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. 深度学习100+经典模型TensorFlow与Pytorch代码实现大集合.zip

  2. 深度学习在过去十年获得了极大进展，出现很多新的模型，并且伴随TensorFlow和Pytorch框架的出现，有很多实现，但对于初学者和很多从业人员，如何选择合适的实现，是个选择。rasbt在Github上整理了关于深度学习模型TensorFlow和Pytorch代码实现集合，含有100个，各种各样的深度学习架构，模型，和技巧的集合Jupyter Notebooks，从基础的逻辑回归到神经网络到CNN到GNN等，可谓一网打尽，值得收藏！

  3. 所属分类：机器学习

    • 发布日期：2020-01-03
    • 文件大小：72704
    • 提供者：syp_net

  1. 基于方面的情感分析pytorch实现

  2. 用pytorch实现了基于方面的情感分析中的一些经典模型，比如atae-lstm、acsa、bilstm_att_g等。 atae_lstm 77.86/65.59 68.34/62.64 acsa_gcae 78.12/65.59 70.85/64.66 bilstm_att_g 76.34/63.65 69.91/63.20 ram 78.66/66.66 73.82/68.80 tnet 78.93/63.65 72.57/65.13

  3. 所属分类：深度学习

    • 发布日期：2020-01-01
    • 文件大小：160768
    • 提供者：u010526186

  1. Python-用PyTorch从头实现经典机器模型DropoutAdamRMSPropbasicneuralnets

  2. 从头开始实现一些经典的机器学习模型，并针对流行的ML库进行基准测试

  3. 所属分类：其它

    • 发布日期：2019-08-10
    • 文件大小：33554432
    • 提供者：weixin_39840914

  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. PyTorch：基于UNet和camvid数据集的道路分割

  2. 背景 语义分割是深度学习中的一个非常重要的研究方向，并且UNet是语义分割中一个非常经典的模型。在本次博客中，我尝试用UNet对camvid dataset数据集进行道路分割，大致期望的效果如下： 原图 道路分割效果 本博客的代码参考了以下链接： https://github.com/milesial/Pytorch-UNet https://github.com/qubvel/segmentation_models.pytorch 数据集介绍及处理 之前的博客里，我几乎不怎么介绍数据集

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：464896
    • 提供者：weixin_38674569

  1. pytorch task05 卷积神经网络

  2. pytorch task05 卷积神经网络 文章目录pytorch task05 卷积神经网络1.卷积神经网络基础1.1二维卷积层1.2填充和步幅1.3多输入通道和多输出通道1.4卷积层与全连接层的对比1.5池化2 经典模型LeNet-5AlexNetVGGGoogLeNet (Inception)ResNet退化问题残差网络的解决办法 1.卷积神经网络基础 1.1二维卷积层 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：186368
    • 提供者：weixin_38706455

  1. pytorch训练经典网络笔记

  2. 经典网络笔记(pytorch) 一. 深度学习基本知识 1.1 深度学习分类 深度学习分为监督学习,无监督学习，半监督学习和强化学习。其中监督学习是通过已有的训练样本去训练得到一个最优的模型，这个模型会将所有的输入映射为输出。无监督学习他与监督学习是完全不同的两个东西，它是在我们之前没有任何的训练样本，而直接对数据进行建模分类。半监督学习是在训练过程中结合了大量大量的未标记的数据和少量的标记数据，和使用了所有标签数据的模型相比使用。结合大量为标记和少量有标记的数据集训练时，训练结果更为准确。强化

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：134144
    • 提供者：weixin_38560768

  1. 各种AI模型拿来就能用！五大深度学习模型库大盘点

  2. 乾明 编辑整理 量子位 出品 | 公众号 QbitAI 你知道PyTorch Hub吗？ 这个Facebook的深度学习模型库，一问世就引发了巨大关注。 因为它太强了： ResNet、BERT、GPT、VGG、PGAN、MobileNet等深度学习领域的经典模型，只需输入一行代码，就能一键调用。 不过，人工智能领域，这样的模型库不仅仅只有PyTorch Hub一个，还有其他4个（来自爱可可-爱生活）： TensorFlow Hub、TensorFlow Models、Model Zoo、Mode

