StarGAN-官方PyTorch实施 *****新增功能：可从获得StarGAN v2 ***** 该存储库提供了以下论文的官方PyTorch实现： StarGAN：用于多域图像到图像翻译的统一生成对抗网络1,2， 1,2， 2,3，2，2,4， 1,2- 1韩国大学， 2 Clova AI研究，NAVER Corp. 3香港科技大学新泽西学院4 摘要：最近的研究表明，在两个领域的图像到图像翻译中取得了巨大的成功。 但是，由于应为每对图像域分别构建不同的模型，因此现有方法在处理两个以上域时具有有限的可伸缩性和鲁棒性。 为了解决此限制，我们提出了StarGAN，这是一种新颖且可扩展的方法，可以仅使用一个模型就可以对多个域执行图像到图像的转换。 StarGAN的这种统一模型架构允许在单个网络中同时训练具有不同域的多个数据集。 与现有模型相比，StarGAN的翻译图像质量更高，并且具有

英文原版，Michael H. Kutner, Christopher J. Nachtsheim, John Neter, William Li. 1500页，有课后习题答案，Student Solutions Manual to accompany Applied Linear Statistical Models Fifth Edition。楼主在国外读研究生时候的教材，非常深入地讲解线性模型和相关的误差诊断，方差分析，实验设计，等等。值得一读。找了了好长时间，仅限交流学习！

PyTorch图像模型 赞助商 非常感谢我的的支持！ 除了以上链接的赞助商之外，我还从以下位置获得了硬件和/或云资源： 英伟达（ ） TFRC（ ） 我很幸运能够自己投入大量时间和金钱来支持这个项目和其他开源项目。 但是，随着项目范围的扩大，需要外部支持来继续当前的硬件，基础设施和电力成本轨迹。 什么是新的 2021年5月5日 从添加MLP-Mixer模型和端口预训练权重 从添加CaiT模型和预训练权重 从添加ResNet-RS模型和权重。 添加CoaT模型和权重。 感谢 为TResNet，MobileNet-V3，ViT模型添加新的ImageNet-21k权重和微调的权重。 谢谢 添加GhostNet模型和权重。 谢 更新ByoaNet注意模型 改进SA模块的初始化 将基于实验的独立Swin attn模块和swinnet 实验的一致“ 26t”模型定义。 添加改进的

最佳插值（OI），3D和4D变异数据同化。 文件资料 科学推导 同化技术的科学派生可以在我的理论气象学教科书中找到（德语）： 。 文献资料 该代码的文档可在子目录doc中找到。 建筑 依存关系 netcdf库（Ubuntu：sudo apt-get libnetcdf-dev） CMake（Ubuntu：sudo apt-get install cmake） MPICH（Ubuntu：sudo apt-get install mpich） bzip2（Ubuntu：sudo apt-get install bzip2） python3（Ubuntu：sudo apt-get安装python3） 为了发展 Valgrind（Ubuntu：sudo apt-get install valgrind，用于进行检查） 下载 git clone https://github.com/AUN

PyTorch图像模型 赞助商 非常感谢我的的支持！ 除了以上链接的赞助商之外，我还从以下位置获得了硬件和/或云资源： 英伟达（ ） TFRC（ ） 我很幸运能够自己投入大量时间和金钱来支持这个项目和其他开源项目。 但是，随着项目范围的扩大，需要外部支持来继续当前的硬件，基础设施和电力成本轨迹。 什么是新的 2021年5月5日 从添加MLP-Mixer模型和端口预训练权重 从添加CaiT模型和预训练权重 从添加ResNet-RS模型和权重。 添加CoaT模型和权重。 感谢 为TResNet，MobileNet-V3，ViT模型添加新的ImageNet-21k权重和微调的权重。 谢谢 添加GhostNet模型和权重。 谢 更新ByoaNet注意模型 改进SA模块的初始化 将基于实验的独立Swin attn模块和swinnet 实验的一致“ 26t”模型定义。 添加改进的E

自己看吧，英文的

TensorFlow示例模型 基于TensorFlow的几种机器学习模型的实现（前三个-Logistic Regresion，MLP和CNN受启发）。 文件夹包含以下内容的简单实现： （带EM） 文件夹包含通过期望最大化算法（具有对角协方差，完全协方差，基于梯度等）训练的高斯混合模型实现的详细版本。 文件夹包含将GMM实现分解为一组连贯的类的初始尝试。

计算机视觉相关论文介绍

概率图模型是机器学习中的一种技术，它利用图论的概念来简明地表示和优化预测数据问题中的值。 图形模型为我们提供了在数据中寻找复杂模式的技术，并广泛应用于语音识别、信息提取、图像分割和基因调控网络建模等领域。 本书从概率论和图论的基础出发，接着讨论各种模型和推理算法。讨论了所有不同类型的模型以及创建和修改模型的代码示例，并对它们运行了不同的推理算法。有一整章将继续介绍朴素的贝叶斯模型和隐藏的马尔可夫模型。这些模型已经用实际例子进行了深入的讨论。

模型models，包括：图像分类、性别判断、年龄估算；三个模型相关文件