1. 引言aiida-qe 是基于 AiiDA 工作流框架的 Quantum ESPRESSO 计算接口插件它把第一性原理计算从「手动提交任务、人工整理数据」升级为「自动化工作流、数据可追溯、结果可复现」的科研范式。本文将从功能、安装、语法、参数、9 个实际应用案例以及常见错误与注意事项六个维度系统讲解 aiida-qe 的使用方法。2. aiida-qe 核心功能aiida-qe 的核心价值在于把 Quantum ESPRESSO 的输入文件生成、任务提交、结果解析、数据归档全部纳入 AiiDA 的图数据库体系。它主要提供以下能力计算节点封装把 pw.x、cp.x、ph.x 等 Quantum ESPRESSO 可执行程序封装为 AiiDA 的 CalcJob 节点支持本地和远程集群调度。输入数据结构化通过 StructureData、Dict、KpointsData 等数据类型把晶体结构、计算参数、K 点网格以可查询的节点形式存储。工作流编排内置 PwBaseWorkChain、PwRelaxWorkChain 等工作链支持结构优化、自洽计算、能带计算、态密度计算等标准流程的自动串联。结果自动解析计算结束后自动解析输出文件提取总能量、力、应力、能带数据、态密度数据等物理量并存入数据库。数据可追溯性每个计算结果都保留完整的输入输出 provenance 链路可随时回溯生成该结果所需的全部输入参数和代码版本。插件生态兼容与 aiida-quantumespresso 官方插件保持接口兼容同时支持 aiida-pseudo 伪势库管理方便统一管理赝势文件。3. 安装与配置3.1 环境准备aiida-qe 需要 Python 3.8 及以上版本推荐使用 conda 或 venv 创建独立环境避免与系统 Python 冲突。安装前建议先安装 AiiDA 核心框架因为 aiida-qe 依赖 AiiDA 的数据库和 daemon 机制。conda create -n aiida-qe python3.10 conda activate aiida-qe pip install aiida-core3.2 安装 aiida-qeaiida-qe 可以通过 pip 直接安装也可以从源码安装以获取最新开发特性。安装完成后需要初始化 AiiDA 数据库并启动 daemon 服务。pip install aiida-qe # 初始化 AiiDA 配置文件 verdi setup # 启动后台守护进程 verdi daemon start3.3 配置 Quantum ESPRESSO 可执行程序安装完成后需要把系统中的 Quantum ESPRESSO 可执行文件注册到 AiiDA 中以便 aiida-qe 能够调用。这里以 pw.x 为例verdi code create core.code.installed \ --label pw \ --description Quantum ESPRESSO pw.x \ --default-calc-job-plugin aiida_qe.calculations.pw \ --filepath-executable /usr/bin/pw.x \ --computer localhost3.4 配置伪势库aiida-qe 通过 aiida-pseudo 管理赝势文件。推荐使用 SSSP 或 PseudoDojo 库它们覆盖了绝大多数元素且经过系统测试。pip install aiida-pseudo aiida-pseudo install sssp --version 1.3 aiida-pseudo install pseudo-dojo --version 0.44. 核心语法与参数详解4.1 基础计算提交语法aiida-qe 的典型用法是先构造输入节点再通过工作链提交计算。下面是一个最基础的自洽计算示例from aiida.orm import load_code, load_group from aiida.plugins import DataFactory from aiida_qe.workflows.pw.base import PwBaseWorkChain StructureData DataFactory(core.structure) Dict DataFactory(core.dict) KpointsData DataFactory(core.kpoints) 构造硅的晶体结构 import numpy as np structure StructureData(cell[[0, 2.73, 2.73], [2.73, 0, 2.73], [2.73, 2.73, 0]]) structure.append_atom(position(0, 0, 0), symbolsSi) structure.append_atom(position(0.25, 0.25, 0.25), symbolsSi) 构造 K 点网格 kpoints KpointsData() kpoints.set_kpoints_mesh([4, 4, 4]) 构造计算参数 parameters Dict(dict{ CONTROL: {calculation: scf, restart_mode: from_scratch}, SYSTEM: {ecutwfc: 30.0, ecutrho: 240.0}, ELECTRONS: {conv_thr: 1.0e-8}, }) 加载代码和赝势 pw_code load_code(pwlocalhost) pseudo_family load_group(SSSP/1.3/PBE/efficiency) 提交工作链 builder PwBaseWorkChain.get_builder() builder.pw.code pw_code builder.pw.structure structure builder.pw.parameters parameters builder.pw.kpoints kpoints builder.pw.pseudos pseudo_family.get_pseudos(structure) builder.pw.metadata.options {resources: {num_machines: 1, num_mpiprocs_per_machine: 4}} from aiida.engine import run result run(builder) print(result[output_parameters].get_dict()[total_energy])4.2 常用参数说明aiida-qe 的参数体系与 Quantum ESPRESSO 的输入文件一一对应但通过 Dict 数据结构进行组织。