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. pytorch量化尝试

  2. 此代码实现的是pytorch量化的流程，里面卷积等模块也有自己实现的部分，借助pytorch的统计信息，便于后续的工程量化的落地实施

  3. 所属分类：互联网

    • 发布日期：2020-09-24
    • 文件大小：4194304
    • 提供者：pikaqiu_n95

  1. 使用pytorch实现论文中的unet网络

  2. 设计神经网络的一般步骤： 1. 设计框架 2. 设计骨干网络 Unet网络设计的步骤： 1. 设计Unet网络工厂模式 2. 设计编解码结构 3. 设计卷积模块 4. unet实例模块 Unet网络最重要的特征： 1. 编解码结构。 2. 解码结构，比FCN更加完善，采用连接方式。 3. 本质是一个框架，编码部分可以使用很多图像分类网络。 示例代码： import torch import torch.nn as nn class Unet(nn.Module): #初始化参数：Encode

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：91136
    • 提供者：weixin_38661236

  1. Pytorch实现GoogLeNet的方法

  2. GoogLeNet也叫InceptionNet，在2014年被提出，如今已到V4版本。GoogleNet比VGGNet具有更深的网络结构，一共有22层，但是参数比AlexNet要少12倍，但是计算量是AlexNet的4倍，原因就是它采用很有效的Inception模块，并且没有全连接层。 最重要的创新点就在于使用inception模块，通过使用不同维度的卷积提取不同尺度的特征图。左图是最初的Inception模块，右图是使用的1×1得卷积对左图的改进，降低了输入的特征图维度，同时降低了网络的参数量

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：175104
    • 提供者：weixin_38596485

  1. pytorch 实现resnet模型 细节讲解

  2. Resnet50的细节讲解 残差神经网络 (ResNet)也是需要掌握的模型，需要自己手动实现理解细节。本文就是对代码的细节讲解，话不多说，开始了。 首先你需要了解它的结构，本文以resnet50围绕讲解，网络的输入照片大小是224×224的经过conv1，conv2，conv3，conv4，conv5最后在平均池化，全连接层。由于中间有重复利用的模块，所以我们需要将它们写成一个类，用来重复调用即可。 Resnet之所以能够训练那么深的原因就是它的结构，在不断向后训练的过程中依旧保留浅层特征，

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：317440
    • 提供者：weixin_38677306

  1. 动手学深度学习(PyTorch实现)(七)–LeNet模型

  2. LeNet模型1. LeNet模型2. PyTorch实现2.1 模型实现2.2 获取数据与训练 1. LeNet模型 LeNet分为卷积层块和全连接层块两个部分。下面我们分别介绍这两个模块。 卷积层块里的基本单位是卷积层后接平均池化层：卷积层用来识别图像里的空间模式，如线条和物体局部，之后的平均池化层则用来降低卷积层对位置的敏感性。 卷积层块由两个这样的基本单位重复堆叠构成。在卷积层块中，每个卷积层都使用5×55 \times 55×5的窗口，并在输出上使用sigmoid激活函数。第一个卷积

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：200704
    • 提供者：weixin_38553837

  1. PyTorch卷积模块

  2. 包括卷积层、池化层、提取层结构 构造一个简单的多层卷积神经网络 import numpy as np import torch from torch.autograd import Variable from torch import nn, optim import matplotlib.pyplot as plt class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init_

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：24576
    • 提供者：weixin_38581308

  1. Pytorch_Tutorial:一组有关pytorch功能的Jupyter笔记本和示例-源码

  2. Pytorch_Tutorial 一组有关pytorch功能的Jupyter笔记本和示例 内容 A）路线图1-火炬主要1-基本张量功能.ipynb B）路线图2-火炬主线2-数学Operators.ipynb C）路线图3-火炬主体3-线性代数运算.ipynb D）路线图4-数据1-加载程序基本代码.ipynb E）路线图5-数据2-转换（常规）.ipynb F）路线图6-数据3-加载程序示例代码.ipynb G）路线图7-火炬NN 1-卷积，池化和填充图层.ipynb H）路

  3. 所属分类：其它

    • 发布日期：2021-03-22
    • 文件大小：37748736
    • 提供者：weixin_42099176

  1. Pyramid-Attention-Networks:具有多个图像恢复任务的新SOTA结果的“用于图像恢复的金字塔注意力网络”的PyTorch代码-源码

  2. 金字塔注意力网络用于图像恢复 该存储库适用于以下论文中介绍的PANet和PA-EDSR ，，，，，，，和“金字塔关注网络的图像复原”， 该代码基于和并在具有Titan X / 1080Ti / V100 GPU的Ubuntu 18.04环境（Python3.6，PyTorch_1.1）上进行了测试。 内容 介绍 自相似性是指在图像恢复算法中广泛使用的先验图像，即较小但相似的图案倾向于在不同的位置和比例上出现。但是，最近的基于深度卷积神经网络的高级图像恢复方法没有依靠仅处理相同规模信息的自注意神

