您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 人脸识别代码

  2. ----------------- # DFace • [![License](http://pic.dface.io/apache2.svg)](https://opensource.org/licenses/Apache-2.0) | **`Linux CPU`** | **`Linux GPU`** | **`Mac OS CPU`** | **`Windows CPU`** | |-----------------|---------------------|----------
  3. 所属分类:机器学习

    • 发布日期:2018-03-20
    • 文件大小:2097152
    • 提供者:ihftujb
  1. pytorch 实现在一个优化器中设置多个网络参数的例子

  2. 今天小编就为大家分享一篇pytorch 实现在一个优化器中设置多个网络参数的例子,具有很好参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
  3. 所属分类:其它

    • 发布日期:2020-09-17
    • 文件大小:25600
    • 提供者:weixin_38672807
  1. 使用 PyTorch 实现 MLP 并在 MNIST 数据集上验证方式

  2. 简介 这是深度学习课程的第一个实验,主要目的就是熟悉 Pytorch 框架。MLP 是多层感知器,我这次实现的是四层感知器,代码和思路参考了网上的很多文章。个人认为,感知器的代码大同小异,尤其是用 Pytorch 实现,除了层数和参数外,代码都很相似。 Pytorch 写神经网络的主要步骤主要有以下几步: 1 构建网络结构 2 加载数据集 3 训练神经网络(包括优化器的选择和 Loss 的计算) 4 测试神经网络 下面将从这四个方面介绍 Pytorch 搭建 MLP 的过程。 项目代码地址:la
  3. 所属分类:其它

    • 发布日期:2020-12-23
    • 文件大小:86016
    • 提供者:weixin_38638163
  1. 使用pytoch简洁创建隐层,拟合正弦函数,深入理解深度学习是一种高维非线性拟合

  2. 网上关于拟合直线和二次曲线的教程已经很多,隐藏层设置差不多1到2层,便可以得到很好的拟合效果。更加复杂的几何函数,需要更多的隐藏层来进行拟合,逐层进行定义必然很繁琐还容易出错。 我们知道深度神经网络的本质是输入端数据和输出端数据的一种高维非线性拟合,如何更好的理解它,下面尝试拟合一个正弦函数,本文可以通过简单设置节点数,实现任意隐藏层数的拟合。 基于pytorch的深度神经网络实战,无论任务多么复杂,都可以将其拆分成必要的几个模块来进行理解。 1)构建数据集,包括输入,对应的标签y 2) 构建
  3. 所属分类:其它

    • 发布日期:2021-01-07
    • 文件大小:234496
    • 提供者:weixin_38562026
  1. onnxruntime-pytorch:这是PyTorch的一个分支,用于在Microsoft内部对ONNX Runtime的各种级别的支持进行原型设计-源码

  2. Microsoft Fork for ONNX运行时原型 注意:这是一个用于在Microsoft中为ONNX运行时提供各种级别的支持。请不要在此处提交问题或提出请求,而应参考。 PyTorch是一个Python软件包,提供两个高级功能: 具有强大GPU加速功能的Tensor计算(如NumPy) 在基于磁带的自动毕业系统上构建的深度神经网络 您可以在需要时重用自己喜欢的Python软件包(例如NumPy,SciPy和Cython)来扩展PyTorch。 系统 3.6 3.7 3.8 Lin
  3. 所属分类:其它

    • 发布日期:2021-03-20
    • 文件大小:16777216
    • 提供者:weixin_42121272
  1. pytorch-forecasting:使用PyTorch进行时间序列预测-源码

  2. 我们关于“ 文章介绍了该软件包,并提供了背景信息。 Pytorch Forecasting旨在通过神经网络简化实际案例和研究的最新时间序列预测。目标是为高级专业人员提供最大程度的灵活性,并为初学者提供合理的默认值的高级API。具体来说,该软件包提供了 一个时间序列数据集类,它抽象化处理变量转换,缺失值,随机子采样,多个历史记录长度等。 基本模型类,提供时间序列模型的基本训练,以及在张量板中的记录和通用可视化,例如实际与预测以及依存关系图 用于时间序列预测的多种神经网络体系结构已针对实际部署进行
  3. 所属分类:其它