常用参数分组如下参数分组常用键说明CONTROLcalculation计算类型可选 scf、relax、md、bands 等CONTROLrestart_mode是否从已有波函数重启SYSTEMecutwfc平面波截断能单位 RySYSTEMecutrho电荷密度截断能通常为 ecutwfc 的 8 到 12 倍SYSTEMoccupations占据数处理方式金属体系常用 smearingSYSTEMsmearing展宽方法如 gaussian、mp 等ELECTRONSconv_thr电子自洽收敛阈值ELECTRONSmixing_beta电荷混合参数影响收敛速度IONSion_dynamics离子运动方式relax 时常用 bfgsCELLcell_dynamics晶胞优化方式如 damped-w 或 bfgs4.3 工作链类型aiida-qe 提供了多种预置工作链覆盖常见计算场景PwBaseWorkChain单次 pw.x 计算支持自动重试和收敛参数调整。PwRelaxWorkChain结构优化工作链自动串联多个 relax 步骤直至收敛。PwBandsWorkChain能带计算工作链自动完成自洽计算和高对称路径上的非自洽计算。PwDosWorkChain态密度计算工作链自动完成自洽计算和态密度计算。PwBandStructureWorkChain整合能带和态密度的复合工作链。5. 9 个实际应用案例5.1 案例一硅的晶格常数优化通过 PwRelaxWorkChain 对硅进行结构优化获取平衡晶格常数。这是最基础的入门案例适合验证安装配置是否正确。from aiida.orm import load_code, load_group from aiida.plugins import DataFactory from aiida_qe.workflows.pw.relax import PwRelaxWorkChain StructureData DataFactory(core.structure) Dict DataFactory(core.dict) KpointsData DataFactory(core.kpoints) structure StructureData(cell[[0, 2.73, 2.73], [2.73, 0, 2.73], [2.73, 2.73, 0]]) structure.append_atom(position(0, 0, 0), symbolsSi) structure.append_atom(position(0.25, 0.25, 0.25), symbolsSi) kpoints KpointsData() kpoints.set_kpoints_mesh([6, 6, 6]) parameters Dict(dict{ CONTROL: {calculation: relax}, SYSTEM: {ecutwfc: 40.0, ecutrho: 320.0}, ELECTRONS: {conv_thr: 1.0e-8}, IONS: {ion_dynamics: bfgs}, }) pw_code load_code(pwlocalhost) pseudo_family load_group(SSSP/1.3/PBE/efficiency) builder PwRelaxWorkChain.get_builder() builder.relax.base.pw.code pw_code builder.relax.base.pw.structure structure builder.relax.base.pw.parameters parameters builder.relax.base.pw.kpoints kpoints builder.relax.base.pw.pseudos pseudo_family.get_pseudos(structure) builder.relax.base.pw.metadata.options {resources: {num_machines: 1, num_mpiprocs_per_machine: 4}} from aiida.engine import run result run(builder) relaxed_structure result[relaxed_structure] print(优化后晶格常数:, relaxed_structure.cell_lengths)5.2 案例二金属铜的电子态密度计算金属体系需要处理费米面附近的占据数通常使用 smearing 方法。本案例演示如何通过 PwDosWorkChain 计算铜的态密度。from aiida.orm import load_code, load_group from aiida.plugins import DataFactory from aiida_qe.workflows.pw.dos import PwDosWorkChain StructureData DataFactory(core.structure) Dict DataFactory(core.dict) KpointsData DataFactory(core.kpoints) 面心立方铜晶格常数 3.61 埃 a 3.61 structure StructureData(cell[[0, a/2, a/2], [a/2, 0, a/2], [a/2, a/2, 0]]) structure.append_atom(position(0, 0, 0), symbolsCu) kpoints KpointsData() kpoints.set_kpoints_mesh([12, 12, 12]) parameters Dict(dict{ CONTROL: {calculation: scf}, SYSTEM: { ecutwfc: 50.0, ecutrho: 400.0, occupations: smearing, smearing: mp, degauss: 0.02, }, ELECTRONS: {conv_thr: 1.0e-8}, }) pw_code load_code(pwlocalhost) pseudo_family load_group(SSSP/1.3/PBE/efficiency) builder PwDosWorkChain.get_builder() builder.dos.base.pw.code