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：352256
    • 提供者：weixin_38681147

  1. full_stack_transformer:Pytorch库用于端到端的变压器模型训练，推理和服务-源码

  2. 全栈变压器 Pytorch库用于端到端的变压器模型训练，推理和服务。一系列出色的图书馆。 图书馆设计 该库的组织方式使得子包包含所有建模，数据结构和数据流类。 在子程序包中，包含所有特定于任务的代码。 可用任务： -经典的基于文档的语言模型培训。它还提供了用于交互式文本生成的应用程序服务。 文件语言模型 目前，该库中只有1个任务可用。因此，我将在README中为此示例使用一个示例。当将执行其他任务时，我将移动文档中的所有示例。 特征 自动LM数据集准备 端到端变压器LM培训 训练 用元数据（控制

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：1048576
    • 提供者：weixin_42144366

  1. physics_based_learning:计算成像系统的学习变得简单-源码

  2. 如何进行基于物理的学习 计算成像系统（例如，层析成像系统，计算光学系统，磁共振成像）共同设计软件和硬件，以检索传统上无法访问的信息。 通常，这种系统的特征在于如何根据测量值对信息进行编码（正向处理）和解码（逆问题）。 计算成像系统的关键方面（例如实验设计和图像先验）可以通过展开深度网络来优化，这些深度网络是通过展开基于经典模型的重建的迭代而形成的。 这次开源演示的目的是为刚接触物理学习的人们提供一个最低限度的工作示例，以使用它来设计自己的系统。 考虑到快速原型制作，我们提倡两次利用Pytorc

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：1048576
    • 提供者：weixin_42126677

  1. AI-RecommenderSystem:该仓库尝试整理推荐系统领域的一些经典算法模型-源码

  2. 人工智能推荐系统 该仓库尝试整理推荐系统领域的一些经典算法模型，主要包括传统的推荐算法模型和深度学习模型，并尝试使用浅显易懂的语言把每个模型或者算法解释清楚！ + GitHub的形式进行输出，CSDN主要整理算法的原理或是经典纸的解读，而GitHub上主要是模型的复现和实践，模型的复现这块不排列Pytorch框架或者TensorFlow框架，下面很多模型是使用了两个框架，Pytorch使用了经典的那种建模风格，而TensorFlow使用了Deepctr的函数式API的那种建模风格。 实验所用的数

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：91226112
    • 提供者：weixin_42138703

  1. NLP-Newcomer:NLP经典深度学习模型（pytorch）-源码

  2. NLP-新来者 NLP经典深度学习模型（pytorch） 这是一个记录我的NLP学习过程并与新手共享的项目，以供参考。我一直认为开源精神是一个非常好的主意。 尽管我目前的技术水平还不够，但我认为也许该项目可以为想要走NLP之路的新手提供一些帮助。

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：6144
    • 提供者：weixin_42139302

  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. 基于像素梯度的深度学习：Pytorch：基于像素梯度的深度学习（HOG + CNN）-源码

  2. Pytorch：基于像素梯度的深度学习（HOG + CNN） 概述 一种新颖的基于像素梯度的CNN。 为CNN的输入制作“像素渐变数组” 。 与基于灰度图像的普通CNN相比，精度更高。 Pytorch实现为自定义的torchvision.transforms 。 像素渐变阵列 图像的梯度方向是图像处理中的基本组成部分之一，并且经典用于“定向直方图（HOG）功能”，这是最成功的描述符之一。 该存储库是将其带入深度学习领域的建议： 制作量化像素渐变的3维数组（=“像素渐变数组”）。 使用像

