垃圾分类作为一种有效处理垃圾的科学管理方案，在提高资源利用率、缓解垃圾生产压力以及改善生态环境等方面具有重要意义，备受世界各国的迫切关注。 用于分类的数据分卷一共12分卷。厨余0分卷

AlexNet demo，pytorch，包括测试与训练，完整工程，可直接使用，适合学习pytorch

LeNet模型1. LeNet模型2. PyTorch实现2.1 模型实现2.2 获取数据与训练 1. LeNet模型 LeNet分为卷积层块和全连接层块两个部分。下面我们分别介绍这两个模块。 卷积层块里的基本单位是卷积层后接平均池化层：卷积层用来识别图像里的空间模式，如线条和物体局部，之后的平均池化层则用来降低卷积层对位置的敏感性。 卷积层块由两个这样的基本单位重复堆叠构成。在卷积层块中，每个卷积层都使用5×55 \times 55×5的窗口，并在输出上使用sigmoid激活函数。第一个卷积层输出通道数为6，第二个卷积层输出通道数则增加到16。 全连接层块含3个全连接层。它们的输出个数分别

YoloV3-tiny

对 你没看错 30M不到里面含有数据集和模型。其实就是个人脸和安全帽分类的二分类网络。山寨版的安全帽检测其实就是需要你自己准备个人脸检测模型，然后人脸外扩1.5，外扩图送入分类网络分类。该代码适合新人上手Pytorch。

得益于互联网技术的快速发展，情感分析/分类技术近来也受到了大量的关注。情感分析已经成长为自然语言处理（NLP）中最活跃的研究领域之一，而情感分类是众多情感分析任务中必不可少的一环。本文使用文本分类中经典的TextCNN模型，对给定的中文电影评论进行情感分类。通过设计合理的网络结构，并使用pytorch进行实现，取得较为不错的效果。 关键词：情感分类 TextCNN pytorch

李沐大神动手学深度学习，库包；可直接使用 李沐大神动手学深度学习，库包；可直接使用 李沐大神动手学深度学习，库包；可直接使用

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”）。 使用像素梯度阵列作为深度学习模型（例如CNN）的输入。 像素渐变阵列的生成总结如下。 评估 通过使用MNIST数据集进行图像分类。 有关更多详细信息，请参见demo_mnist.py。 结果 火炬实施 如何在pytorch模型中实现像素渐变阵列。 步骤1：必要的模块 import numpy as n

内含数据集，完整代码，整个实现过程的全套文档讲解，总共1.6g，由于内容过多，所以用百度云给出，地址永久有效。 欢迎有这方面需要的小伙伴下载学习！

pytorch-CycleGAN-and-pix2pix