pw_code builder.dos.base.pw.structure structure builder.dos.base.pw.parameters parameters builder.dos.base.pw.kpoints kpoints builder.dos.base.pw.pseudos pseudo_family.get_pseudos(structure) builder.dos.base.pw.metadata.options {resources: {num_machines: 1, num_mpiprocs_per_machine: 8}} from aiida.engine import run result run(builder) dos_data result[dos] print(态密度数据节点:, dos_data.pk)5.3 案例三石墨烯的能带结构计算二维材料能带计算需要先做结构优化再沿高对称路径计算能带。PwBandsWorkChain 自动完成这两步。from aiida.orm import load_code, load_group from aiida.plugins import DataFactory from aiida_qe.workflows.pw.bands import PwBandsWorkChain StructureData DataFactory(core.structure) Dict DataFactory(core.dict) KpointsData DataFactory(core.kpoints) 石墨烯六角晶胞 structure StructureData(cell[[2.46, 0, 0], [-1.23, 2.13, 0], [0, 0, 6.0]]) structure.append_atom(position(0, 0, 0), symbolsC) structure.append_atom(position(1.23, 0.71, 0), symbolsC) kpoints KpointsData() kpoints.set_kpoints_mesh([9, 9, 1]) parameters Dict(dict{ CONTROL: {calculation: scf}, SYSTEM: {ecutwfc: 40.0, ecutrho: 320.0}, ELECTRONS: {conv_thr: 1.0e-8}, }) pw_code load_code(pwlocalhost) pseudo_family load_group(SSSP/1.3/PBE/efficiency) builder PwBandsWorkChain.get_builder() builder.bands.base.pw.code pw_code builder.bands.base.pw.structure structure builder.bands.base.pw.parameters parameters builder.bands.base.pw.kpoints kpoints builder.bands.base.pw.pseudos pseudo_family.get_pseudos(structure) builder.bands.base.pw.metadata.options {resources: {num_machines: 1, num_mpiprocs_per_machine: 4}} from aiida.engine import run result run(builder) bands_data result[band_structure] print(能带数据节点:, bands_data.pk)5.4 案例四二氧化钛表面的吸附能计算表面吸附能计算需要分别计算干净表面、吸附体系和孤立分子的能量。本案例演示如何手动串联多个 PwBaseWorkChain 实现吸附能计算。from aiida.orm import load_code, load_group from aiida.plugins import DataFactory from aiida_qe.workflows.pw.base import PwBaseWorkChain StructureData DataFactory(core.structure) Dict DataFactory(core.dict) KpointsData DataFactory(core.kpoints) def run_scf(structure, label): kpoints KpointsData() kpoints.set_kpoints_mesh([4, 4, 1]) parameters Dict(dict{ CONTROL: {calculation: scf}, SYSTEM: {ecutwfc: 45.0, ecutrho: 360.0}, ELECTRONS: {conv_thr: 1.0e-8}, }) pw_code load_code(pwlocalhost) pseudo_family load_group(SSSP/1.3/PBE/efficiency) builder PwBaseWorkChain.get_builder() builder.pw.code pw_code builder.pw.structure structure builder.pw.parameters parameters builder.pw.kpoints kpoints builder.pw.pseudos pseudo_family.get_pseudos(structure) builder.pw.metadata.options {resources: {num_machines: 1, num_mpiprocs_per_machine: 4}} builder.pw.metadata.label label《动手学PyTorch建模与应用:从深度学习到大模型》是一本从零基础上手深度学习和大模型的PyTorch实战指南。全书共11章前6章涵盖深度学习基础包括张量运算、神经网络原理、数据预处理及卷积神经网络等后5章进阶探讨图像、文本、音频建模技术并结合Transformer架构解析大语言模型的开发实践。书中通过房价预测、图像分类等案例讲解模型构建方法每章附有动手练习题帮助读者巩固实战能力。内容兼顾数学原理与工程实现适配PyTorch框架最新技术发展趋势。 
