注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. k-fac-源码

  2. K-FAC_pytorch 和。 （仅支持单GPU培训，需要对多GPU进行修改。） 需求要求 pytorch 0.4.0 torchvision python 3.6.0 tqdm tensorboardX tensorflow 怎么跑 python main.py --dataset cifar10 --optimizer kfac --network vgg16_bn --epoch 100 --milestone 40,80 --learning_rate 0.01 --damping

  3. 所属分类：其它

    • 发布日期：2021-03-22
    • 文件大小：34816
    • 提供者：weixin_42128393

  1. SymbolicMathematics:象征数学的深度学习-源码

  2. 象征数学的深度学习 PyTorch最初实现（ICLR 2020）。 该存储库包含以下代码： 资料产生 函数F及其派生函数f 函数f及其原语F 前进（FWD） 后退（BWD） 零件集成（IBP） 常微分方程及其解 一阶（ODE1） 二阶（ODE2） 训练 半精度（float16） 多GPU 多节点 评价： 贪婪解码 光束搜索评估 我们还提供： 数据集针对本文中考虑的所有任务进行训练/有效/测试集 训练有素的模特使用不同配置的训练数据训练的模型 笔记本具有功能集成模型的交互式演示的 依存关系 的Py

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：62464
    • 提供者：weixin_42116585

  1. nerf_pl:使用火炬手闪电在野外的NeRF（神经辐射场）和NeRF-源码

  2. nerf_pl 更新： （狂野的NeRF）实现已添加到分支！ 更新：最新的代码（使用最新的库）将更新到分支。 master分支仍然支持colab文件。如果不使用colab，建议切换到dev分支。 目前只会考虑dev和nerfw分支的问题。 :gem_stone:（实时演示！） 使用pytorch（ ）非官方实现 （神经辐射场）。这个仓库不是以重现性为目标，而是旨在提供一个更简单，更快速的培训过程（也就是带有详细注释的更简单的代码，以帮助您理解工作）。此外，我尝试通过将此算法集成到Unity

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：187392
    • 提供者：weixin_42097557

  1. Ultra-Fast-Lane-Detection:超快速的结构感知深路检测（ECCV 2020）-源码

  2. 超快速通道检测 PyTorch实施的论文“”。 更新：我们的论文已被ECCV2020接受。 评估代码是从改性和。 Caffe模型和原型可以在找到。 演示版 安装 请参阅 开始吧 首先，请根据您的环境在configs/culane.py或configs/tusimple.py配置中修改data_root和log_path 。 data_root是您的CULane数据集或Tusimple数据集的路径。 log_path是tensorboard日志，训练有素的模型和代码备份的存储位置。它应该放置

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：155648
    • 提供者：weixin_42116585

  1. PyTorch-StudioGAN:StudioGAN是一个Pytorch库，为有条件无条件图像生成提供代表性的生成对抗网络（GAN）的实现-源码

  2. StudioGAN是一个Pytorch库，为有条件/无条件图像生成提供了代表性的生成对抗网络（GAN）的实现。 StudioGAN旨在为现代GAN提供一个完全相同的场所，以便机器学习研究人员可以轻松比较和分析新想法。 特征 PyTorch的广泛GAN实施 使用CIFAR10，Tiny ImageNet和ImageNet数据集的GAN的综合基准 比原始实现更好的性能和更低的内存消耗 提供与最新的PyTorch环境完全兼容的预训练模型 支持多GPU（DP，DDP和多节点DistributedData

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：8388608
    • 提供者：weixin_42127835

  1. EverybodyDanceNow:运动重定向视频主题-源码

  2. 现在大家跳起来吧 实施随附文件： 现在大家跳起来吧Caroline Chan，Shiry Ginosar，周婷慧，Alexei A.Efros 加州大学伯克利分校托管在arXiv上 先决条件 Python库 pip install dominate 克隆此存储库 git clone https://github.com/carolineec/EverybodyDanceNow 我们在12GB NVIDIA GPU上运行了代码。 多GPU和CPU设置当前未经测试。 训练 全球舞台 我们遵循与类似

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：2097152
    • 提供者：weixin_42155721

  1. MobilenetV3-Tensorflow:带有tf.layers的tensorflow中的mobilenet v3的多GPU实现-源码

  2. mobilenetv3 这是MobileNetV3架构的多GPU Tensorflow实现，如论文。 对于一些更改。 论文V1的实现请参见该存储库中的以获得详细信息。 在tf1.3.0，tf1.10.0，python3.5上进行了测试。 mobilenetv3大 mobilenetv3小 用法 from mobilenet_v3 import mobilenet_v3_large, mobilenetv3_small model, end_points = mobilenet_v3_larg

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：8192
    • 提供者：weixin_42116701

  1. mobilenetv3-segmentation:MobileNetV3用于语义细分-源码

  2. mobilenetv3细分 的非官方实现，用于语义分割。 必需品 PyTorch 1.1 Python 3.x 用法 火车 单GPU训练 python train.py --model mobilenetv3_small --dataset citys --lr 0.0001 --epochs 240 多GPU训练 # for example, train mobilenetv3 with 4 GPUs: export NGPUS=4 python -m torch.distributed.

