2026 年 - 藏星阁

由于 50 系显卡架构不支持，放弃在 Windows 下捣鼓，通过 WSL 配合 Docker 安装，成功调用 GPU 加速。

本文介绍 MinerU 文档解析引擎在 Windows 系统上的安装与启动步骤，包括环境配置、GPU 版本 PyTorch 安装及模型下载。

本文详细介绍了在 Windows 环境下安装 YOLO 的完整步骤，包括下载源代码、创建 Conda 环境、安装 PyTorch 及验证安装。

本文详细介绍了在 Windows 系统上安装 CUDA 13.2 及 cuDNN 的步骤，包括使用 nvidia-smi 确定版本、下载安装包、以管理员权限安装及通过 nvcc -V 验证安装成功。

本文详细介绍了在 Windows 系统上从官方下载 Git 安装包并进行安装的完整步骤。

本文详细介绍了在 Windows 系统上下载、安装及验证 Node.js 的步骤。

本文详细介绍了 Miniconda 的下载、安装、初始化、验证及新建 Python 环境的完整步骤。

本文档详细介绍了在 Trae IDE 中配置 MATLAB 的完整步骤，包括安装必要插件、配置 settings.json 和 MCP Server、添加系统 PATH 以及故障排除，旨在实现代码编辑、运行和 AI 辅助编程功能。

本文记录了在 CIFAR-10 数据集上使用 SimpleCNN 模型进行的一次单轮训练测试实验。实验旨在验证代码框架和 GPU 加速流程，获得了 55.38% 的测试准确率，并确认了环境配置和训练流程的正常运行。

本实验报告记录了使用 DenseNet-121 模型结合 CutMix 数据增强和 OneCycleLR 学习率调度，在 SVHN 街景门牌号数据集上进行快速测试的过程。实验仅训练 1 轮，测试准确率达到 81.56%，验证了预训练模型在真实场景数字识别任务上的有效性和快速收敛能力。

本实验使用自定义轻量级 CNN 模型 STL10Net 在 STL-10 数据集上进行图像分类，最终获得 62.64% 的最佳测试准确率，并详细记录了环境配置、模型架构、训练过程和 GPU 加速效果。

本文详细记录了使用 ResNet-18 模型在 CIFAR-10 数据集上进行彩色图像分类的完整实验过程，包括环境配置、数据预处理、模型架构适配、训练代码及最终达到 90.18% 测试准确率的实验结果，并与普通 CNN 模型进行了性能对比。