-cuda-test --skip-python-deps
  • 若发现脚本在安装依赖时报错,可手动执行:

    # 安装剩余依赖(除 torch 外)
    pip install -r requirements.txt
  • 确保无 torchtorchvisiontorchaudio 字样再执行 ./webui.sh --skip-torch-cuda-test

步骤 6.6:启动 WebUI 并验证

# 启动 WebUI
./webui.sh
  • 启动成功后,控制台会显示:

    Running on local URL:  http://127.0.0.1:7860
    ...
    CUDA available, using prompt: ...
  • 若控制台再无 “Torch is not able to use GPU” 报错,则说明 GPU 已正常工作,可以在浏览器中打开 http://127.0.0.1:7860 进行图像生成测试。

七、常见 Q\&A

  1. Q:我在 Windows 上也出现同样错误,怎么排查?

    • A:首先打开 “NVIDIA 控制面板” → “系统信息” 检查驱动版本是否与 NVIDIA 官网一致。
    • 然后打开命令行(Win+R,输入 cmd),执行:

      nvidia-smi

      确认驱动正常。

    • 接着在 Python 中执行:

      import torch
      print(torch.cuda.is_available())

      若输出 False,请检查以下:

      • 是否安装了支持对应 CUDA 版本的 PyTorch(二进制包需与本机 CUDA 版本一致)。
      • 是否安装了最新的 Visual C++ Redistributable(某些情况下缺少依赖也会导致 torch.cuda 加载失败)。
      • 如果使用 Anaconda,请在 Anaconda Prompt 中执行上述命令,避免与系统默认 Python 环境冲突。
  2. Q:我只有 AMD 显卡(ROCm 生态),能让 WebUI 使用 GPU 吗?

    • A:目前主要依赖 NVIDIA CUDA,官方 PyTorch ROCm 支持尚不完善。部分社区 fork 提供了 ROCm 版本,可尝试安装 pip install torch==<roc版本>,但稳定性较差。建议使用 CPU 或切换到 NVIDIA 硬件。
  3. Q:使用 Docker 部署 WebUI,可否避免 “Torch is not able to use GPU”?

    • A:使用 Docker 时,需要确保:

      1. 主机已安装 NVIDIA 驱动且版本符合要求。
      2. 安装 nvidia-container-toolkit 并在运行容器时加上 --gpus all
      3. Dockerfile 中使用带 CUDA 支持的 PyTorch 基础镜像(如 pytorch/pytorch:2.1.0-cuda11.7-cudnn8-runtime)。
    • 示例运行命令:

      docker run --gpus all -v /home/user/sd-webui:/workspace/sd-webui -it sd-webui-image:latest
    • 若镜像中 PyTorch 与宿主机 CUDA 版本不匹配,也会出现相同错误,需要自行调试镜像中 CUDA 与 PyTorch 二进制的兼容性。

八、小结

本文针对 RuntimeError: Torch is not able to use GPU 错误,从以下几方面进行了详细解析:

  1. 问题含义:当 PyTorch 无法检测到 CUDA 时即会抛出该错误,导致 Stable Diffusion WebUI 只能在 CPU 上运行。
  2. 系统环境检查:通过 nvidia-sminvcc --version 验证 NVIDIA 驱动及 CUDA Toolkit 是否安装与配置正确。
  3. PyTorch GPU 支持:在 Python 中运行简单脚本,检查 torch.cuda.is_available(),并根据需要重新安装与系统 CUDA 兼容的 GPU 版本 PyTorch。
  4. WebUI 安装与调试:以 AUTOMATIC1111 WebUI 为例,说明如何在虚拟环境中跳过脚本自动安装(防止安装到 CPU 版),并保证最后启动时 PyTorch 能够正常调用 GPU。
  5. 综合排查流程图:通过 Mermaid 流程图,归纳了从驱动到 CUDA、从 PyTorch 到 WebUI 的逐步查验步骤。
  6. 案例实战:在 Ubuntu22.04 + RTX3070 + CUDA11.7 平台下,从零搭建环境并成功启动 Stable Diffusion WebUI 的完整过程。
  7. 常见问答:解答了 Windows、AMD GPU、Docker 等多种场景下的常见疑问。

在实际项目中,遇到 “Torch is not able to use GPU” 错误时,应按从系统层(驱动)→ CUDA 层 → PyTorch 层 → WebUI 层 的顺序逐步排查。通过本文提供的代码示例命令行示例流程图,你可以快速定位问题根源并加以解决,让 Stable Diffusion WebUI 正常使用 GPU 进行加速推理。

评论已关闭

推荐阅读

DDPG 模型解析,附Pytorch完整代码
2024年11月24日
DQN 模型解析,附Pytorch完整代码
2024年11月24日
AIGC实战——Transformer模型
2024年12月01日
Socket TCP 和 UDP 编程基础(Python)
2024年11月30日
python , tcp , udp
如何使用 ChatGPT 进行学术润色?你需要这些指令
2024年12月01日
AI
最新 Python 调用 OpenAi 详细教程实现问答、图像合成、图像理解、语音合成、语音识别(详细教程)
2024年11月24日
ChatGPT 和 DALL·E 2 配合生成故事绘本
2024年12月01日
omegaconf,一个超强的 Python 库!
2024年11月24日
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
2024年12月01日
[超级详细]如何在深度学习训练模型过程中使用 GPU 加速
2024年11月29日
Python 物理引擎pymunk最完整教程
2024年11月27日
MediaPipe 人体姿态与手指关键点检测教程
2024年11月27日
深入了解 Taipy:Python 打造 Web 应用的全面教程
2024年11月26日
基于Transformer的时间序列预测模型
2024年11月25日
Python在金融大数据分析中的AI应用(股价分析、量化交易)实战
2024年11月25日
AIGC Gradio系列学习教程之Components
2024年12月01日
Python3 `asyncio` — 异步 I/O,事件循环和并发工具
2024年11月30日
llama-factory SFT系列教程:大模型在自定义数据集 LoRA 训练与部署
2024年12月01日
Python 多线程和多进程用法
2024年11月24日
Python socket详解,全网最全教程
2024年11月27日