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. VGG网络--基于pytorch实现

  2. 卷积神经网络经典--VGG网络，基于pytorch实现 包括构建网络模型、训练模型、测试准确率，采用cifa-10数据集

  3. 所属分类：深度学习

    • 发布日期：2020-07-21
    • 文件大小：6144
    • 提供者：sinat_33673316

  1. faster-rcnn-pytorch-V1.0

  2. Faster-Rcnn：Two-Stage目标检测模型在Pytorch当中的实现。 详细操作见readme.md 文件下载 训练所需的voc_weights_resnet.pth或者voc_weights_vgg.pth可以在百度云下载。 voc_weights_resnet.pth是resnet为主干特征提取网络用到的； voc_weights_vgg.pth是vgg为主干特征提取网络用到的； 链接: https://pan.baidu.com/s/1H_YQxUvGrOXQeEQWPJvix

  3. 所属分类：深度学习

    • 发布日期：2020-07-19
    • 文件大小：11534336
    • 提供者：Jason_android98

  1. FCN网络实现（pytorch）

  2. FCN网络实现（pytorch），需要torchvison的VGG预训练模型，输出经过nn.logsoftmax处理后，使用nn.NLLLoss()损失函数。

  3. 所属分类：深度学习

    • 发布日期：2020-09-07
    • 文件大小：445644800
    • 提供者：qq_33042407

  1. Network.zip

  2. PyTorch模型 cnn网络的实现： AlexNet、VGG、ResNet、InceptionV1、InceptionV2 and InceptionV3、InceptionV4 and Inception-ResNet 轻量级网络： MobileNets、MobileNetV2、MobileNetV3、ShuffleNet、ShuffleNet V2、SqueezeNet、Xception、MixNet、GhostNet 目标检测/语义分割/实例分割 以下链接包含有效的下载资源： h

  3. 所属分类：深度学习

    • 发布日期：2020-12-10
    • 文件大小：80896
    • 提供者：weixin_45839039

  1. 浅谈Keras的Sequential与PyTorch的Sequential的区别

  2. 深度学习库Keras中的Sequential是多个网络层的线性堆叠，在实现AlexNet与VGG等网络方面比较容易，因为它们没有ResNet那样的shortcut连接。在Keras中要实现ResNet网络则需要Model模型。 下面是Keras的Sequential具体示例： 可以通过向Sequential模型传递一个layer的list来构造该模型： from keras.models import Sequential from keras.layers import Dense, Act

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：41984
    • 提供者：weixin_38528680

  1. LeNet、AlexNet、VGG、NiN、GoogLeNet

  2. 文章目录LeNet、AlexNet、VGG、NiN、GoogLeNet全连接层与卷积层的优势对比LeNetLeNet模型LeNet的pytorch实现AlexNetAlexNet模型AlexNet的pytorch实现VGGVGG模型VGG的实现NiN(网络中的网络）NiN模型NiN的pytorch实现GooLeNetInception块完整goolenet模型GooLeNet的pytorch小结 LeNet、AlexNet、VGG、NiN、GoogLeNet 全连接层与卷积层的优势对比 使用全连

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：453632
    • 提供者：weixin_38612811

  1. AlexNet、VGG11、NiN、GoogLeNet等网络的Pytorch实现

  2. 目录AlexNetAlexNet摘要AlexNet代码VGGVGG摘要VGG的优缺点代码NiNNiN摘要GoogLeNetGoogLeNet完整结构 AlexNet AlexNet摘要 由于受到计算机性能的影响，虽然LeNet在图像分类中取得了较好的成绩，但是并没有引起很多的关注。 知道2012年，Alex等人提出的AlexNet网络在ImageNet大赛上以远超第二名的成绩夺冠，卷积神经网络乃至深度学习重新引起了广泛的关注 AlexNet是在LeNet的基础上加深了网络的结构，学习更丰富更高维

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：373760
    • 提供者：weixin_38571544

  1. pytorch实现VGG网络

  2. 使用重复元素的网络（VGG） AlexNet在LeNet的基础上增加了3个卷积层。但AlexNet作者对它们的卷积窗口、输出通道数和构造顺序均做了大量的调整。虽然AlexNet指明了深度卷积神经网络可以取得出色的结果，但并没有提供简单的规则以指导后来的研究者如何设计新的网络。我们将在本章的后续几节里介绍几种不同的深度网络设计思路。 本节介绍VGG，它的名字来源于论文作者所在的实验室Visual Geometry Group [1]。VGG提出了可以通过重复使用简单的基础块来构建深度模型的思路。

