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. 小迈步第一课： MATLAB深度学习入门课堂

  2. 2019.03.14 MATLAB公开教程的PPT，课程内容： 1. 简介 深度学习：直接从数据中进行学习 卷积神经网络：用于图像识别、目标检测、语义分割等任务 2. MATLAB的优势 支持与Tensorflow/Pytorch等开源框架协作 简单易学，高质量的帮助文档和大量示例 高效的开发平台，完整的工具链 实用的数据标注和可视化工具 强大的代码生成功能 支持多平台部署 3. 仅用11行代码实现图像分类 1行代码直接导入经典的Alexnet网络模型 通过摄像头实时采集图像数据，可识别100

  3. 所属分类：深度学习

    • 发布日期：2019-03-14
    • 文件大小：3145728
    • 提供者：weixin_39397839

  1. Transfer Learning with Convolutional Neural Networks in PyTorch

  2. PyTorch中用卷积神经网络进行迁移学习，Transfer Learning with Convolutional Neural Networks in PyTorch。

  3. 所属分类：深度学习

    • 发布日期：2019-06-27
    • 文件大小：6291456
    • 提供者：tox33

  1. pytorch迁移学习训练VGG16和模型测试代码

  2. Pytorch迁移学习训练VGG16和模型测试代码（采用华为云modelarts训练），训练猫狗分类模型

  3. 所属分类：深度学习

    • 发布日期：2020-05-13
    • 文件大小：38912
    • 提供者：qq_35494379

  1. 利用VGG16对kaggle比赛提供的猫狗图片进行迁移学习-PyTorch版本

  2. 利用VGG16对kaggle比赛提供的猫狗图片进行迁移学习-PyTorch版本 1.已改写为gpu-cpu通用 2.数据集处理参考注释；含后续训练、训练集/验证集accuracy计算，图片测试 3.数据集请参考https://www.kaggle.com/c/dogs-vs-cats

  3. 所属分类：深度学习

    • 发布日期：2020-03-30
    • 文件大小：93184
    • 提供者：weixin_43306183

  1. 用pytorch实现基于迁移学习的图像分类

  2. 用pytorch实现基于迁移学习的图像分类代码，并在猫狗数据集上进行训练和预测。 教程见 https://adrianna.blog.csdn.net/article/details/105126368 数据集下载地址：https://www.kaggle.com/tongpython/cat-and-dog/data

  3. 所属分类：深度学习

    • 发布日期：2020-03-26
    • 文件大小：301056
    • 提供者：u012223913

  1. AICC2019人工智能计算大会资料

  2. 人工智能计算导论.pdf,2019-2020中国人工智能计算力发展评估报告.pdf,Facebook深度学习发展与PyTorch创新.pdf,面向人脸识别超分辨率的竞赛.pdf,POWER9对AI平台建设实践分享.pdf,人工智能在半导体显示行业应用.pdf,应用融合推动智能计算升级.pdf,指静脉：机密与便捷融合.pdf,视觉智能伴随每份快递“快乐”到家.pdf,后通用芯片时代：AI应用引领数据中心变革.pdf.pdf,统一的大数据分析 + AI 平台.pdf.pdf,ETC发展与车路协同构想

  3. 所属分类：机器学习

    • 发布日期：2019-12-28
    • 文件大小：77594624
    • 提供者：zqjsjz

  1. Pytorch中实现只导入部分模型参数的方式

  2. 我们在做迁移学习，或者在分割，检测等任务想使用预训练好的模型，同时又有自己修改之后的结构，使得模型文件保存的参数，有一部分是不需要的（don’t expected）。我们搭建的网络对保存文件来说，有一部分参数也是没有的（missed）。如果依旧使用torch.load（model.state_dict())的办法，就会出现 xxx expected，xxx missed类似的错误。那么在这种情况下，该如何导入模型呢？ 好在Pytorch中的模型参数使用字典保存的，键是参数的名称，值是参数的具体数

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：53248
    • 提供者：weixin_38723699

  1. pytorch如何冻结某层参数的实现

  2. 在迁移学习finetune时我们通常需要冻结前几层的参数不参与训练，在Pytorch中的实现如下： class Model(nn.Module): def __init__(self): super(Transfer_model, self).__init__() self.linear1 = nn.Linear(20, 50) self.linear2 = nn.Linear(50, 20) self.linear3 = nn.Linear(20, 2) def forw

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：40960
    • 提供者：weixin_38674050