长河君 · 2026/10/22 12:59:43 · 阅读 1.2k Python aiida-qe 包实战案例与常见错误
1. 引言aiida-qe 是基于 AiiDA 工作流框架的 Quantum ESPRESSO 计算接口插件它把第一性原理计算从「手动提交任务、人工整理数据」升级为「自动化工作流、数据可追溯、结果可复现」的科研范式。本文将从功能、安装、语法、参数、9 个实际应用案例以及常见错误与注意事项六个维度系统讲解 aiida-qe 的使用方法。2. aiida-qe 核心功能aiida-qe 的核心价值在于把 Quantum ESPRESSO 的输入文件生成、任务提交、结果解析、数据归档全部纳入 AiiDA 的图数据库体系。它主要提供以下能力计算节点封装把 pw.x、cp.x、ph.x 等 Quantum ESPRESSO 可执行程序封装为 AiiDA 的 CalcJob 节点支持本地和远程集群调度。输入数据结构化通过 StructureData、Dict、KpointsData 等数据类型把晶体结构、计算参数、K 点网格以可查询的节点形式存储。工作流编排内置 PwBaseWorkChain、PwRelaxWorkChain 等工作链支持结构优化、自洽计算、能带计算、态密度计算等标准流程的自动串联。结果自动解析计算结束后自动解析输出文件提取总能量、力、应力、能带数据、态密度数据等物理量并存入数据库。数据可追溯性每个计算结果都保留完整的输入输出 provenance 链路可随时回溯生成该结果所需的全部输入参数和代码版本。插件生态兼容与 aiida-quantumespresso 官方插件保持接口兼容同时支持 aiida-pseudo 伪势库管理方便统一管理赝势文件。3. 安装与配置3.1 环境准备aiida-qe 需要 Python 3.8 及以上版本推荐使用 conda 或 venv 创建独立环境避免与系统 Python 冲突。安装前建议先安装 AiiDA 核心框架因为 aiida-qe 依赖 AiiDA 的数据库和 daemon 机制。conda create -n aiida-qe python3.10 conda activate aiida-qe pip install aiida-core3.2 安装 aiida-qeaiida-qe 可以通过 pip 直接安装也可以从源码安装以获取最新开发特性。安装完成后需要初始化 AiiDA 数据库并启动 daemon 服务。pip install aiida-qe # 初始化 AiiDA 配置文件 verdi setup # 启动后台守护进程 verdi daemon start3.3 配置 Quantum ESPRESSO 可执行程序安装完成后需要把系统中的 Quantum ESPRESSO 可执行文件注册到 AiiDA 中以便 aiida-qe 能够调用。这里以 pw.x 为例verdi code create core.code.installed \ --label pw \ --description Quantum ESPRESSO pw.x \ --default-calc-job-plugin aiida_qe.calculations.pw \ --filepath-executable /usr/bin/pw.x \ --computer localhost3.4 配置伪势库aiida-qe 通过 aiida-pseudo 管理赝势文件。推荐使用 SSSP 或 PseudoDojo 库它们覆盖了绝大多数元素且经过系统测试。pip install aiida-pseudo aiida-pseudo install sssp --version 1.3 aiida-pseudo install pseudo-dojo --version 0.44. 核心语法与参数详解4.1 基础计算提交语法aiida-qe 的典型用法是先构造输入节点再通过工作链提交计算。下面是一个最基础的自洽计算示例from aiida.orm import load_code, load_group from aiida.plugins import DataFactory from aiida_qe.workflows.pw.base import PwBaseWorkChain StructureData DataFactory(core.structure) Dict DataFactory(core.dict) KpointsData DataFactory(core.kpoints) 构造硅的晶体结构 import numpy as np structure StructureData(cell[[0, 2.73, 2.73], [2.73, 0, 2.73], [2.73, 2.73, 0]]) structure.append_atom(position(0, 0, 0), symbolsSi) structure.append_atom(position(0.25, 0.25, 0.25), symbolsSi) 构造 K 点网格 kpoints KpointsData() kpoints.set_kpoints_mesh([4, 4, 4]) 构造计算参数 parameters Dict(dict{ CONTROL: {calculation: scf, restart_mode: from_scratch}, SYSTEM: {ecutwfc: 30.0, ecutrho: 240.0}, ELECTRONS: {conv_thr: 1.0e-8}, }) 加载代码和赝势 pw_code load_code(pwlocalhost) pseudo_family load_group(SSSP/1.3/PBE/efficiency) 提交工作链 builder PwBaseWorkChain.get_builder() builder.pw.code pw_code builder.pw.structure structure builder.pw.parameters parameters builder.pw.kpoints kpoints builder.pw.pseudos pseudo_family.get_pseudos(structure) builder.pw.metadata.options {resources: {num_machines: 1, num_mpiprocs_per_machine: 4}} from aiida.engine import run result run(builder) print(result[output_parameters].get_dict()[total_energy])4.2 常用参数说明aiida-qe 的参数体系与 Quantum ESPRESSO 的输入文件一一对应但通过 Dict 数据结构进行组织。