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：33792
    • 提供者：weixin_42099987

  1. mandelbulber2:Mandelbulber v2的官方存储库-源码

  2. 覆盖范围扫描 建置状态 奇特聊天 Linux： 视窗： OSX： Azure： 通用理念 Mandelbulber创造性地生成三维分形。 探索三角，超复杂，Mandelbox，IFS和许多其他3D分形。 使用大量可自定义的材料进行渲染，以创建令人惊叹的图像和视频。 可能性实际上是无限的！ 特征 带有多个图形加速卡的高性能计算（通过OpenCL支持多GPU） 逼真的场景的数学模型和蒙特卡洛算法 渲染三角，超复杂，Mandelbox，IFS和许多其他3D分形 复杂的3D光线行进：硬阴

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：105906176
    • 提供者：weixin_42140625

  1. Usenix_LISA19:ELK堆栈中巨大学术骨干网时间序列数据的多GPU加速处理-源码

  2. Usenix LISA 2019 ELK堆栈中巨大学术骨干网时间序列数据的多GPU加速处理 [0]源代码树 . |-- clustering | `-- gpu |-- direction_discrimination | |-- cpu | `-- gpu |-- generator |-- misc |-- parallel_exporter | `-- Output_SessionData |-- plot |-- putSession | |-- conf |

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：1048576
    • 提供者：weixin_42143161

  1. lowfield_diffusion_mri_gpu:多GPU上的低场MRI扩散Monte Carlo模拟-源码

  2. Diffusion Low-Field MRI Monte Carlo (DMMC) Simulations on Multi-GPU Systems 介绍 DMMC模拟背后的一般思想在我的荣誉论文中得到了解释（请参阅文件 ） 。 这项工作已在2-3个科学出版物中使用，并由Michael Honke在此处进行了扩展： : 请在此处查看有关算法的解释以及对底层后端的更深入分析（尤其是在附录中）。 该多GPU代码支持具有多个具有不同D，T2，T1和P以及任何常规磁场序列（即，包含振荡RF场，伴随

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：1048576
    • 提供者：weixin_42169245

  1. pytorch-ada:另一个针对研究人员的领域适应库-源码

  2. ADA ：（至今）另一个域适应库 语境 ADA的目的是帮助研究人员建立用于无监督和半监督域自适应的新方法。 该库建立在之上，可快速开发新模型。 我们以以下想法构建了ADA： 开发新方法（从多个域加载数据，记录错误，从CPU切换到GPU）时，最大程度地减少样板。 通过在完全相同的环境中运行所有方法，可以公平地比较方法。 你可以找到介绍ADA的，并在更完整的文档 。 快速说明 三种类型的方法可用于无监督域自适应： 对抗方法：领域对抗神经网络（ ）和条件对抗领域适应网络（ ）， 基于最

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：1048576
    • 提供者：weixin_42162171

  1. RAAR3DNet-源码

  2. 架构重建的3D网络用于RGB-D手势识别（RAAR3DNet）的区域关注 论文： : 文件夹Network_Search提供了用于重建I3D网络的代码。 我们重建基于PC-DARTS的网络架构，以寻找强大的基准网络。 在这里，我们实现了基于多GPU的网络搜索方法，大大提高了搜索效率。 文件夹Network_Train提供了用于训练网络的代码，该代码提供了我们搜索过的RAAR3DNet网络体系结构。

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：38912
    • 提供者：weixin_42142062

  1. attendance-system:基于面部识别的考勤系统； 暑期学校2018-源码

  2. 人脸识别 IIT Madras计算机视觉与情报小组 我们实施了带有面部检测和识别功能的实验装置。 这已被用于我们的目的，具有以下目的： 交换多个用于Facenet的检测器和特征提取器。 多GPU和分布式支持 冻结图支持量化。 首先，我们在两个用例中使用它： 高精度：具有Inception-Resnet特征提取器的SSD或FRCNN检测器。 CPU优化的FPS：具有mobilenet V2提取器的SSDlite mobilenet（在入门中对此进行了介绍）。 我们已经尝试了多种分类器