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：3145728
    • 提供者：weixin_42139460

  1. tiny_cnn:卷积，关联和合并是神经网络的基本单元。 该测试希望您在CC ++中编写这三部分的功能-源码

  2. tiny_CNN性能测试 卷积，Relu以及池化是卷积神经网络的基本单元，这个项目采用C ++实现了这三个基本单元的前进和后退计算。并且实现了将这三个单元组合为一体的模块以提高性能，组合后有1.2倍的性能提升。该项目采用OpenMP支持多核并行。 目录 介绍 1.项目结构 ./src原始码 ./lib开源第三方矩阵库Eigen（长期可调用MKL） ./data mnist数据集 ./python numpy实现算法demo以及Pytorch作基准 ./main.cpp测试性能代码 2.建立 m

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：11534336
    • 提供者：weixin_42102358

  1. pytorch-NMF:一个用于非负矩阵分解的pytorch软件包-源码

  2. PyTorch中的非负矩阵组合 PyTorch不仅是一个很好的深度学习框架，而且还是矩阵操作和大数据卷积方面的快速工具。 一个很好的例子是 。 在此程序包中，我基于torch.nn.Module在PyTorch中实现了NMF，PLC​​A及其反卷积变化，因此可以在CPU / GPU设备之间自由移动模型并利用cuda的并行计算。 模组 NMF 基本的NMF和NMFD模块使用乘法更新规则将beta差异最小化。 乘数是通过torch.autograd获得的，因此减少了代码量并且易于维护。 该界

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：1048576
    • 提供者：weixin_42120563

  1. Research-Internship:pytorch及推荐系统学习记录-源码

  2. 研究实习 2021年-火炬和推荐的系统学习记录。 pytorch：第一阶段的熟悉每个模块的知识和实践 了解基于3.9的pytorch构建培训网络的一般过程。 张量操纵，损失函数，激活函数，GPU加速； 在3.10上动手进行多分类问题。 优化功能，完全连接的层，卷积，合并，bathNorm，在3.11上进行交叉验证。 经典卷积网络，resnet的实现和实践3.12。 在3.13上的LSTM层，RNN的实现和实践。 练习3.13中的情绪问题。

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：98304
    • 提供者：weixin_42151036

  1. PopGen:用于PyTorch的生成建模工具包-源码

  2. 流行音乐 PopGen是用PyTorch编写的生成建模工具包。 它旨在提供高质量的参考实现和可重用的组件，重点在于基于可能性的模型和表示学习。 实验范例 包含的VAE示例说明了灵活的后验分布和先验分布可以在高斯基线上得到改善。 vae和vamp架构遵循描述的L = 1 VAE的设置。 vae_vamp_hsnf模型还将K = 4 引入后验分布。 每个模型在动态二值化MNIST上训练了1M步。 使用界和5000个样本来估计边际可能性。 姓名 后部 事先的 对数p（x） vae 对角高斯 标

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：43008
    • 提供者：weixin_42131728

  1. SPConv.pytorch:[IJCAI-20]变苗条-源码

  2. SPConv.pytorch [IJCAI-20，接受了12.9％]精打细算：香草卷积中被忽略的冗余 此仓库提供了IJCAI 2020论文的Pytorch实施 要求 基本代码是从借来的 的Python 3 火炬1.1 NVIDIA DALI for GPU数据加载器 NVIDIA APEX提供混合精度 SPConv简介 功能图中的冗余 抽象的 我们揭示了图层中的许多要素图共享相似但不相同的模式。 但是，很难确定具有相似图案的特征是否多余或包含必要的细节。 因此，而不是直接删除不确定性冗余特

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：827392
    • 提供者：weixin_42131633

  1. pika:基于Pytorch和（Py）Kaldi的轻量级语音处理工具包-源码

  2. PIKA：基于Pytorch和（Py）Kaldi的轻量级语音处理工具包 PIKA是基于Pytorch和（Py）Kaldi的轻量级语音处理工具包。 第一个版本侧重于端到端语音识别。 我们使用作为深度学习引擎，使用进行数据格式化和特征提取。 主要特点 即时数据扩充和特征提取加载程序 TDNN变压器编码器以及基于卷积和变压器的解码器模型结构 RNNT训练和批量解码 带有外部Ngram FST的RNNT解码（即时记录，aka浅层融合） RNNT最低贝叶斯风险（MBR）培训 用于RNNT的LAS前向和后

