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. CornerNet Detecting Objects as Paired Keypoints文档与Pytorch源码

  2. 密歇根大学Hei Law等人在发表ECCV2018的一篇论文，提出CornerNet模型预测目标边界框的左上角和右下角一对顶点，即 使用单一卷积模型生成热点图和连接矢量。

  3. 所属分类：深度学习

    • 发布日期：2018-09-28
    • 文件大小：5242880
    • 提供者：huyiqun6

  1. pytorch-flask-api.zip

  2. 本章节中，我们将使用Flask 部署一个Pytorch模型，并未模型预测提供一个REST API 接口。下面，我们部署一个预训练好的模型DenseNet 121，该模型用于检测图片

  3. 所属分类：机器学习

    • 发布日期：2019-08-26
    • 文件大小：505856
    • 提供者：shenfuli

  1. 吴恩达卷积神经网络，第一周作业PyTorch版本代码(gpu-cpu通用）

  2. 吴恩达卷积神经网络，第一周作业PyTorch版本代码(gpu-cpu通用） 1.PyCharm上运行的PyTorch项目 2.基础的卷积神经网络搭建 3.加入了gpu加速所需的代码 4.含数据集+cnn_utils.py【对原版本做了简化】 5.含训练、模型保存、模型加载、单个图片预测代码 6.里面保存了个已经在gpu上训练好的模型，下载后也可以自行训练

  3. 所属分类：深度学习

    • 发布日期：2020-03-24
    • 文件大小：8388608
    • 提供者：weixin_43306183

  1. pytorch模型预测结果与ndarray互转方式

  2. 今天小编就为大家分享一篇pytorch模型预测结果与ndarray互转方式，具有很好的参考价值，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：2020-09-18
    • 文件大小：25600
    • 提供者：weixin_38558186

  1. pytorch模型预测结果与ndarray互转方式

  2. 预测结果转为numpy： logits=model(feature) #如果模型是跑在GPU上 result=logits.data.cpu().numpy() / logits.cpu().numpy() #如果模型跑在cpu上 result=logits.data.numpy() / logits.numpy() 将矩阵转为tensor： np_arr = np.array([1,2,3,4]) tensor=torch.from_numpy(np_arr) 以上这篇pytorc

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：28672
    • 提供者：weixin_38607784

  1. Pytorch贝叶斯深度学习库BLiTZ实现LSTM模型预测时序数据并绘制置信区间

  2. 本文将主要讲述如何使用BLiTZ（PyTorch贝叶斯深度学习库）来建立贝叶斯LSTM模型，以及如何在其上使用序列数据进行训练与推理。 原创文章 54获赞 109访问量 18万+ 关注 私信 展开阅读全文

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：55296
    • 提供者：weixin_38682790

  1. pytorch动手深度学习的笔记[二]

  2. 一.循环神经网络 循环神经网络基于当前的输入与过去的输入序列，预测序列的下一个字符。它引入一个隐藏变量H，用Ht表示H在时间步t的值。Ht的计算基于Xt和Ht−1，可以认为Ht记录了到当前字符为止的序列信息，利用Ht对序列的下一个字符进行预测。 1.隐状态的引入 2.one-hot向量 3.初始化模型参数：隐藏层参数，输出层参数。 4.定义模型后裁剪梯度，定义预测函数，定义模型训练函数，使用困惑度评价模型。 二.循环神经网络进阶 GRU ⻔控循环神经⽹络：捕捉时间序列中时间步距离较⼤的依赖关系。

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：83968
    • 提供者：weixin_38735570

  1. 《动手学深度学习Pytorch版》Task4-机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer

  2. 机器翻译及相关技术 Task2中的循环神经网络部分，有实现预测歌词的功能。在那个任务中，训练数据的输入输出长度是固定的，而在机器翻译中，输出的长度是不固定的，所以不能直接用RNN来处理这种任务。 Encoder-Decoder框架是常用于机器翻译，对话系统这类场景的框架。 需要注意的是，在训练过程中Decoder的输入是真实的label，而预测时，输入是上一个ceil的预测值 机器翻译解码 通常用beam search。beam search是一种贪心算法，不是全局最优解。 注意力机制 在“

