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. pytorch_geometric_temporal:PyTorch Geometric的时间扩展库-源码

  2. | | PyTorch几何态是时间（动态）扩展文库。 该库包含来自各种已发表研究论文的各种动态和时间几何深度学习，嵌入以及时空回归方法。此外，它还提供了易于使用的数据集加载器和迭代器，用于动态和时间图以及gpu支持。它还附带了许多带有时间和动态图的基准数据集（您也可以创建自己的数据集）。 引用 如果您发现PyTorch Geometric Temporal和新的数据集对您的研究有用，请考虑添加以下引用： misc { pytorch_geometric_temporal , au

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：1048576
    • 提供者：weixin_42130889

  1. ConstraintGraph4NSO:AAAI 2021-源码

  2. 基于约束图的神经语句排序 消息 我们上传第二阶段的数据和源代码！ 抽象的 该存储库包含Zhu和Zhou等人的AAAI 2021论文《基于约束图的神经语句排序》的源代码和数据集。 句子排序是文本一致性建模的子任务，旨在以正确的顺序排列句子列表。基于不同距离的句子顺序可能依赖于不同类型的信息的观察，我们设计了一种基于句子之间的多粒度顺序的新方法。来自多个约束图的这些顺序，然后由GIN编码并融合到句子表示中。最后，使用顺序增强的句子表示法确定句子顺序。我们在五个基准数据集上的实验表明，我们的方法明显优

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：19456
    • 提供者：weixin_42165490

  1. Invertible-Image-Rescaling:实施文件-源码

  2. 可逆图像缩放 这是PyTorch的论文实现：可逆图像缩放（ECCV 2020口头）。 。 依赖关系和安装 Python 3（推荐使用 ） NVIDIA GPU + Python软件包： pip install numpy opencv-python lmdb pyyaml TensorBoard： PyTorch> = 1.1： pip install tb-nightly future PyTorch == 1.0： pip install tensorboardX 数据集准

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：3145728
    • 提供者：weixin_42134051

  1. PyTorch-StudioGAN:StudioGAN是一个Pytorch库，为有条件无条件图像生成提供代表性的生成对抗网络（GAN）的实现-源码

  2. StudioGAN是一个Pytorch库，为有条件/无条件图像生成提供了代表性的生成对抗网络（GAN）的实现。 StudioGAN旨在为现代GAN提供一个完全相同的场所，以便机器学习研究人员可以轻松比较和分析新想法。 特征 PyTorch的广泛GAN实施 使用CIFAR10，Tiny ImageNet和ImageNet数据集的GAN的综合基准 比原始实现更好的性能和更低的内存消耗 提供与最新的PyTorch环境完全兼容的预训练模型 支持多GPU（DP，DDP和多节点DistributedData

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：8388608
    • 提供者：weixin_42127835

  1. sohucampus2019:sohucampus2019基准-源码

  2. sohucampus2019 sohucampus2019基准 双线性STM 结果：0.284577462254065 [0.360073383731,0.209081540778] 跑 将数据放在'./data'sh sh run.sh 配置 环境： python 3.6.5 pytorch 1.0.0 GPU： GeForce GTX 1080ti

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：10240
    • 提供者：weixin_42174098

  1. barlowtwins:Barlow Twins纸的实施-源码

  2. barlowtwins Barlow Twins的PyTorch实施论文： 目前这项工作正在进行中。 该代码是SimSiam实现的修改版本 在V100 GPU上，每个纪元的时间约为40秒 GPU使用量约为9 GB 当前版本的测试准确性达到84.7％左右 去做： 从0开始的热身学习率 报告关于cifar-10的结果 创建公关以轻松添加 安装 pip install -r requirements.txt 依存关系 火炬 PyTorch闪电 火炬视觉 轻轻 基准测试 我们遵循KNN评估

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：66560
    • 提供者：weixin_42175776

  1. aisys2021-源码

  2. AI Systems 2021年Spring 公告内容 时间表（待定） 星期 演讲 第1周3.2 / 4 课程大纲。 ML基础结构案例研究（来宾讲座）。 第2周3.9 / 11 MLSys。 Facebook AI基础设施AI硬件：GPU（宾客讲座），TPU 第3周3.16 / 18 ML生命周期。 隐藏的技术债务。 基准：MLPerf。 GPU分析 第4周3.23 / 25 ML框架：TensorFlow，PyTorch，JANUS。 第5周3.30 / 4.1 ML编译器：

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：1024
    • 提供者：weixin_42166623

  1. 胶囊网络-源码

  2. 胶囊网络 PyTorch实现以下文件： Sara Sabour，Nicholas Frosst和Geoffrey Hinton的 正式执行 Sara Sabour的（TensorFlow） 视觉表现 图片来源： Mike Ross ， 运行实验 有关详细信息，请运行python main.py --help 重构图像与原始图像的示例 要求： PyTorch（ ） NumPy（ ） 显卡 默认的超参数（类似于纸张）： 每个GPU batch_size = 128 初始learni

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：38912
    • 提供者：weixin_42139252

  1. nvidia-bert：在NVIDIADeepLearningExamplesPyTorchLanguageModelingBERT的fork上使用onnxruntime后端-源码

  2. BERT对于PyTorch 该存储库提供了脚本和配方来训练PyTorch的BERT模型，以实现最先进的准确性，并且已由NVIDIA测试和维护。 此示例包含Microsoft进行的修改，以将onnxruntime用作PyTorch的培训后端。 性能数字来自原始的NVIDIA存储库，并不反映onnxruntime的使用。 目录 型号概述 BERT，或来自变压器的双向编码器表示，是一种预训练语言表示的新方法，它可以在各种自然语言处理（NLP）任务中获得最新的结果。 该模型基于 。 NVIDIA的BE