    • 发布日期:2021-03-18
    • 文件大小:3145728
    • 提供者:weixin_42097450
  1. Natural-Language-Processing-源码

  2. 自然语言处理 bentrevett的pytorch教程。 하였고정수,한국어로설명을다。 讲解 1- Pytorch的torchtext的照片。 torchtext데이데이스(IMDb数据集)current递归神经网络(RNN)영화의가가정적인리뷰인지,부정적인리뷰인지를다。 加载数据,创建训练/测试/验证拆分,构建词汇表,创建数据迭代器,定义模型并实施训练/评估/测试循环。 performance이가학습하기튜토리얼이므로性能가좋지않습니다。 2- 1구현한工作流程변형하여정확도
  3. 所属分类:其它

    • 发布日期:2021-03-16
    • 文件大小:368640
    • 提供者:weixin_42159267
  1. Deep-Learning:展示我的深度学习研究,实验和开发-源码

  2. 为什么选择深度学习 如果您想进入人工智能领域,深度学习是让您深入学习的最受追捧的技能之一。 深度学习的基础,了解如何构建神经网络以及学习如何领导成功的机器学习项目是必不可少的技能。 卷积网络,RNN,LSTM,Adam,Dropout,BatchNorm,Xavier / He初始化等都是深度学习工具箱。 人工智能正在改变多个行业。 这些对于理解如何应用它以及在AI中建立事业至关重要。 策划资源 标题 领域 关联 50行代码(PyTorch)中的生成对抗网络(GAN) 甘 转移学习用于超小型生
  3. 所属分类:其它

    • 发布日期:2021-03-13
    • 文件大小:5120
    • 提供者:weixin_42133452
  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. federated-learning-on-raspberry-pi:该项目实施了OpenMined教程,并使用2个RPI(Raspberry Pi)模拟了分布式模型训练过程-源码

  2. 使用Raspberry PI(PySyft)进行联合学习 我们是一群从安全和私密AI奖学金挑战研究小组PyTorch机器人学者和共同致力于实现 教程由从 。 我们将在两个Raspberry Pi上设置PySyft,并学习如何通过PySyft在Raspberry Pi上训练递归神经网络。 项目目的 在Raspberry Pi(RPI)上使用联合学习的目的是在设备上构建模型,从而不必将数据移到集中式服务器。 除了增加隐私性外,FL还适用于物联网应用程序,因为可以在设备上进行培训,而不必在设备和中央
  3. 所属分类:其它

    • 发布日期:2021-03-10
    • 文件大小:66060288
    • 提供者:weixin_42131414
  1. stargan:StarGAN-官方PyTorch实施(CVPR 2018)-源码

  2. StarGAN-官方PyTorch实施 *****新增功能:可从获得StarGAN v2 ***** 该存储库提供了以下论文的官方PyTorch实现: StarGAN:用于多域图像到图像翻译的统一生成对抗网络1,2, 1,2, 2,3,2,2,4, 1,2- 1韩国大学, 2 Clova AI研究,NAVER Corp. 3香港科技大学新泽西学院4 摘要:最近的研究表明,在两个领域的图像到图像翻译中取得了巨大的成功。 但是,由于应为每对图像域分别构建不同的模型,因此现有方法在处理两个以上
  3. 所属分类:其它

    • 发布日期:2021-02-26
    • 文件大小:1048576
    • 提供者:weixin_42150341
  1. CNN-Numpy-Implementation:手动实现卷积神经网络,而无需使用诸如pytorch和tensorflow之类的现代库-源码

  2. CNN-Numpy-实施 手动实现卷积神经网络,而无需使用诸如pytorch和tensorflow之类的现代库。 换句话说,我从头开始构建了一个神经网络,其中涉及实现正向和反向传播。 我手动编写了反向传播代码,并使用numpy手动实现了每一层的偏导数。 我在这里使用的方程式示例可以在这里找到。 E.Bendersky(2016年10月28日)。 Softmax函数及其导数。 取自 我最完善,最成功的网络是跟踪多个功能的多元回归CNN。 它可以正确确定两个图像之间的形状数量差异以及是否存在反射
  3. 所属分类:其它