  1. pytorch 实现yolo3详细理解（五）训练自己数据集和csv数据集标签处理

  2. 摘要 前面基本已经将yolo3的大致细节都分析了，那么现在就要训练自己下载的数据集来看下效果，进行迁移学习，首先我会先对github本身自定义的custom数据集进行训练，只有一张照片，一个标签签，之后训练自己的数据集是摇从xml文件先提取标签，完全按照custom中的格式进行布局，然后修改一下cfg文件就可以运行。dataset源码是对txt文件的处理，在实际运行中对数据进行分析是利用panda，所以直接利用panda生成csv文件进行读取更加方便。代码githubhttps://github

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：873472
    • 提供者：weixin_38751031

  1. Pytorch离线下载迁移学习模型方法（VGG，RESNET等）

  2. 就拿Resnet18举例 在程序中输入 from __future__ import print_function, division from torchvision import models model_ft = models.resnet18(pretrained=True) 然后运行，就会出现如下内容 再将这个网址复制到浏览器中，就可以直接下载Resnet18模型。下载结束后，将下载的文件放入你建立的python项目中，再运用如下代码就可以调用Resnet18模型。 model_

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：51200
    • 提供者：weixin_38597889

  1. rotograd:官方Pytorch实施RotoGrad-源码

  2. 罗托格拉德 Pytorch中用于多任务学习的动态梯度均质化库 安装 安装此库就像在终端中运行一样简单 pip install rotograd 该代码已经在Pytorch 1.7.0中进行了测试，但是它应该可以在大多数版本上使用。 如果不是这种情况，请随时提出一个问题。 概述 这是RotoGrad的官方Pytorch实现，该算法可减少当多任务学习系统的不同任务争夺共享资源时由于与共享参数有关的梯度冲突而导致的负迁移。 假设您有一个硬参数共享体系结构，其中跨任务共享一个backbone模型，

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：7168
    • 提供者：weixin_42134878

  1. Python-深度学习-物体检测实战.rar

  2. 分享课程——Python-深度学习-物体检测实战；计算机视觉-物体检测-通用解决框架Mask-Rcnn实战课程旨在帮助同学们快速掌握物体检测领域当下主流解决方案与网络框架构建原理，基于开源项目解读其应用领域与使用方法。 通过debug方式，详细解读项目中每一模块核心源码，从代码角度理解网络实现方法与建模流程。为了方便同学们能将项目应用到自己的数据与任务中，实例演示如何针对自己的数据集制作标签与代码调整方法，全程实战操作，通俗讲解其中复杂的网络架构。 章节1 物体检测框架-MaskRcnn项目介

  3. 所属分类：深度学习

    • 发布日期：2021-02-27
    • 文件大小：704
    • 提供者：huhuge88

  1. 框架确定性：在深度学习框架中提供确定性-源码

  2. TensorFlow确定性 这个主要的README当前专注于TensorFlow的GPU确定性。 有关PyTorch的GPU确定性的信息，请参见。 公告 在此软件包的下一发行版（版本0.4.0）中，发行版本名称将从tensorflow-determinism更改为framework-determinism ，而软件包名称将从tfdeterminism更改为fwd9m 。 这些变化反映了该仓库在多种深度学习框架中越来越多地支持确定性的意图。 tfdeterminism.patch用户将需要使用不

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：75776
    • 提供者：weixin_42133415

  1. 深度学习-语音识别实战(Python).rar

  2. 深度学习-语音识别实战(Python)视频教程分享； 章节1 seq2seq序列网络模型 章节2 LAS语音识别模型实战 章节3 starganvc2变声器论文原理解读 章节4 starganvc2变声器源码实战 章节5 语音分离ConvTasnet模型 章节6 ConvTasnet语音分离实战 章节7 语音合成技术概述 章节8 语音合成tacotron最新版实战 章节9 基础补充-PyTorch框架基本处理操作 章节10 PyTorch使用补充-神经网络实战分类与回归任务 章节11 算法补充-

  3. 所属分类：深度学习

    • 发布日期：2021-02-05
    • 文件大小：923
    • 提供者：u011552756

  1. 转移学习图书馆：转移学习图书馆-源码

  2. 介绍 Trans-Learn是用于迁移学习的开源且文档齐全的库。 它基于具有高性能和友好API的纯PyTorch。 我们的代码是pythonic，并且设计与torchvision一致。 您可以轻松开发新算法，也可以轻松应用现有算法。 2020年7月24日，我们发布了v0.1（预览版），第一个子库用于域自适应（DALIB）。 当前支持的算法包括： 在此对这些算法的性能进行了合理的评估。 安装 为了灵活使用和修改，请git clone该库。 文献资料 您可以在以下网站上找到教程和API文档：