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：435200
    • 提供者：weixin_42171208

  1. pytorch-gpu-基准-源码

  2. 关于 pytorch中不同cnn模型的不同GPU的学习和推理速度的比较 1080TI 泰坦五世 2080TI 规格 显卡名称 NVIDIA GeForce GTX 1080 Ti NVIDIA GeForce RTX 2080 Ti NVIDIA TITAN V 过程 16纳米 12纳米 12纳米 模具尺寸 471mm² 754平方毫米 815mm² 晶体管 118亿 186亿 211亿 CUDA核心 3584核心 4352核 5120核 张量芯 没有 544核心 640核心 时钟（

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：12582912
    • 提供者：weixin_42120550

  1. 3d-unet基准-源码

  2. 3D UNet基准测试 使用3d-Unet进行训练和推理基准测试。 EMBL群集的基准测试结果，训练越低越好，推理越高越好。 Gpu型 CUDA版本 Pytorch版本 培训[s / iter] 推论[MVox / s] 特斯拉V100-SXM2-32GB 11.0 1.7.1 1.87 +-0.09 15.97 +-0.25 GeForce GTX 1080 Ti 11.0 1.7.1 3.08 +-0.07 8.68 +-0.07 GeForce RTX 3090

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：15360
    • 提供者：weixin_42152298

  1. pytorch_geometric：PyTorch的几何深度学习扩展库-源码

  2. | | | | PyTorch几何（PYG）是几何深度学习扩展库 。 它包括从各种已发表的论文中对图形和其他不规则结构进行深度学习的各种方法，也称为。 此外，它包括一个易于使用的迷你批处理程序，可用于许多小的和单个巨型图，多GPU支持，大量通用基准数据集（基于创建自己的简单界面）以及有用的转换，既可以在任意图形上学习，也可以在3D网格或点云上学习。 PyTorch Geometric使实现Graph Neural Networks变得轻而易举（请参阅 的随附教程）。 例如，这是实现： i

  3. 所属分类：其它

    • 发布日期：2021-02-07
    • 文件大小：642048
    • 提供者：weixin_42127835

  1. mmdetection：OpenMMLab检测工具箱和基准-源码

  2. 新闻：我们在上发布了技术报告。 文档： : 介绍 MMDetection是基于PyTorch的开源对象检测工具箱。 这是香港开发的OpenMMLab项目的一部分。 master分支与PyTorch 1.3到1.6一起使用。 旧的v1.x分支可与PyTorch 1.1至1.4一起使用，但强烈建议您使用v2.0，以实现更快的速度，更高的性能，更好的设计和更友好的用法。 主要特点 模块化设计 我们将检测框架分解为不同的组件，并且可以通过组合不同的模块轻松构建定制的对象检测框架。 开箱即用的多

  3. 所属分类：其它

    • 发布日期：2021-02-07
    • 文件大小：7340032
    • 提供者：weixin_42151036

  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. MobileNet-Yolo：MobileNetV2-YoloV3-Nano：0.5BFlops 3MB华为P40：6msimg，YoloFace-500k：0.1Bflops 420KB-源码

  2. Yolo-Fastest：更快更强大 此表中NCNN基准未更新最新ARM82数据，最新版本NCNN理论上ARM82会有一倍速度提升，待更新... 添加基于ncnn的106关键点C示例： : ***在某些GPU（例如NVIDIA PASCAL）上并没有很好地支持Darknet Group卷积！ 针对某些Pascalscal例如1080ti在darknet上训练失败/训练异常缓慢/推理速度异常的可以采用Pytorch版yolo3框架训练/推理 MobileNetV2-YOLOv3-Lite＆

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：50331648
    • 提供者：weixin_42116604

  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. TextGAN-PyTorch：TextGAN是用于基于生成对抗网络（GAN）的文本生成模型的PyTorch框架-源码

  2. TextGAN-PyTorch TextGAN是用于基于生成对抗网络（GAN）的文本生成模型的PyTorch框架，包括常规文本生成模型和类别文本生成模型。 TextGAN是一个基准测试平台，可支持基于GAN的文本生成模型的研究。 由于大多数基于GAN的文本生成模型都是由Tensorflow实现的，因此TextGAN可以帮助那些习惯PyTorch的人更快地进入文本生成领域。 如果您在执行中发现任何错误，请告诉我！ 另外，如果您要添加其他模型，请随时为该存储库做出贡献。 要求 PyTorch&g

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：1048576
    • 提供者：weixin_42119866

  1. ESTRNN:用于视频去模糊的高效时空递归神经网络（ECCV2020焦点）-源码

  2. ESTRNN 钟志航，高烨，郑银强，郑波 结果 REDS上的结果 GOPRO上的结果 BSD上的结果 先决条件 Python 3.6 具有GPU的PyTorch 1.6 的OpenCVPython的 scikit图像 lmdb THOP tqdm 张量板 分束器去模糊数据集（BSD） 使用拟议的分束器采集系统，我们已经收集了具有更多场景和更好设置（中心对齐）的新： 新的BSD数据集的配置如下： BSD不同设置的结果： 针对不同设置的预训练模型： 请下载并将其解压缩到主目录下

  3. 所属分类：其它

    • 发布日期：2021-04-01
    • 文件大小：46080
    • 提供者：weixin_42120541