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

手写数据集, "https://github.com/pytorch/tutorials/raw/master/_static/"

本次实验训练了多个用于垃圾图片分类识别的模型，采用迁移学习的方法选取性能较好的模型进行调优改进，最终的模型识别准确率在93%以上（30个epoch)；然后将训练好的模型部署在华为云上，生成API接口进行调用；最后设计了一个可视化程序调用API接口来进行展示，方便用户使用。

简单的Cifar10数据集 pytorch 框架训练代码 使用简单的ResNet-18 进行训练 代码附有详细注释，一看就懂 修改代码，补充上自己的CiFar10数据集位置，就可以直接运行

该项目是对论文《参数共享的高效神经网络结构搜索（Efficient Neural Architecture Search (ENAS) via Parameters Sharing）》的实现。ENAS 做什么？高效神经网络结构搜索，即 ENAS 减少了计算需求，将 NAS 的 GPU 计算时间减少了 1000 倍。他们通过共享大型计算图中的子图模型之间的参数共享来完成此操作。 如何使用它的过程已经在 GitHub 页面上得到了很好的展示。实现这个库的先决条件是： Python 3.6+ 需要 PyTorch tqdm，imageio，graphviz，tqdm，tensorboardX

Vishnu Subramanian编写的Vishnu Subramanian一书，本书可供Pytorch初学者，或者希望使用Pytorch学习深度学习的读者阅读和参考。 本书本身就是free的，所以这里分享出来，方便大家下载学习。

pytorch的机制便于快速开发模型，但是在产品上的运用不稳定，需要将其转换为keras对应的模型权重，使用该代码进行转换的示例可见：https://blog.csdn.net/xiaoxifei/article/details/82685298