深度强化学习算法 该存储库将使用PyTorch实现经典的深度强化学习算法。 该存储库的目的是为人们提供清晰的代码，以供他们学习深度强化学习算法。 将来，将添加更多算法，并且还将保留现有代码。 当前实施 深度Q学习网络（DQN） 基本DQN 双Q网络 决斗网络架构 深度确定性策略梯度（DDPG） 优势演员评判（A2C） 信任区域策略梯度（TRPO） 近端政策优化（PPO） 使用克罗内克因素信任区域（ACKTR）的演员评论家 软演员评论（SAC） 更新信息 :triangular_flag: 2018年10月17日-在此更新中，大多数算法已得到改进，并添加了更多关于图的实验（DPPG除外）。 PPO现在支持atari游戏和mujoco-env 。 TRPO非常稳定，可以得到更好的结果！ :triangular_flag: 2019-07-15-在此更新中，不再需要为openai基准安装。 我在rl__utils模块中集成了有用的功能。 DDPG也重新实现，并支持更多结果。 自述文件已被修改。 代码结构也有微小的调整。 :triangular_flag: 201

PyTorch中计算机视觉应用程序的自注意力构建基块 使用einsum和einops在PyTorch中实现计算机视觉的自我关注机制。 专注于计算机视觉自我注意模块。 通过pip安装 $ pip install self-attention-cv 如果您没有GPU，最好在您的环境中预安装pytorch。 相关文章 程式码范例 多头注意力 import torch from self_attention_cv import MultiHeadSelfAttention model = MultiHeadSelfAttention ( dim = 64 ) x = torch . rand ( 16 , 10 , 64 ) # [batch, tokens, dim] mask = torch . zeros ( 10 , 10 ) # tokens X tokens mask [ 5 :

RNN-换能器语音识别 在Tensorflow 2.0中使用RNN-Transducer进行端到端语音识别 概述 该语音识别模型基于Google的研究论文，并使用Tensorflow 2.0在Python 3中实现。 设置您的环境 要设置您的环境，请运行以下命令： git clone --recurse https://github.com/noahchalifour/rnnt-speech-recognition.git cd rnnt-speech-recognition pip install tensorflow==2.2.0 # or tensorflow-gpu==2.2.0 for GPU support pip install -r requirements.txt ./scripts/build_rnnt.sh # to setup the rnnt loss 共同的

针对ImageNet，CIFAR10和MNIST的PyTorch对抗性攻击基准 ImageNet，CIFAR10和MNIST的PyTorch对抗性攻击基准（最先进的攻击比较） 该存储库提供了用于评估各种对抗攻击的简单PyTorch实现。 该存储库显示每个数据集的最新攻击成功率。 该存储库利用了攻击库，例如 ， 等。 如果您对此存储库有疑问，请给我发送电子邮件（ ）或提出问题。 影像网 该存储库提供了一个包含1,000个类的小型ImageNet验证数据集。 该数据集每个班级有5张图像（总计5,000张图像）。 这是ImageNet验证数据集的子集。 对抗示例的大小：224 x 224 x 3（150,528个参数） 1. Linf FGSM（非目标） Advertorch和Foolbox显示几乎相同的结果。 Epsilon大小 1/255 2/255 4/255 8/25

Franois-Lavet et la. An Introduction to Deep Reinforcement Learning. Foundations and trends in machine learning, 2018.

皮托奇·西法尔100 pytorch在cifar100上练习 要求 这是我的实验资料 python3.6 pytorch1.6.0 + cu101 张量板2.2.2（可选） 用法 1.输入目录 $ cd pytorch-cifar100 2.数据集 我将使用来自torchvision的cifar100数据集，因为它更方便，但我还将示例代码保留了用于在数据集文件夹中编写您自己的数据集模块的示例，以作为人们不知道如何编写它的示例。 3.运行tensorbard（可选） 安装张量板 $ pip install tensorboard $ mkdir runs Run tensorboard

PyTorchVideo是一个深度学习库，专注于视频理解工作。 PytorchVideo提供了可重用，模块化和高效的组件，这些组件可加快视频理解研究的速度。 PyTorchVideo使用PyTorch开发，并支持不同的深度学习视频组件，例如视频模型，视频数据集和特定于视频的转换。 用于视频理解研究的深度学习库。 检查网站以获取更多信息。 在Samsung Galaxy S10手机上运行的PyTorchVideo加速X3D模型。 该模型的运行速度比实时速度快约8倍，大约需要130毫秒才能处理一秒钟的视频。 一个基于PyTorchVideo的SlowFast模型，用于执行视频动作检测。 简介PyTorchVideo是一个深度学习库，专注于视频理解工作。 PytorchVideo提供可重复使用的模块化

SEGAN：语音增强生成对抗网络 介绍 这是SEGAN项目的存储库。 我们的原始文件可以在找到，并且测试样本可以。 在这项工作中，采用了一种对抗性生成方法，以一种完全卷积的体系结构来进行语音增强（即从损坏的语音信号中去除噪声），如下所示： 该模型处理处于不同SNR的许多噪声条件下的原始语音波形（训练时为40，测试时为20）。 它还可以对来自混合在同一结构中的许多说话者的语音特征进行建模（无需任何身份监督），这使得生成的结构在噪声和说话者维度上具有普遍性。 所有项目都是使用TensorFlow开发的。 关于GAN的定义和部署，有两个很好的参考资料库： GAN：实施改进以更稳定的方式训练G

2.Deep Learning for Anomaly Detection A Review 论文分享（中）.pdf

适用于Windows和Linux的Yolo v4，v3和v2 （用于物体检测的神经网络） 纸YOLO v4： ： Paper Scaled ： ： 用于重现结果： 有关媒体的文章中的更多详细信息： 手册： ： 讨论： 关于Darknet框架： : 如何在Linux上编译 如何在Windows上编译 AP50：95-FPS（Tesla V100）论文： ： AP50：95 / AP50-FPS（Tesla V100）论文： ： tkDNN-TensorRT将批次1的YOLOv4加速约2倍，将批次4的YOLOv4加速3倍至4倍。 tkDNN： ： Op