主要介绍了解决pytorch多GPU训练保存的模型,在单GPU环境下加载出错问题，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

一、DistilBert for Chinese 海量中文预训练蒸馏Bert模型 拟于12月16日发布 target to release on Dec 16th. 拟发布内容 Contents： 1.1 可下载的蒸馏模型，已经训练过 a pretrained chinese DistilBert, others can use it directly or trained again on their own corpus; 1.2 可用于下游任务的例子和代码，包括3个ChineseGLUE(CLUE)的任务 fine tuning examples and codes using DistilBert on three ChineseGLUE(CLUE) tasks; 1.3 小模型基准测评 performance comparsion with albert_tiny, ernie

Machine_Learning-Housing_grade_prediction_using_python 机器学习被广泛用于建立数据分析的预测模型。 数据集包含一个训练文件，我们使用该训练文件来训练算法以对测试文件进行预测。 该文件包含大约2500多个缺失值。 我们使用KNN插补来自动填充缺失的位置，以进行更好的预测。 用于对训练和测试数据集进行预测的模型是SVM。 使用线性核获得的模型的准确性约为88.6％，比rbf的准确性高23％。

YOLOV4-Tiny：You Only Look Once-Tiny目标检测模型在Keras当中的实现 2021年2月7日更新： 仔细对照了darknet库的网络结构，发现P5_Upsample和feat1的顺序搞反了，已经调整，重新训练了权值，加入letterbox_image的选项，关闭letterbox_image后网络的map得到提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12+COCO VOC-Test07 416x416 - 77.5 COCO-Train2017 COCO-Val2017 416x416 21.8 41.3 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 代码中的yolov4_tiny_weights_coco.h5和yolov4

PSPnet：Pyramid Scene Parsing Network语义分割模型在Pytorch当中的实现 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mIOU VOC12+SBD VOC-Val12 473x473 68.59 VOC12+SBD VOC-Val12 473x473 81.44 所需环境 torch==1.2.0 注意事项 代码中的pspnet_mobilenetv2.pth和pspnet_resnet50.pth是基于VOC拓展数据集训练的。训练和预测时注意修改backbone。 文件下载 训练所需的pspnet_mobilenetv2.pth和pspnet_resnet50.pth可在百度网盘中下载。 链接: https://pan.baidu.com/s/1JX0BoAroPChBQrXYnybqzg 提取码: papc VOC拓展数据集

vgg脸 使用PyTorch的人脸分类Python脚本 需要安装PyTorch 运行test.py文件 从获得的原始Caffe模型和测试图像/names.txt 从获得的.h5和

欺诈识别 使用RNN训练和测试模型以预测信用卡欺诈交易。 ＃如何使用模型： 从链接下载名为creditcard.csv的数据集。 下载python脚本欺诈_detection.py 将脚本和csv数据文件保存在同一文件夹中，否则在脚本文件的第13行中提及csv文件的路径 运行代码以查看培训和测试的准确性

内眼深度学习 总览 这是一个深度学习工具箱，用于在医学图像（或更常见的是3D图像）上训练模型。 它与Azure中的云计算无缝集成。 在建模方面，此工具箱支持 细分模型 分类和回归模型 序列模型 分类，回归和序列模型可以仅将图像作为输入，或者将图像和非成像数据的组合作为输入来构建。 这支持了医疗数据的典型用例，在这些用例中，除了图像之外，还经常可以使用测量，生物标记或患者特征。 在用户方面，该工具箱专注于使机器学习团队能够实现更多目标。 它是云计算第一，并依靠来执行，簿记和可视化。 两者合计，得出： 可追溯性：AzureML保留已执行的所有实验的完整记录，包括代码快照。 标签会自动添加到实验中，以后可以帮助过滤和查找旧实验。 透明度：所有团队成员都可以访问彼此的实验和结果。 重现性：使用相同代码和数据的两次模型训练运行将得出完全相同的指标。 所有随机性源（例如多线程）均受到控制。 降低成本：使用AzureML，在开始培训工作时就请求所有计算（虚拟机，VM），并在最后释放它们。 闲置的虚拟机不会产生成本。 此外，Azure低优先级节点可用于进一步降低成本（便宜多达80％）。

DeepSpeech剧本 使用DeepSpeech训练语音识别模型的速成班。 快速链接 从这里开始。 本部分将设定您对DeepSpeech手册可以实现的目标的期望，以及开始训练自己的语音识别模型所需的先决条件。 了解了DeepSpeech Playbook可以实现的功能后，本节将概述DeepSpeech本身，其组成部分以及它与您过去使用过的其他语音识别引擎的不同之处。 之前，你可以训练一个模型，你需要收集和格式化数据的语料库。 本节概述了DeepSpeech所需的数据格式，并逐步介绍了从Common Voice准备数据集的示例。 如果您正在训练使用与英语不同的字母（例如带有变音符号的语言）的模型，那么您将需要修改alphabet.txt文件。 了解得分手的工作，以及如何建立自己的得分手。 了解DeepSpeech的声学模型和语言模型之间的差异，以及它们如何组合以提供端到端语音识别。 本节

人脸佩戴口罩状态检测的训练好的模型（jetson nano端） paddlepaddle-gpu SSD-mobilenet 包括： __model__ __params__ infer_cfg.yml 注意：在jetson nano端运行。