，机器学习应用程序的广泛部署激发了人们对利用存储在移动设备上的大量数据的兴趣。为了保护数据隐私，联邦学习被提出通过在参与设备上执行本地分布式训练并将本地模型聚合为全局模型来学习共享模型。然而，由于移动设备的网络连接有限，联邦学习在所有参与设备上并行执行模型更新和聚合是不切实际的。此外，跨所有设备的数据样本通常不是独立同分布的(IID)，这对联邦学习的收敛性和速度提出了额外的挑战。 在本文中，我们提出了一个经验驱动的控制框架FAVOR，它可以智能地选择客户端设备参与每一轮联邦学习，以抵消非iid数据引入的偏差，并加快收敛速度。通过实证和数学分析，我们观察到设备上训练数据的分布与基于这些数据训练的模型权值之间存在隐式联系，这使我们能够根据该设备上上传的模型权值来描述该设备上的数据分布。然后，我们提出了一种基于深度q学习的机制，该机制学习在每个通信轮中选择一个设备子集，以最大限度地奖励，鼓励提高验证准确性，并惩罚使用更多通信轮。通过在PyTorch中进行的大量实验，我们表明，与联邦平均算法相比，联邦学习所需的通信轮数在MNIST数据集上最多可以减少49%。

本资源为Vitis-AI3.0版本docker镜像的.tar文件的下载链接，适用于NVIDIA显卡硬件平台，内置pytorch量化编译器镜像以及pytorch优化器镜像 使用方法： 使用docker load指令将镜像文件导入后（导入后可以使用docker tag指令改名），再按照官方手册中的使用方法即可 docker镜像生成过程： 按照官方github提供的3.0.0.001版本源代码中的dockerfile进行docker创建 以NVIDIA提供的nvidia/cuda:11.3.1-cudnn8-runtime-ubuntu20.04镜像为基础 仅修改apt、python、conda为国内下载源，其他未作变动 dockerfile修改内容： 参考文章https://blog.csdn.net/qq_36745999/article/details/129920225

演讲 语音是一个开放源代码包，用于构建用于自动语音识别的端到端模型。 当前支持关注的序列到序列模型，连接器时间分类和RNN序列转换器。 该软件的目的是促进语音识别的端到端模型的研究。 这些模型在PyTorch中实现。 该软件仅在Python3.6中经过测试。 我们不会为Python2.7提供向后兼容性。 安装 我们建议创建一个虚拟环境并在其中安装python要求。 virtualenv source /bin/activate pip install -r requirements.txt 然后按照适用于您的计算机的版本的安装说明进行操作。 安装所有python需求后，从顶层目录运行： make 构建过程需要CMake以及Make。 之后，从仓库根目录获取setup.sh 。 source setup

pytorch深度学习图片风格迁移项目源码+资料，代码注解非常详细，适合新手学习。

NLP-study 记录做过的NLP任务,包含但不限于文本分类，关系分类，命名实体识别，文本摘要，文本生成等，基于tensorflow2.0或者pytorch框架。

Pytorch实现基于LSTM的情感分析的代码和数据集

pytorch采用LSTM实现文本翻译，序列到序列学习Seq2Seq，数据集为Multi30k，从德语（de）翻译到英语(en)，有编码层和解码层。

可直接运行。基于pytorch vision transformer的乳腺癌图像分类 完整代码+数据 可直接运行 毕业设计

今天小编就为大家分享一篇Pytorch实现GoogLeNet的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

今天小编就为大家分享一篇pytorch在fintune时将sequential中的层输出方法,以vgg为例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