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：11534336
    • 提供者：weixin_42099176

  1. efficientnet-jax:使用亚麻亚麻和Objax的JAX中的EfficientNet，MobileNetV3，MobileNetV2，MixNet等-源码

  2. EfficientNet JAX-亚麻亚麻和欧柏克斯 介绍 这是一项巨大的蒸蒸工作。 我正在使用的Jax，jaxlib和NN库每周都在转移。 该代码库当前支持： 亚麻亚麻（ 用于模型，带有预训练重量的验证以及从头开始训练 Objax（ ）-使用预先训练的权重进行模型和模型验证 这本质上是我的PyTorch EfficienNet生成器代码（ 的改编，也可以在找到）改编成JAX。 我开始这个 通过以熟悉的代码/模型作为起点来学习JAX， 找出我喜欢的JAX建模接口库（“框架”）， 在P

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：81920
    • 提供者：weixin_42113754

  1. contrastive-learning:对比学习方法-源码

  2. 对比学习方法 支持更多内容的对比学习方法的第三方pytorch实现（请参阅“可用内容”部分）。 有什么可用的？ 使用SimCLR进行对比学习预训练 通过停止梯度进行在线线性评估 Pytorch闪电登录和默认收益（多GPU训练，混合精度等） 在GPU装置上收集负片以模拟更大的批次大小（尽管梯度不会在GPU上流动） 使用加快数据加载速度（以使用更多GPU内存为代价） SimCLR多分辨率农作物 SimCLR + 预训练后线性评估（通常得出1-1.5％的准确度点） 工作于： 结果 模型 方法

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：27648
    • 提供者：weixin_42134554

  1. EasyNMT:易于使用的最新神经机器翻译技术，支持100多种语言-源码

  2. EasyNMT-易于使用的最新神经机器翻译 该软件包提供了易于使用的最新机器翻译，可用于100多种语言。 该软件包的重点是： 易于安装和使用：3行代码使用最新的机器翻译 自动下载经过预训练的机器翻译模型 超过150种语言的翻译 自动检测170多种语言 句子和文件翻译 多GPU和多进程转换 目前，我们提供以下模型： 来自-NLP的 ，支持1200多种翻译方向，支持150多种语言。 来自 ，支持50多种语言的任意方向之间的翻译。 来自 ，支持100多种语言在任何方向之间的翻译。 例子： 安

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：87040
    • 提供者：weixin_42108054

  1. PARL:强化学习的高性能分布式培训框架-源码

  2. English || PARL是一种灵活而高效的强化学习框架。 特征 可重现。 我们提供的算法可以稳定地重现许多有影响力的强化学习算法的结果。 大规模的。 能够支持数千个CPU和多GPU的高性能并行训练。 可重用。 通过定义前向网络，可以直接将存储库中提供的算法用于新任务，并且将自动构建训练机制。 可扩展的。 通过继承框架中的抽象类，快速构建新算法。 抽象化 PARL旨在建立一个代理来训练算法来执行复杂的任务。 PARL引入的用于递归构建代理的主要抽象如下： 模型 抽象Model以构建

  3. 所属分类：其它

    • 发布日期：2021-03-05
    • 文件大小：35651584
    • 提供者：weixin_42131618

  1. 以太网：通过GPU和K8了解有关加密，交易和深度学习的更多信息-源码

  2. 以太网 通过GPU和K8了解有关加密，交易和深度学习的更多信息。 入门 要求 Ubuntu 18.04 码头工人 码头工人 sudo docker login ghcr.io sudo systemctl daemon-reload sudo systemctl restart docker 矿业 sudo docker network create eth sudo nvidia-docker run --network eth -e WORKER_ID= $( hostname ) -p

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：2097152
    • 提供者：weixin_42133753

  1. 多GPU-源码

  2. 开始之前在setup_environment文件中修改$ GPGPUSIM_ROOT。 确保$ CUDA_INSTALL_PATH设置为正确的路径。 export CUDA_INSTALL_PATH=/usr/local/cuda-4.0 建立 make make 因为对头文件的依赖关系检查尚未完成，所以请清理； 如果头文件被修改，则必须运行。 跑步 source setup_environment ./multikernel-sim -l launcher.config -g gpgpus

  3. 所属分类：其它

    • 发布日期：2021-02-07
    • 文件大小：346030080
    • 提供者：weixin_42139252
« 12 3 4 5 6 7 8 9 10 ... 28 »