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：350208
    • 提供者：weixin_38653602

  1. AI之梯度消失、梯度爆炸以及Kaggle房价预测

  2. 梯度消失、梯度爆炸以及Kaggle房价预测梯度消失和梯度爆炸随机初始化模型参数PyTorch的默认随机初始化Xavier随机初始化考虑环境因素协变量偏移标签偏移概念偏移Kaggle 房价预测实战获取和读取数据集预处理数据训练模型对数均方根误差实现K折交叉验证模型选择预测并在Kaggle中提交结果 梯度消失和梯度爆炸   深度模型有关数值稳定性的典型问题是消失（vanishing）和爆炸（explosion）。   当神经网络的层数较多时，模型的数值稳定性容易变差。   假设一个层数为L的多层感知

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：296960
    • 提供者：weixin_38733875

  1. 动手学深度学习PyTorch版—day02

  2. 目录   Day02 1.过拟合，欠拟合及解决 训练误差 泛化误差 过拟合 过拟合解决方案 欠拟合 2.梯度消失，梯度爆炸 考虑环境因素 协变量偏移 标签偏移 概念偏移 3.卷积神经网络基础 ALexNet VGG GoogLeNet 4.批量归一化，残差结构，密集连接 BN 对全连接层做批量归一化 对卷积层做批量归一化 预测时的批量归⼀化 Day02 过拟合、欠拟合及解决方案；梯度消失，梯度爆炸；注意力机制与Seq2seq;卷积神经网络基础 1.过拟合，欠拟合及解决 训练误差 指模型在训练集上

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：140288
    • 提供者：weixin_38632825

  1. Pytorch——fine-tune相关经验总结

  2. 最近几天在参加AI研习社的一个美食识别比赛，比赛方提供了6140张图片的训练集，856张图片的测试集。其中测试集没有标签，只用来生成预测数据进行提交。 任务难度不是很高，但是在做的过程中还是遇到了一些问题，有一些经验值得总结，这里主要记录一下在模型fine-tune中的一些经验教训。 1.模型选择 由简单到复杂，先后选择了resnet50、resnet101、resnext50_32x4d、resnext101_32x8d。 这些模型中，前两个在验证集上的acc在到达94%后就基本上不去了（也可

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：62464
    • 提供者：weixin_38604395

  1. pytorch入门NLP教程(二)——CBOW

  2. 在上一个教程中我们说到了NNLM，但是NNLM虽然考虑的一个词前面的词对它的影响，但是没有办法顾忌到后面的词，而且计算量较大，所以可以使用Word2vec中的一个模型CBOW。 目标：通过周围的词预测中心词w(t)w(t)w(t) 目标函数：J=∑ω∈corpusP(w∣content(w))J = \sum_{\omega\in corpus}P(w|content(w))J=∑ω∈corpus​P(w∣content(w)) 输入：上下文单词的onehot，假设单词向量空间dim为V，上

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：822272
    • 提供者：weixin_38711333

  1. Covid-Xray-Eval-Module：简而言之，Pytorch，Kaggle DL项目。 用于评估X射线图像以检查是否合影的Python模块。 图像变换+预测，合而为一-源码

  2. Covid X射线评估模块 简而言之，使用PyTorch的Kaggle DL项目。 Python模块可评估X射线图像，以检查是否存在共生引起的肺部炎症。 此仓库是我在ComputerScience和DeepLearning中的第一个0 to End项目的摘要。 随时发表评论。 图像变换+模型+预测/多合一 如何使用 ？ 在与python文件相同的目录中打开一个终端。 git clone python evalImage.py -img'imagename' -img用于argpars

  3. 所属分类：其它

    • 发布日期：2021-02-27
    • 文件大小：40894464
    • 提供者：weixin_42139042

  1. Captum：使用Captum探索PyTorch模型的可解释性-源码

  2. 资本 使用Captum探索PyTorch模型的可解释性 Captum可帮助ML研究人员更轻松地实现可与PyTorch模型进行交互的可解释性算法。对于模型开发人员而言，Captum可用于通过识别有助于模型输出的不同特征来改进模型和对模型进行故障排除，从而设计出更好的模型并进行故障排除意外的模型输出。（ ） 在这里，我们将解释Resnet模型对图像的预测，并使用归因技术（例如Captum提供的“集成梯度”和“遮挡”）来比较结果。 方案1-通过PyTorch模型进行正确的预测 在这里，输入图像是