  3. 所属分类：其它

    • 发布日期：2021-02-20
    • 文件大小：217088
    • 提供者：weixin_42117082

  1. torch-points3d：在点云上进行深度学习的Pytorch框架-源码

  2. 这是一个框架，可针对经典基准运行用于点云分析任务的通用深度学习模型。 它在很大程度上依赖于和 。 该框架允许以最少的工作量和良好的可重复性构建精简而又复杂的模型。 它还提供了高级API，以使Pointcloud上的深度学习民主化。 有关最新网络的框架功能和基准的概述，请参见3DV上的。 目录 总览 要求 CUDA 10或更高版本（如果需要GPU版本） Python 3.7或更高版本+标头（python-dev） PyTorch 1.5或更高版本（1.4和1.3.1也应正常工作，但没有得到积

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：88080384
    • 提供者：weixin_42097819

  1. 论文实现：使用PyTorch实施一些经典框架-源码

  2. 论文实施 使用PyTorch实施一些经典论文 已实施 两层CNN 网络中的网络 ResNet18 生成模型 神经风格转换 LSTM

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：63963136
    • 提供者：weixin_42128988

  1. ReChorus：推荐模型的“合唱”：具有隐式反馈的Top-K推荐的PyTorch框架-源码

  2. ReChorus是用于Top-K建议的通用PyTorch框架，具有隐式反馈，尤其是用于研究目的。 它旨在提供一个公平的基准，以比较不同的最新算法。 我们希望这可以部分缓解不同论文采用无法比拟的实验设置的问题，从而形成推荐算法的“合唱”。 该框架特别适合研究人员比较相同实验设置下的算法，以及新手熟悉经典方法的情况。 我们框架的特征可以总结如下： 敏捷：在一个文件中专注于模型设计并快速实施新模型 容易：该框架用不到一千行代码完成，易于使用干净的代码和足够的注释 高效：多线程批处理准备，用于评估的

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：8388608
    • 提供者：weixin_42107491

  1. deep_learning_NLP：用于NLP的深度学习架构的Keras，PyTorch和NumPy实现-源码

  2. :red_heart: 适用于NLP的深度学习架构 该存储库包含一些针对NLP的深度学习架构的Keras，PyTorch和NumPy实现。 有关NLP深度学习的快速理论介绍，我建议您阅读我的。 PyTorch中的神经机器翻译（NMT） 经典seq2seq模型“基于注意力的神经机器翻译的有效方法” （ ）的紧凑，功能齐全且备受好评的PyTorch实现，并支持该方法第3.1小节中介绍的三种全球注意力机制论文：（1）点，（2）常规和（3）concat，以及堆叠与非堆叠RNN编码器和解码器，以及双

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：56623104
    • 提供者：weixin_42175776

  1. coremltools：Core ML工具包含用于Core ML模型转换，编辑和验证的支持工具-源码

  2. Core ML是一个Apple框架，用于将机器学习模型集成到您的应用程序中。 Core ML为所有模型提供统一的表示形式。 您的应用程序使用Core ML API和用户数据在用户设备上进行预测并微调模型。 Core ML通过利用CPU，GPU和神经引擎来优化设备上的性能，同时最大程度地减少其内存占用空间和功耗。 严格在用户设备上运行模型将消除对网络连接的任何需求，这有助于保持用户数据的私密性和您的应用程序的响应速度。 包含用于，编辑和验证的所有支持工具。 这包括TensorFlow，PyTor

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：8388608
    • 提供者：weixin_42109732

  1. 《动手学深度学习Pytorch版》Task5-卷积神经网络

  2. 卷积神经网络基础 需要理解卷积神经网络的基础概念，主要是卷积层和池化层、填充、步幅、输入通道和输出通道的含义。 几个经典的模型 LeNet AlexNet VGG NiN GoogLeNet 1×1卷积核作用 放缩通道数：通过控制卷积核的数量达到通道数的放缩。 增加非线性：1×1卷积核的卷积过程相当于全连接层的计算过程，并且还加入了非线性激活函数，从而可以增加网络的非线性。 计算参数少 LeNet vs AlexNet 注：5*5 Conv(16)，这里的16指的是输出的通道数 LeNet的图

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：219136
    • 提供者：weixin_38605967
« 12 »