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-Face Pytorch版模型

  2. 博客地址：https://blog.csdn.net/wen_fei/article/details/80261047 VGG-Face模型Pytorch版本，使用Pytorch的torch.load(VGG_FACE_LOCATION)可直接读取，基于千万张人脸数据训练，

  3. 所属分类：深度学习

    • 发布日期：2018-04-02
    • 文件大小：86
    • 提供者：wen_fei

  1. softmax和分类模型.md

  2. softmax和分类模型 内容包含： softmax回归的基本概念 如何获取Fashion-MNIST数据集和读取数据 softmax回归模型的从零开始实现，实现一个对Fashion-MNIST训练集中的图像数据进行分类的模型 使用pytorch重新实现softmax回归模型

  3. 所属分类：深度学习

    • 发布日期：2020-02-13
    • 文件大小：12288
    • 提供者：qq_40441895

  1. PyTorch 模型训练实用教程

  2. 本教程内容主要为在 PyTorch 中训练一个模型所可能涉及到的方法及函 数， 并且对 PyTorch 提供的数据增强方法（22 个）、权值初始化方法（10 个）、损失函数（17 个）、优化器（6 个）及 tensorboardX 的方法（13 个） 进行了详细介绍，本教程分为四章， 结构与机器学习三大部分一致。 第一章， 介绍数据的划分，预处理，数据增强； 第二章， 介绍模型的定义，权值初始化，模型 Finetune； 第三章， 介绍各种损失函数及优化器； 第四章， 介绍可视化工具，用于监控数

  3. 所属分类：机器学习

    • 发布日期：2019-03-03
    • 文件大小：4194304
    • 提供者：qq_29893385

  1. Pytorch之保存读取模型实例

  2. 今天小编就为大家分享一篇Pytorch之保存读取模型实例，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：43008
    • 提供者：weixin_38516863

  1. pytorch读取图像数据转成opencv格式实例

  2. 主要介绍了pytorch读取图像数据转成opencv格式实例，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：2020-09-16
    • 文件大小：65536
    • 提供者：weixin_38734492

  1. Sentiment-Analysis-Chinese-pytorch-master.zip

  2. 本项目使用了word2vec的中文预训练向量 模型分别有BiLSTM-attention和普通的LSTM两种 1、在Config中配置相关参数 2、然后运行DataProcess.py，生成相应的word2id，word2vec等文件 3、运行主函数main.py，得到训练好的模型，并保存模型 4、运行eval.py，读取模型，并得到评价 5、模型准确率平均85%左右

  3. 所属分类：Python

    • 发布日期：2020-12-03
    • 文件大小：124780544
    • 提供者：weixin_38411989

  1. 将pytorch的权值矩阵导入FPGA中

  2. 本资源包含一个python文件和一个verilog文件，python文件使用pytorch框架搭建了一个RNN模型，并将RNN模型的LSTM层的一个权值矩阵，以二进制定点补码的形式输出，存储为coe文件；verilog文件在xilinx里初始化了一个ROM的IP核，用于加载coe文化，存储权值矩阵，并写了仿真程序将ROM中的矩阵读取出来。 关于这个工程的解释，可以参考这篇博客https://blog.csdn.net/kuan__/article/details/110453686

  3. 所属分类：电信

    • 发布日期：2020-12-01
    • 文件大小：29360128
    • 提供者：kuan__

  1. Pytorch之保存读取模型实例

  2. pytorch保存数据 pytorch保存数据的格式为.t7文件或者.pth文件，t7文件是沿用torch7中读取模型权重的方式。而pth文件是python中存储文件的常用格式。而在keras中则是使用.h5文件。 # 保存模型示例代码 print('===> Saving models...') state = { 'state': model.state_dict(), 'epoch': epoch # 将epoch一并保存 } if not os.path

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：45056
    • 提供者：weixin_38551046

  1. PyTorch加载预训练模型实例(pretrained)

  2. 使用预训练模型的代码如下： # 加载预训练模型 resNet50 = models.resnet50(pretrained=True) ResNet50 = ResNet(Bottleneck, [3, 4, 6, 3], num_classes=2) # 读取参数 pretrained_dict = resNet50.state_dict() model_dict = ResNet50.state_dict() # 将pretained_dict里不属于model_dict的键剔

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：32768
    • 提供者：weixin_38605144

  1. pytorch 输出中间层特征的实例

  2. pytorch 输出中间层特征： tensorflow输出中间特征，2种方式： 1. 保存全部模型(包括结构)时，需要之前先add_to_collection 或者 用slim模块下的end_points 2. 只保存模型参数时，可以读取网络结构，然后按照对应的中间层输出即可。 but：Pytorch 论坛给出的答案并不好用，无论是hooks，还是重建网络并去掉某些层，这些方法都不好用（在我看来）。 我们可以在创建网络class时，在forward时加入一个dict 或者 list，dict是将

  3. 所属分类：其它

    • 发布日期：2020-12-31
    • 文件大小：50176
    • 提供者：weixin_38641366

  1. PyTorch：模型参数读取与设置–以FlowNetSimple为例

  2. 一、背景 在“搞”深度学习时，除非富如东海，往往都不会直接用大量数据来训练一个网络；一般情况下，比较省钱且高效的思路是利用一些预训练的模型，并在其基础上进行再训练优化，达到自己的目的。 因此，在本博客中将简单记录一下，如何在PyTorch基础上读取预训练模型的参数，并添加到自己的模型中去，从而尽可能减少自己的计算量。 为了直接讲明整个过程，本文设计了一个实验，首先设计了一个网络，其前半部分与FlowNetSimple的Encode一致，后半部分是全连接的分类网络。 下图是FlowNetSimpl

