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. X-Temporal:SenseTime X-Lab的通用视频理解代码库-源码

  2. X时态 使用PyTorch在多台机器和GPU上轻松实现SOTA视频理解方法 X-Temporal是Sensetime X-Lab小组的开源视频理解代码库，提供最新的视频分类模型，包括论文“”，“”，“”，“ ”，“”和“”。 此仓库包含我们在ICCV19的第一名解决方案中使用的所有模型和代码-时光挑战多时刻 介绍 支持流行的视频理解框架 慢快 R（2 + 1）D R3D TSN 锡 TSM 支持各种数据集（运动学，Something2Something，时间多时刻...） 将原始视频作为输

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：71680
    • 提供者：weixin_42097450

  1. lab-gpu-源码

  2. lab-gpu

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：38912
    • 提供者：weixin_42141437

  1. Prophecis:Prophecis是一站式云原生机器学习平台-源码

  2. 先知 English | 介绍 Prophecis是由WeBank开发的一站式机器学习平台。它集成了多个开源机器学习框架，具有机器学习计算集群的多租户管理功能，并为生产环境提供了完整的堆栈容器部署和管理服务。 建筑学 整体结构 先知的五项关键服务： Prophecis机器学习流程：分布式机器学习建模工具，具有独立和分布式模式模型训练功能，支持Tensorflow，Python，XGBoost和其他机器学习框架，并支持从机器学习建模到部署的完整流程； Prophecis MLLabis ：机

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：15728640
    • 提供者：weixin_42131316

  1. Vision-Systems-Lab:MLP，DCNN，深度卷积自动编码器，LSTM，GRU，ResNets，DCGAN-波恩大学的CudaVision实验室（SS19）-源码

  2. 视觉系统实验室：在GPU上学习计算机视觉[自述文件未定期更新] 作者：Saikat Roy， 波恩大学CudaVision实验室（SS19）的存储库（主要）在PyTorch，Python3和Jupyter笔记本电脑上实现。 该项目从神经网络的基础开始，并延伸到更深层次的模型。 以下项目包含在相应的文件夹中： 项目1：Softmax回归（无autograd / Pytorch张量） 涉及使用softmax回归和手动梯度计算对MNIST数据集进行分类。 经过5次简单的迭代运行后，训练和测试集

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：14680064
    • 提供者：weixin_42116921

  1. ai-system-lab-源码

  2. 实验1-框架及工具入门示例 实验目的 了解深度学习框架及工作流程（深度学习工作量） 了解在不同硬件和批大小（batch_size）条件下，张量运算产生的剩余 实验环境 PyTorch == 1.5.0 TensorFlow> = 1.15.0 【任选环境】带CUDA 10.0的单机Nvidia GPU 实验原理 通过在深度学习框架上调试和运行样例程序，观察不同配置下的运行结果，了解深度学习系统的工作流程。 实验内容 实验流程图 具体步骤 按装依赖包。PyTorch== 1.5，Tens

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：4194304
    • 提供者：weixin_42107561

  1. Mask_R-CNN:遮罩_R-CNN-源码

  2. Mask R-CNN的Pytorch实现 该代码是基于2018年发布的Mask R-CNN的练习代码。 它是为CV Lab大一新生Trianing的一部分而对pracitice进行编程而实现的。 每周更新。 目录 数据 data |-- COCO |-- |-- dataset |-- |-- |-- annotations |-- |-- |-- train2017 |-- |-- |-- val2017 |-- |-- |-- test2017 |-- |-- dataset.py |--

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：5242880
    • 提供者：weixin_42154650

  1. market-rl-源码

  2. 强化学习的股票预测 （纽约机器学习研讨会） 安装 安装Anaconda环境，然后： conda create -n rl python=3 jupyterlab numpy pandas matplotlib conda activate rl Q-Learning简介 笔记本电脑 jupyter lab 打开笔记本： reinforcement-learning-1.ipynb reinforcement-learning-2.ipynb 高级-深度强化学习 conda install -c

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：4194304
    • 提供者：weixin_42105816

  1. gpu-utils:一组用于监视和自定义GPU性能的实用程序-源码

  2. Ricks-Lab GPU实用程序 rickslab-gpu-utils 一组实用程序，用于监视GPU性能和修改控制设置。 为了获得这些实用程序的最大功能，您应该使用提供对已安装GPU的支持的内核来运行。 如果使用AMD GPU，则安装最新的amdgpu驱动程序软件包或最新的ROCm版本可能会提供其他功能。 如果安装了Nvidia GPU，则应该安装nvidia-smi ，以便可以实用程序读取卡。 当前仅适用于AMD GPU，并且只能使用兼容卡并将AMD ppfeaturemask设置为0x

  3. 所属分类：其它

    • 发布日期：2021-03-05
    • 文件大小：625664
    • 提供者：weixin_42101384

  1. torchsparse：用于点云处理的高性能神经网络库-源码

  2. 火炬稀疏 消息 2020/09/20：我们发布了torchsparse v1.1，该版本明显快于我们的torchsparse v1.0，并且在运行MinkUNet18C时，其速度比 v0.5 alpha快1.9倍！ 2020/08/30：我们发布了torchsparse v1.0。 概述 我们发布了torchsparse ，这是一个用于高效3D稀疏卷积的高性能计算库。 该库旨在加速3D稀疏计算，尤其是稀疏卷积运算。 该库的主要优点是我们支持GPU上的所有计算，尤其是内核映射构造（这是在最新的

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：60416
    • 提供者：weixin_42179184

  1. tomocam：重建层析成像数据。 快点！-源码

  2. 在GPU上使用NUFFT的同步加速器层析成像数据的基于模型的迭代重建（MBIR）。 依存关系 CUDA（带有cufft和cublas） pybind11 麻木 卡姆 安装 确保已安装CUDA ， cmake和pybind11 。 推荐的 pip install virtualenv virtualenv -p /usr/bin/python3 tomocam-venv source tomocam-venv/bin/activate 有或没有virtualenv pip install

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：586752
    • 提供者：weixin_42116805

  1. edgehog-lab：在浏览器中完全运行，编译和执行JavaScript，以实现科学计算和数据可视化！ 完全在您的浏览器中提供JavaScript的开源科学计算环境，具有GPU加速功能的矩阵运算，TeX支持，数据可视化和符号计算-源码

  2. 刺猬实验室 是浏览器中的开源科学计算工具。 在尝试 安装 # Clone the repo # Using HTTPS git clone https://github.com/lidangzzz/hedgehog-lab.git # Using SSH git clone gitgithub.com:lidangzzz/hedgehog-lab.git 克隆后，切换到master分支，并通过键入cd hedgehog-lab并运行以下命令导航到该文件夹​​： # Switch to th

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：412672
    • 提供者：weixin_42123456

  1. ai-lab：多合一AI容器，用于快速原型制作-源码

  2. 多合一AI开发容器，用于快速原型制作，与nvidia-docker GPU加速的容器运行时以及JupyterHub兼容。 它被设计为各种云提供商“深度学习虚拟机”的更轻便，更便携的替代产品。 通过在您的工作站，云或JupyterHub内拉并运行容器，启动并运行各种机器学习和深度学习任务。 包括什么？ 使用AI Lab容器 该映像可与工作站，服务器，云实例上的NVIDIA GPU一起使用。 也可以通过JupyterHub部署使用它，因为不需要额外的端口，例如TensorBoard。 请注意，以下说

  3. 所属分类：其它

    • 发布日期：2021-02-01
    • 文件大小：3145728
    • 提供者：weixin_42133329