工程流程 本文档实现了R-CNN算法进行目标检测的完整过程，包括 数据集创建 卷积神经网络训练 分类器训练 边界框回归器训练 目标检测器实现 本仓库最终实现一个汽车类别目标检测器 模块构成 区域建议生成：selectivesearch算法实现，生成类别独立的区域建议 特征提取：卷积神经网络AlexNet实现，从每个区域建议中提取固定长度的特征向量 线性SVM实现，输入特征向量，输出每类成绩 使用类指定的边界框回归器计算候选建议的坐标偏移 非最大抑制方法实现，得到最终的候选建议 关于区域建议算法selectivesearch实现，在训练阶段使用高质量模式，在测试阶段使用快速模式

使用BERT的越南语NER（bert-vn-ner） 由Trong-Dat Ngo编写的代码。 引言 BERT模型的Pytorch实现为越南语执行命名实体识别（NER）。 此外，单词中的特征也用于表示单词。 该系统使用预训练模型 安装 要求： Python 3.6+ 火炬1.4+ 安装依赖项： pip3 install -r requirements.txt 数据集格式 bert-vn-ner的输入数据格式遵循CoNLL-2003格式，其中四列由制表符分隔，包括word ， pos ， chunk和named实体。 每个单词都放在单独的行上，每个句子后面都有一个空行。 请注意，分词不用于匹配BERT的预训练（以bert-base-multilingual-cased表示） 。 有关详细信息，请参见“数据”目录中的样本数据。 下表描述了数据集中的越南语例句示例。 单词 销售点

PyTorch主动学习 常见的主动学习方法库包括： 环环相扣的机器学习罗伯特·蒙罗（Robert Munro） 曼宁出版物 该代码是独立的，可以与本书一起使用。 库中的主动学习方法 该代码当前包含用于以下目的的方法： 最低置信度抽样 置信度抽样 置信度采样率 熵（分类熵） 基于模型的离群抽样 基于聚类的采样 代表性抽样 自适应代表性抽样 主动转移学习以进行不确定性采样 主动转移学习以进行代表性抽样 自适应采样的主动转移学习（ATLAS） 本书介绍了如何在计算机视觉和自然语言处理中将它们独立地，组合地应用以及用于不同的用例。 它还涵盖了针对现实世界多样性进行抽样以避免偏见的策略。 安装： 如果您克隆此仓库并且已经安装了PyTorch，则应该能够立即开始： git clone https://github.com/rmunro/pytorch_active_learning cd

可训练的Event2视频模型（UnetStyle） 原始实现。 官方文件 去做： 合成数据？ 变压器模块（SeTR）？ 任意时间线推断生成？ 快速数据加载器 笔记 确保解压任何数据集./data，他们有images.txt，events.txt和图像文件夹，良好的开端是。 解压缩。

本项目通过textcnn卷积神经网络实现对文本情感分析识别，由python 3.6.5+Pytorch训练所得。

火炬损失 我实现的标签平滑，amsoftmax，焦点损耗，双焦点损耗，三重态损耗，giou损耗，亲和力损耗，pc_softmax_cross_entropy，ohem损耗（基于行硬挖掘损失的softmax），大利润- softmax（bmvc2019），lovasz-softmax-loss和dice-loss（广义的软骰子损失和批处理软骰子损失）。 也许这对我的未来工作很有用。 还尝试实现swish，hard-swish（hswish）和mish激活功能。 此外，添加了基于cuda的一键式功能（支持标签平滑）。 新添加一个“指数移动平均线（EMA）”运算符。 添加卷积运算，例如coord-conv2d和dynamic-conv2d（dy-conv2d）。 一些运算符是使用pytorch cuda扩展实现的，因此您需要先对其进行编译： $ python setup.py

Chinese-Text-Classification-Pytorch-master。 数据齐全，说明文档详细。点击即用！ # 训练并测试： # TextCNN python run.py --model TextCNN # TextRNN python run.py --model TextRNN # TextRNN_Att python run.py --model TextRNN_Att # TextRCNN python run.py --model TextRCNN # FastText, embedding层是随机初始化的 python run.py --model FastText --embedding random # DPCNN python run.py --model DPCNN # Transformer python run.py --model Transformer

pytorch图注意网络 这是Veličković等人提出的图注意力网络（GAT）模型的火炬实施。 （2017， ）。 回购协议最初是从分叉的。 有关GAT（Tensorflow）的官方存储库，请访问 。 因此，如果您在研究中利用pyGAT模型，请引用以下内容： @article{ velickovic2018graph, title="{Graph Attention Networks}", author={Veli{\v{c}}kovi{\'{c}}, Petar and Cucurull, Guillem and Casanova, Arantxa and Romero, Adriana and Li{\`{o}}, Pietro and Bengio, Yoshua}, journal={International Conference on Learning

用于pytorch的图像分类，包含多种模型方法，比如AlexNet，VGG，GoogleNet，ResNet，DenseNet等等，包含可完整运行的代码。除此之外，也有colab的在线运行代码，可以直接在colab在线运行查看结果。

torch-1.8.0-cp38-cp38-manylinux1_x86_64.whl