    • 发布日期:2021-02-22
    • 文件大小:321912832
    • 提供者:weixin_42099936
  1. 网格世界-源码

  2. 网格世界 我认为强化学习的“你好世界”。 那么为什么要这样做呢? 我希望能够为机器学习代理提供更高级的环境,而Unity为此提供了极大的灵活性。 这更多是一个示例,说明如何从头开始创建Unity环境并直接使用Python与它交互。 这使用了一个自定义的双重DQN:一个用于本地,一个用于目标网络。 该代理基于屏幕上的原始像素学习。 安装 这分为两个部分。 一个专门安装PyTorch,而另一个专门安装其余依赖项。 您可以通过Unity或使用预构建的二进制文件来运行它。 如果您想要预建的游戏,则可以
  3. 所属分类:其它

    • 发布日期:2021-02-17
    • 文件大小:59392
    • 提供者:weixin_42134554
  1. 教育学-源码

  2. 教育学 这是一个用于教学目的的库,它说明了具有反向模式微分(反向传播)的动态计算图的极小实现,用于计算梯度。 以下三项准则可以激励实施中的设计选择: 尽可能模仿PyTorch的API。 简单forward / backward的操作(在numpy数组上操作)。 运行操作时构建的动态计算图。 该图书馆受到其他几个类似项目的启发。 适当时在源中提供特定的确认。 通过Karpathy :一个教学实施autograd 用法 在examples/toy_half_sum ,您将找到一个基本的
  3. 所属分类:其它

    • 发布日期:2021-02-16
    • 文件大小:22528
    • 提供者:weixin_42144366
  1. 试管:Python库,可轻松记录实验并并行化神经网络的超参数搜索-源码

  2. 试管 记录,组织和并行化用于深度学习实验的超参数搜索 文件 试管是一个python库,用于跟踪和并行化深度学习和ML实验的超参数搜索。 它与框架无关,并基于python argparse API构建,易于使用。 pip install test_tube 主要试管用途 (跨多个GPU或CPU)。 使用SLURM跨HPC集群。 记录实验超参数和实验数据。 跨模型进行 。 使用可视化 与Python兼容的任何Python ML库,例如Tensorflow,Keras,Pytorch,Caff
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:715776
    • 提供者:weixin_42134117
  1. pytorch:具有强大GPU加速功能的Python中的张量和动态神经网络-源码

  2. PyTorch是一个Python软件包,提供了两个高级功能: 具有强大GPU加速功能的Tensor计算(如NumPy) 基于基于磁带的autograd系统构建的深度神经网络 您可以在需要时重用自己喜欢的Python软件包(例如NumPy,SciPy和Cython)来扩展PyTorch。 系统 3.6 3.7 3.8 Linux CPU — Linux GPU — Windows CPU / GPU — — Linux(ppc64le)CPU — — Linux(pp
  3. 所属分类:其它

    • 发布日期:2021-02-03
    • 文件大小:17825792
    • 提供者:weixin_42112685
  1. BiSeNet-app:在GCP容器注册表和Kubernetes Engine集群上的Docker容器中部署的人脸语义分割Flask应用程序-源码

  2. BiSeNet应用 在GCP容器注册表和Kubernetes Engine集群上的Docker容器中部署的人脸语义分割Flask应用程序。 目的 这个应用程式的建立是为了将包含人脸的图像解析为带有标签的人脸蒙版。 脸部分为多个类别,并用颜色标记。 输入 输出 工具 该应用程序是使用Flask构建的。 语义分割模型是用PyTorch编写的。 有关软件包的详细信息,请参阅requirements.txt 。 该应用程序托管在Google Cloud Platform(GCP)上。 将docker
  3. 所属分类:其它

    • 发布日期:2021-03-27
    • 文件大小:53477376
    • 提供者:weixin_42107491