常用参数分组如下参数分组常用键说明CONTROLcalculation计算类型可选 scf、relax、md、bands 等CONTROLrestart_mode是否从已有波函数重启SYSTEMecutwfc平面波截断能单位 RySYSTEMecutrho电荷密度截断能通常为 ecutwfc 的 8 到 12 倍SYSTEMoccupations占据数处理方式金属体系常用 smearingSYSTEMsmearing展宽方法如 gaussian、mp 等ELECTRONSconv_thr电子自洽收敛阈值ELECTRONSmixing_beta电荷混合参数影响收敛速度IONSion_dynamics离子运动方式relax 时常用 bfgsCELLcell_dynamics晶胞优化方式如 damped-w 或 bfgs4.3 工作链类型aiida-qe 提供了多种预置工作链覆盖常见计算场景PwBaseWorkChain单次 pw.x 计算支持自动重试和收敛参数调整。PwRelaxWorkChain结构优化工作链自动串联多个 relax 步骤直至收敛。PwBandsWorkChain能带计算工作链自动完成自洽计算和高对称路径上的非自洽计算。PwDosWorkChain态密度计算工作链自动完成自洽计算和态密度计算。PwBandStructureWorkChain整合能带和态密度的复合工作链。5. 9 个实际应用案例5.1 案例一硅的晶格常数优化通过 PwRelaxWorkChain 对硅进行结构优化获取平衡晶格常数。这是最基础的入门案例适合验证安装配置是否正确。from aiida.orm import load_code, load_group from aiida.plugins import DataFactory from aiida_qe.workflows.pw.relax import PwRelaxWorkChain StructureData DataFactory(core.structure) Dict DataFactory(core.dict) KpointsData DataFactory(core.kpoints) structure StructureData(cell[[0, 2.73, 2.73], [2.73, 0, 2.73], [2.73, 2.73, 0]]) structure.append_atom(position(0, 0, 0), symbolsSi) structure.append_atom(position(0.25, 0.25, 0.25), symbolsSi) kpoints KpointsData() kpoints.set_kpoints_mesh([6, 6, 6]) parameters Dict(dict{ CONTROL: {calculation: relax}, SYSTEM: {ecutwfc: 40.0, ecutrho: 320.0}, ELECTRONS: {conv_thr: 1.0e-8}, IONS: {ion_dynamics: bfgs}, }) pw_code load_code(pwlocalhost) pseudo_family load_group(SSSP/1.3/PBE/efficiency) builder PwRelaxWorkChain.get_builder() builder.relax.base.pw.code pw_code builder.relax.base.pw.structure structure builder.relax.base.pw.parameters parameters builder.relax.base.pw.kpoints kpoints builder.relax.base.pw.pseudos pseudo_family.get_pseudos(structure) builder.relax.base.pw.metadata.options {resources: {num_machines: 1, num_mpiprocs_per_machine: 4}} from aiida.engine import run result run(builder) relaxed_structure result[relaxed_structure] print(优化后晶格常数:, relaxed_structure.cell_lengths)5.2 案例二金属铜的电子态密度计算金属体系需要处理费米面附近的占据数通常使用 smearing 方法。本案例演示如何通过 PwDosWorkChain 计算铜的态密度。from aiida.orm import load_code, load_group from aiida.plugins import DataFactory from aiida_qe.workflows.pw.dos import PwDosWorkChain StructureData DataFactory(core.structure) Dict DataFactory(core.dict) KpointsData DataFactory(core.kpoints) 面心立方铜晶格常数 3.61 埃 a 3.61 structure StructureData(cell[[0, a/2, a/2], [a/2, 0, a/2], [a/2, a/2, 0]]) structure.append_atom(position(0, 0, 0), symbolsCu) kpoints KpointsData() kpoints.set_kpoints_mesh([12, 12, 12]) parameters Dict(dict{ CONTROL: {calculation: scf}, SYSTEM: { ecutwfc: 50.0, ecutrho: 400.0, occupations: smearing, smearing: mp, degauss: 0.02, }, ELECTRONS: {conv_thr: 1.0e-8}, }) pw_code load_code(pwlocalhost) pseudo_family load_group(SSSP/1.3/PBE/efficiency) builder