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：66560
    • 提供者：weixin_38692184

  1. CvPytorch:CvPytorch是一个基于PyTorch的开源计算机视觉工具箱-源码

  2. CvPytorch CvPytorch是一个基于PyTorch的开源COMPUTER VISION工具箱。 依存关系 Python 3.8 PyTorch 1.6.0 火炬视觉0.7.0 tensorboardX 2.1 楷模 影像分类 （ VGG ）VGG：用于大规模图像识别的超深度卷积网络 （ ResNet ）ResNet：用于图像识别的深度残差学习 （ DenseNet ）DenseNet：紧密连接的卷积网络 （ ShuffleNet ）ShuffleNet：一种用于移动设备

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：5242880
    • 提供者：weixin_42181319

  1. DenseNet：比ResNet更优的CNN模型

  2. 本文来自于个人博客，本篇文章首先介绍DenseNet的原理以及网路架构，然后讲解DenseNet在Pytorch上的实现。在计算机视觉领域，卷积神经网络（CNN）已经成为最主流的方法，比如最近的GoogLenet，VGG-19，Incepetion等模型。CNN史上的一个里程碑事件是ResNet模型的出现，ResNet可以训练出更深的CNN模型，从而实现更高的准确度。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”（shortcuts，skipconnection），这有助于训练

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：788480
    • 提供者：weixin_38518376

  1. DeblurGAN：使用生成对抗网络进行图像去模糊-源码

  2. DeblurGAN DeblurGAN：使用条件对抗网络进行盲运动去模糊的Pytorch实现。 我们的网络将模糊的图像作为输入，并进行相应的清晰估计，如示例所示： 我们使用的模型是条件性Wasserstein GAN，具有基于VGG-19激活的渐变惩罚+感知损失。 这样的体系结构在其他图像到图像的转换问题（超分辨率，着色，修复，除雾等）上也给出了良好的结果。 怎么跑 先决条件 NVIDIA GPU + CUDA CuDNN（CPU未经测试，感谢反馈） 火炬 从下载权重。 请注意，在推论过

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：35651584
    • 提供者：weixin_42160645

  1. 分层dnn解释：使用论文《神经网络预测的分层解释》中的复制ACD（ICLR 2019）-源码

  2. 从神经网络预测的层次解释论文中使用/复制ACD的官方代码（ICLR 2019 ）。 该代码为神经网络所做的单个预测生成层次解释。 注意：此存储库正在积极维护。 如有任何疑问，请提出问题。 例子/文档 安装： pip install acd （或克隆并运行python setup.py install ） 示例： 文件夹包含带有许多演示的笔记本 api ： 提供可用功能列表 src ： 文件夹包含方法实现的源 通过更改超参数允许进行不同类型的解释（在示例中进行了说明） 使用python3和

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：24117248
    • 提供者：weixin_42140846

  1. DenseNet：比ResNet更优的CNN模型

  2. 本文来自于个人博客，本篇文章首先介绍DenseNet的原理以及网路架构，然后讲解DenseNet在Pytorch上的实现。在计算机视觉领域，卷积神经网络（CNN）已经成为最主流的方法，比如最近的GoogLenet，VGG-19，Incepetion等模型。CNN史上的一个里程碑事件是ResNet模型的出现，ResNet可以训练出更深的CNN模型，从而实现更高的准确度。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”（shortcuts，skip connection），这有助于训

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：778240
    • 提供者：weixin_38652270

  1. pytorch 实现模型不同层设置不同的学习率方式

  2. 在目标检测的模型训练中， 我们通常都会有一个特征提取网络backbone， 例如YOLO使用的darknet SSD使用的VGG-16。 为了达到比较好的训练效果， 往往会加载预训练的backbone模型参数， 然后在此基础上训练检测网络， 并对backbone进行微调， 这时候就需要为backbone设置一个较小的lr。 class net(torch.nn.Module): def __init__(self): super(net, self).__init__()

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：35840
    • 提供者：weixin_38685694