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：1048576
    • 提供者：weixin_42110533

  1. 火炬字母：简单的PyTorch模型可预测手写字母-源码

  2. 火炬字母：简单的PyTorch模型可预测手写字母

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：126976
    • 提供者：weixin_42130786

  1. Dog-Classifier-App：用户上传照片，应用程序预测品种-源码

  2. 狗分类器应用 用户上传照片，应用程序使用Pytorch“ densenet121” CNN模型预测品种。 该模型没有任何修改。 我有暂定计划添加比当前可用的119个品种更多的品种，但这是用于以后的版本。 该应用程序的目的是练习在Heroku上部署Dash应用程序。 ！[]（img / demo_gif.gif |宽度= 500）

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：19922944
    • 提供者：weixin_42160425

  1. ClassyVision：用于图像和视频分类的端到端PyTorch框架-源码

  2. 什么是新的： 2020年11月：现已上市，提供培训！ 2020-11-20：Classy Vision v0.5发布 新的功能 使用发布模型实现（＃646） 实施渐变裁剪（＃643） 已实现梯度累加（＃644） 添加了对支持（＃636） 添加了精确的批处理规范挂钩（＃592） 增加了对fully_convolutional_linear_head （＃602）中的自适应池的支持 添加了对同步批处理规范组大小的支持（＃534） 添加了CSV挂钩以手动检查模型预测 添加了Classy

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：1048576
    • 提供者：weixin_42136791

  1. sagemaker部署：在Amazon Sagemaker中部署Pytorch模型并通过开放式端点Amazon Lambda函数访问它-源码

  2. Amazon Sagemaker部署-Udacity Nanodegree项目 在Amazon Sagemaker中部署Pytorch模型并通过开放式端点Amazon Lambda函数访问它 创建情感分析Web应用 使用PyTorch和SageMaker 深度学习纳米学位课程| 部署方式 现在，我们对SageMaker的工作原理有了基本的了解，我们将尝试使用它来构建一个端到端的完整项目。 我们的目标是拥有一个简单的网页，用户可以用来输入电影评论。 然后，网页会将评论发送到我们的部署模型，该模型

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：137216
    • 提供者：weixin_42125826

  1. gpt-2-Pytorch：具有OpenAI的简单文本生成器gpt-2 Pytorch实现-源码

  2. 带文本生成器的GPT2-Pytorch 更好的语言模型及其含义 我们的模型称为GPT-2（是的继承者），仅经过培训即可预测40GB的互联网文本中的下一个单词。 由于我们担心该技术的恶意应用，因此我们不会发布经过训练的模型。 作为负责任公开的一项实验，我们将发布一个供研究人员进行实验的以及一份。 来自 该存储库是有关Pytorch中带有压缩代码的文本生成器的简单实现GPT-2 原始曲目是 。 您也可以阅读有关gpt-2的论文， 。 为了理解更详细的概念，我建议您阅读有关变压器模型的论文。

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：576512
    • 提供者：weixin_42166105

  1. Gcam：Gcam是一个易于使用的Pytorch库，可以使模型预测更易于理解。 它允许使用多种方法生成注意力图，例如，引导反向传播，Grad-Cam，Guide Grad-Cam和Grad-Cam ++-源码

  2. Gcam（Grad-Cam） 此仓库的新版本位于 Gcam是一个易于使用的Pytorch库，它可以使模型预测更易于理解。 它允许使用多种方法（例如，反向引导传播，Grad-Cam，Guide Grad-Cam和Grad-Cam ++）生成注意力图。 您需要添加到项目中的只是一行代码： model = gcam . inject ( model , output_dir = "attention_maps" , save_maps = True ) 产品特点 适用于分类和细分数据/模型 处理

  3. 所属分类：其它

    • 发布日期：2021-02-01
    • 文件大小：67108864
    • 提供者：weixin_42131728
« 12 3 4 5 6 7 »