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：212992
    • 提供者：weixin_38626192

  1. Task04：机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer知识点总结

  2. 机器翻译 把一种语言自动翻译为另一种，输出的是单词序列（其长度可能与原序列不同） 步骤为：数据预处理 —> Seq2Seq模型构建 —> 损失函数 —> 测试 数据预处理： 读取数据。 处理编码问题，删除无效字符串 分词。把字符串转化为单词列表。 建立字典。把单词组成的列表转化为单词索引的列表 在tf、pytorch这类框架中要做padding操作，使一个batch数据长度相等 定义数据生成器。 Seq2Seq 6. 先用循环神经网络编码成一个向量再解码输出一个序列的元素。然

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：60416
    • 提供者：weixin_38682086

  1. pytorch数据读取Dataloader与Dataset

  2. 数据 数据收集–>img，label 数据划分–>train，valid，test（详细见：https://blog.csdn.net/wyyyyyyfff/article/details/104381429） 数据读取–>dataloader–>sampler（index生成索引，样本序号），dataset（根据索引读取img，label） 数据预处理–>transforms DataLoader DataLoader是Pytorch中用来处理模型输入数据的一个工

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：98304
    • 提供者：weixin_38663837

  1. PyTorch学习笔记（4）Dataloader与Dataset（1）

  2. torch.utils.data.DataLoader dataset Dataset类 决定数据从哪读取及如何读取 batchsize 批大小 num_works 是否多进程读取数据 shuffle 每个epoch 是否乱序 drop_last 当样本数不能被batchsize整除时，是否舍弃最后一批数据 Epoch 所有训练样本都已输入到模型中，成为一个Epoch Iteration 一批样本输入到模型中，称之为一个Iteration Batchsize 批大小 决定一个Epoch有多少个I

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：29696
    • 提供者：weixin_38749863

  1. dialogue-understanding:该存储库包含论文“话语级对话理解”中针对基线模型的PyTorch实现。-源码

  2. 话语级对话理解 该存储库包含论文“”中模型的pytorch实现。 任务定义 给定对话的文字记录以及每个组成话语的说话者信息，话语级对话理解（话语级对话理解）任务旨在从一组预定义标签中识别每个话语的标签，这些预定义标签可以是上图和下图说明了两个人之间的这种对话，其中每个话语都由潜在的情感和意图标记。形式上，给定N个发音的输入序列[（u 1 ，p 1 ），（u 2 ，p 2 ），....，（u N ，p N ）]，其中每个发音u i = [u我，1，U I，2，...，U I，T]由Ť话U I，j和

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：396361728
    • 提供者：weixin_42133329

  1. bon鱼：Bonito-牛津纳米Kong阅读的PyTorch Basecaller-源码

  2. 鲣 牛津纳米Kong读取的PyTorch Basecaller。 $ pip install ont-bonito $ bonito basecaller dna_r9.4.1 /data/reads > basecalls.fasta 如果以.fasta或.mmi格式提供参考，则bonito将以sam格式输出。 $ bonito basecaller dna_r9.4.1 --reference reference.mmi /data/reads > basecalls.s

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：55296
    • 提供者：weixin_42139252

  1. pytorch_template_audio：音频项目的基本Pytorch模板-源码

  2. 音频项目的基本Pytorch模板 牢记音频项目的基本Pytorch模板可用作起点。 特别针对可在单个GPU上运行并在多GPU机器上并行运行的较小模型。 每个GPU /实验都可以拥有整个源代码的副本。 特征 简单的数据集类（包括从磁盘读取.wav文件的列表，并具有随机裁剪功能）。 实时梅尔谱图计算。 学习速率表，EMA，梯度限幅。 检查点保存/加载（继续培训）。 大数据集/缓慢更新的基本训练循环。

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：14336
    • 提供者：weixin_42151772

  1. deep-cross-modal-hashing：PyTorch中的深度学习交叉模式哈希-源码

  2. 深层交叉模式哈希（torchcmh） torchcmh是一个基于PyTorch构建的库，用于深度学习交叉模式哈希。 包含： 数据可视化 基线方法 多个数据读取API 损失函数API 配置调用 数据集 我自己整理了四个数据集（Mirflickr25k，Nus Wide，MS coco，IAPR TC-12），如果要使用这些数据集，请在数据集包中按自述文件下载mat文件和图像文件。 请阅读数据集包中的“” 模型 您可以创建模型或使用现有模型。 我们支持一些预训练模型，您可以详细了解文件。 依存

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：79872
    • 提供者：weixin_42131785

  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. FCN模型实现-Pytorch+预训练VGG16

  2. FCN模型的网络与VGG16类似，之后后边将全连接层换成了卷基层，具体的网络结构与细节可以去看论文： https://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn.pdf 下边详细讲一下用Pytorch对FCN的实现： 本文参考了https://zhuanlan.zhihu.com/p/32506912 但是修改了部分代码，加上了很多新的注释，并将代码更新到Pytorch1.x 首先是读取图像 #使用的VOC数据目录 voc_root

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：290816
    • 提供者：weixin_38725625
« 12 »