PwDosWorkChain.get_builder() builder.dos.base.pw.code pw_code builder.dos.base.pw.structure structure builder.dos.base.pw.parameters parameters builder.dos.base.pw.kpoints kpoints builder.dos.base.pw.pseudos pseudo_family.get_pseudos(structure) builder.dos.base.pw.metadata.options {resources: {num_machines: 1, num_mpiprocs_per_machine: 8}} from aiida.engine import run result run(builder) dos_data result[dos] print(态密度数据节点:, dos_data.pk)5.3 案例三石墨烯的能带结构计算二维材料能带计算需要先做结构优化再沿高对称路径计算能带。PwBandsWorkChain 自动完成这两步。from aiida.orm import load_code, load_group from aiida.plugins import DataFactory from aiida_qe.workflows.pw.bands import PwBandsWorkChain StructureData DataFactory(core.structure) Dict DataFactory(core.dict) KpointsData DataFactory(core.kpoints) 石墨烯六角晶胞 structure StructureData(cell[[2.46, 0, 0], [-1.23, 2.13, 0], [0, 0, 6.0]]) structure.append_atom(position(0, 0, 0), symbolsC) structure.append_atom(position(1.23, 0.71, 0), symbolsC) kpoints KpointsData() kpoints.set_kpoints_mesh([9, 9, 1]) parameters Dict(dict{ CONTROL: {calculation: scf}, SYSTEM: {ecutwfc: 40.0, ecutrho: 320.0}, ELECTRONS: {conv_thr: 1.0e-8}, }) pw_code load_code(pwlocalhost) pseudo_family load_group(SSSP/1.3/PBE/efficiency) builder PwBandsWorkChain.get_builder() builder.bands.base.pw.code pw_code builder.bands.base.pw.structure structure builder.bands.base.pw.parameters parameters builder.bands.base.pw.kpoints kpoints builder.bands.base.pw.pseudos pseudo_family.get_pseudos(structure) builder.bands.base.pw.metadata.options {resources: {num_machines: 1, num_mpiprocs_per_machine: 4}} from aiida.engine import run result run(builder) bands_data result[band_structure] print(能带数据节点:, bands_data.pk)5.4 案例四二氧化钛表面的吸附能计算表面吸附能计算需要分别计算干净表面、吸附体系和孤立分子的能量。本案例演示如何手动串联多个 PwBaseWorkChain 实现吸附能计算。from aiida.orm import load_code, load_group from aiida.plugins import DataFactory from aiida_qe.workflows.pw.base import PwBaseWorkChain StructureData DataFactory(core.structure) Dict DataFactory(core.dict) KpointsData DataFactory(core.kpoints) def run_scf(structure, label): kpoints KpointsData() kpoints.set_kpoints_mesh([4, 4, 1]) parameters Dict(dict{ CONTROL: {calculation: scf}, SYSTEM: {ecutwfc: 45.0, ecutrho: 360.0}, ELECTRONS: {conv_thr: 1.0e-8}, }) pw_code load_code(pwlocalhost) pseudo_family load_group(SSSP/1.3/PBE/efficiency) builder PwBaseWorkChain.get_builder() builder.pw.code pw_code builder.pw.structure structure builder.pw.parameters parameters builder.pw.kpoints kpoints builder.pw.pseudos pseudo_family.get_pseudos(structure) builder.pw.metadata.options {resources: {num_machines: 1, num_mpiprocs_per_machine: 4}} builder.pw.metadata.label label《动手学PyTorch建模与应用:从深度学习到大模型》是一本从零基础上手深度学习和大模型的PyTorch实战指南。全书共11章前6章涵盖深度学习基础包括张量运算、神经网络原理、数据预处理及卷积神经网络等后5章进阶探讨图像、文本、音频建模技术并结合Transformer架构解析大语言模型的开发实践。书中通过房价预测、图像分类等案例讲解模型构建方法每章附有动手练习题帮助读者巩固实战能力。内容兼顾数学原理与工程实现适配PyTorch框架最新技术发展趋势。