ConvNeXt算法实现pytorch框架下的图像分类，ConvNeXt是通过借鉴Swin Transformer的思想，然后在ImageNet-1K上进行训练和评估，最终得到ConvNeXt的核心结构的算法。

这是我的学校项目。 它侧重于强化学习以进行个性化新闻推荐。 主要区别在于，它试图通过动态生成的项目嵌入来解决在线非政策学习。 我想使用SOTA算法创建一个库，以加强学习建议，并提供您喜欢的抽象级别。 :bar_chart: 这些功能可以总结为 根据您的决定进行抽象：您可以导入整个算法（例如DDPG）并将其告诉ddpg.learn（batch），可以分别导入网络和学习功能，为任务创建自定义加载程序，也可以自己定义所有内容。 示例不包含任何垃圾代码或变通办法：纯模型定义和算法本身在一个文件中。 我写了几篇文章解释其功能。 学习围绕支持ML20M等的顺序或框架环境构建。 Seq和Frame确定顺序数据的长度类型，seq是完全顺序动态大小（WIP），而帧只是静态帧。 状态表示模块具有多种方法。 对于顺序状态表示，可以使用LSTM / RNN / GRU（WIP） 使用Modin（Dask / Ray）并行数据加载和缓存 Pytorch 1.7支持Tensorboard可视化。 将来会添加新的数据集。 :books: 中篇文章 回购协议由两部分组成：库（./recnn）和游乐场（.

pytorch入门与实战所有的代码及课件，环境搭建到实战，包含RNN,LSTM GAN等多个章节内容

PyTextGCN 对TextGCN的重新实现。 此实现使用Cython进行文本到图形的转换，因此速度相当快。 图形和GCN基于库。 要求 该项目的构建具有： 的Python 3.8.5 Cython 0.29.21 CUDA 10.2（GPU支持可选） scikit学习0.23.2 pytorch 1.7.0 火炬几何1.6.3 海湾合作委员会9.3.0 nltk 3.5 scipy 1.5.2 至少Text2Graph模块也应该与这些库的其他版本一起使用。 安装 cython编译可以从项目的根目录执行： cd textgcn/lib/clib && python setup.py build_ext --inplace 用法 要从称为X的字符串列表（每个字符串包含一个文档的文本）中计算出图形，请创建名为y的标签列表以及测试索引test_idx的列表，只需运行：

生成视频字幕的pytorch代码

pytorch实现文本情感分析详细教程 关键词：python，情感分析，英文文本分类，Bi-LSTM 训练集准确度高达98%，验证集准确度最高达到82%，数据集来自竞赛平台DataCastle，竞赛链接为：https://challenge.datacastle.cn/v3/cmptDetail.html?spm=5176.12282016.0.0.31ed52e3oG2G01&id=359，本代码可以帮助大家获取前70的排名成绩，后续可以进行二次修改，有望冲击前50。

利用Pytorch，opencv进行人脸口罩佩戴检测，并且在视频流中显示出来。 里面包含代码文件(.py)，数据集文件和训练好的模型文件。如果感觉检测效果不是很好，可以自己重新训练。

1.深度学习实现中草药(中药材)识别《Pytorch实现中药材(中草药)分类识别(含训练代码和数据集)》 https://blog.csdn.net/guyuealian/article/details/129880963 2.中草药(中药材)图片数据集(Chinese-Medicine-163)： https://blog.csdn.net/guyuealian/article/details/129883396

NLP项目实例，实现一个类似于中文输入法中联想的功能；项目利用深度学习框架Pytorch，构建一个LSTM（也支持NGram，TextCNN，LSTM，BiLSTM等）模型，实现一个简易的中文单词预测（词语预测）功能，该功能可以根据用户输入的中文语句，自动预测(补充)词语；基于该项目训练的中文单词预测(词语预测）模型，在自定义的数据集上Top-1准确率最高可以达到91%左右，Top-5准确率最高可以达到97%左右。博文：https://blog.csdn.net/guyuealian/article/details/128582675

解开变分自编码器 PyTorch 实现的论文 团队成员： 安德烈亚斯·斯帕诺普洛斯 ( ) Demetrios Konstantinidis ( ) 存储库结构 目录包含我们迄今为止创建的模型。 一路上还会有更多。 python脚本是主要的可执行文件。 目录包含可用于训练和测试的 colab notebook。 在目录中有一个 ，其中详细解释了变分自动编码器的基本数学概念。 在目录中有一些配置文件可用于创建模型。 在目录中有我们通过使用各种配置运行模型得到的结果。 楷模 目前支持两种模型，一个简单的变分自动编码器和一个解开版本 (beta-VAE)。 模型实现可以在目录中找到。 这些模型是使用PyTorch Lightning开发的。 变分自编码器 变分自编码器是一个生成模型。 它的目标是学习数据集的分布，然后从相同的分布中生成新的（看不见的）数据点。 在下图中，我们可