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：691200
    • 提供者：weixin_42127775

  1. 皮肤科医生：Pytorch实施“皮肤科医生使用深度神经网络对皮肤癌进行分类”的研究论文。 Udacity提供的较小数据集-源码

  2. 皮肤科医生 在火炬中实现。 有关每个概念背后的程序逻辑和动机，请参见上述论文。 关于 如本文所定义，我们利用预先训练的（在ImageNet上）CNN，特别是Google的Inception V3来进行迁移学习。 分类器预测三个类别的图像，即黑色素瘤，痣和脂溢性角化病。 最初的研究人员定义了754个以上的类，但提供的数据仅允许三个类。 用法 克隆存储库 git clone https://github.com/Shubham-SK/dermatologist.git cd dermatologis

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：96468992
    • 提供者：weixin_42159267

  1. jetson-inference：Hello AI World指南，介绍如何使用TensorRT和NVIDIA Jetson部署深度学习推理网络和深度视觉原语-源码

  2. 部署深度学习 欢迎使用我们的NVIDIA 推理和实时库指导手册。 此使用NVIDIA 将神经网络有效地部署到嵌入式Jetson平台上，通过图形优化，内核融合和FP16 / INT8精度提高了性能和能效。 视力原语，如图像识别， 物体检测，并用于语义分割，继承从共享对象。 提供了一些示例，用于从实时摄影机供稿进行流式处理并处理图像。 有关C ++和Python库的详细参考文档，请参见部分。 遵循教程，在Jetson上运行推理和转移学习，包括收集自己的数据集和训练自己的模型。 它涵盖了图像分类

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：74448896
    • 提供者：weixin_42168745

  1. pytorch-cpp-rl：PyTorch C ++强化学习-源码

  2. CppRl-PyTorch C ++强化学习 上图：经过我的笔记本电脑训练60秒后在LunarLander-v2上获得的结果 CppRl是一个增强学习框架，使用编写。 这是非常严重基于。 您甚至可以将其视为端口。 API和基础算法几乎是相同的（向C ++迁移时需要进行必要的更改）。 它还包含一个简单的OpenAI Gym服务器的实现，该服务器通过进行通信以在Gym环境中测试该框架。 CppRl旨在成为一个可扩展的，合理优化的，可立即投入生产的框架，用于在Python不可行的项目中使用强化

  3. 所属分类：其它

    • 发布日期：2021-01-28
    • 文件大小：475136
    • 提供者：weixin_42113380

  1. 将Pytorch模型从CPU转换成GPU的实现方法

  2. 最近将Pytorch程序迁移到GPU上去的一些工作和思考 环境：Ubuntu 16.04.3 Python版本：3.5.2 Pytorch版本：0.4.0 0. 序言 大家知道，在深度学习中使用GPU来对模型进行训练是可以通过并行化其计算来提高运行效率，这里就不多谈了。 最近申请到了实验室的服务器来跑程序，成功将我简陋的程序改成了“高大上”GPU版本。 看到网上总体来说少了很多介绍，这里决定将我的一些思考和工作记录下来。 1. 如何进行迁移 由于我使用的是Pytorch写的模型，网上给出了一个非

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：79872
    • 提供者：weixin_38537315

  1. siatl:NAACL 2019论文的PyTorch源代码“从预训练的语言模型进行迁移学习的令人尴尬的简单方法”-Source code learning

  2. 此存储库包含NAACL 2019论文“从预训练的语言模型进行学习的尴尬简单方法”的源代码 介绍 本文提出了一种简单的转移学习方法，用于解决灾难性遗忘问题。 我们预先训练语言模型，然后将其转移到新模型，并在其中添加循环层和注意机制。 基于多任务学习，我们使用损失的加权总和（语言模型损失和分类损失），并在（分类）任务上微调预训练模型。 建筑学 第一步： 基于LSTM的单词级语言模型的预训练 第二步： 在分类任务上微调语言模型（LM） 使用辅助LM损耗 使用2个不同的优化器（1个用于预训练零件

  3. 所属分类：其它

    • 发布日期：2021-03-25
    • 文件大小：506880
    • 提供者：weixin_42101164
« 12 »