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：97280
    • 提供者：weixin_42166105

  1. mosaicconv：提交给NeurIPS 2020拓扑数据分析及后续研讨会的“通过格-理论卷积的多维持久性模块分类”-源码

  2. 点阵转换 提交给NeurIPS 2020拓扑数据分析和超越研讨会的“通过格理论卷积的多维持久性模块分类”。 可以在访问该论文。 要安装的软件包： 铆接 具有CUDA兼容性的Pytorch 数据 ModelNET10

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：30408704
    • 提供者：weixin_42175971

  1. e2cnn：用于Pytorch的E（2）-等效CNNs库-源码

  2. 通用E（2）-等变可控CNN | | | e2cnn是用于等深度深度学习的扩展。 等变神经网络在输入变换的情况下保证了其特征空间的指定变换行为。 例如，经典卷积神经网络（ CNN ）在设计上与其输入的翻译相等。 这意味着图像的翻译会导致网络特征图的相应翻译。 该软件包提供了神经网络模块的实现，这些模块在像平面的所有等距E（2）下均等 即在平移，旋转和反射下。 与传统的CNN相比，E（2）-等变模型可保证在此类转换中进行概括，因此数据效率更高。 E（2）-等变可控CNN的特征空间定义为特征

  3. 所属分类：其它

    • 发布日期：2021-02-27
    • 文件大小：24117248
    • 提供者：weixin_42110469

  1. 扩张：使用Pytorch进行扩张-源码

  2. 用Pytorch进行扩张 0.开发环境 1.解释实施 2. “通过膨胀卷积进行多尺度上下文聚合”的摘要 2.1。 目标 提高语义分割的性能 2.2。 直觉 前端模块：防止严重的中间下采样 上下文模块：响应多尺度分辨率图像 2.3。 评估指标 平均交集 2.4。 前端模块 DCNN：改良的VGG-16 删除最后2个合并和跨步层 对于每个被消融的合并层，所有后续层中的卷积都以2的倍数进行扩展 紧随两个消融池化层的最终层中的卷积被放大4倍 删除中间要素贴图的填充 2.5。 上下文模块 2.6。 PA

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：39936
    • 提供者：weixin_42165018

  1. DeepCTR-Torch：【PyTorch】基于深度学习的CTR模型的易于使用，模块化和可扩展的软件包-源码

  2. DeepCTR火炬 PyTorch版本的 。 DeepCTR是基于深度学习的CTR模型的易于使用，模块化和可扩展的软件包，以及许多可用于轻松构建自己的自定义模型的核心组件层。您可以将任何复杂的模型与model.fit()和model.predict()通过pip install -U deepctr-torch 。 让我们 （） 型号清单 模型 纸 卷积点击预测模型 [CIKM 2015] 分解支持的神经网络 [ECIR 2016]基于 基于产品的神经网络 [ICDM 2016] 宽而深

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：4194304
    • 提供者：weixin_42172972

  1. pytorch-deform-conv：变形卷积的PyTorch实现-源码

  2. 可变形卷积的PyTorch实现 魏欧阳巴斯德研究所 感谢Felix Lau的Keras / TensorFlow实现： （ ） 待办事项清单 在pytorch中实现偏移量映射 所有测试通过 变形卷积模块 微调可变形卷积模块 大规模mnist演示 使用缓存的网格数组提高速度 使用pytorch（而不是Keras）的MNIST数据集 支持不同宽度和高度的输入图像 张量流实施基准 可变形卷积网络 戴继峰，齐浩志，熊玉文，李毅，张国栋，韩寒和魏一辰。 2017年。“可变形卷积网络”

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：1048576
    • 提供者：weixin_42118701

  1. 火炬手：PyTorch层和神经网络的形状和尺寸推断（类似于Keras）-源码

  2. 版 文件 测验 覆盖范围 风格 聚酰亚胺 Python 火炬 码头工人 是基于库提供的自动形状和维度推理torch.nn在当前SOTA架构功能层+附加构建块（例如）。 上述无需用户干预（除了单呼torchlayers.build ）类似于一个在看到 。 主要功能： 大多数torch.nn模块的形状推断（卷积层，递归层，变压器层，注意力层和线性层） 尺寸推断（例如，基于input shape torchlayers.Conv用作torch.nn.Conv1d/2d/3d ） 自定义模块的

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：1048576
    • 提供者：weixin_42122878
« 12 »