利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，svm或者随机森林等进行分类，模型蒸馏，一个完整的代码。 实现功能： 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，加权与投票融合 利用flask + redis实现模型云端api部署（tag v1） c++ libtorch的模型部署 使用tta测试时增强进行预测（tag v1） 添加label smooth的pytorch实现（标签平滑）（tag v1） 添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类（tag v1）。 可视化特征层。 转载：https://github.com/lxztju/pytorch_classification

面部防喷雾剂 使用CASIA-SURF CeFA数据集， 和脸反欺骗任务解决方案。 模型 M，参数 计算复杂度，MFLOP 红绿蓝 深度 红外 损失函数 最佳LR 最低ACER（CASIA-SURF值） 快照 羽毛网 0.35 79.99 :check_mark: :cross_mark: :cross_mark: 交叉熵 3e-6 0.0242 羽毛网 0.35 79.99 :check_mark: :check_mark: :cross_mark: 交叉熵 3e-6 0.0174 羽毛网 0.35 79.99 :check_mark: :check_mark: :check_mark: 交叉熵 1e-7 0.0397 下载 羽毛网 0.35 79.99 :check_mark: :cross_mark: :cross_mark: 失焦 3e-6 0.0066 下载 MobileLiteNet 0.57 270.91 :check_mark: :cross_mark: :cross_m

模型在FloodNet数据集上进行了训练，mIOU在0.83左右，可训练自己的数据集 建议在训练网络的时候将输入的训练集其切分为384x384的小图片后，再来进行训练 模型采用标准的UNet，可以采用如下方式训练你自己的模型 数据集地址可以在train.py中修改为你自己的文件夹 python train.py -- --epochs 20 --batch-size 16 --learning-rate 2e-4 --scale 1 --validation 0.1 --classes 10 --amp 其中--amp为半精度训练 --scale是训练的时候对图片进行缩放，已经裁剪为384x384后就不需要再裁剪了

流行的无模型强化学习算法 PyTorch和Tensorflow 2.0在Openai体育馆环境和自行实现的Reacher环境中均实现了最新的无模型强化学习算法。 算法包括软参与者关键（SAC），深度确定性策略梯度（DDPG），双延迟DDPG（TD3），参与者关键（AC / A2C），近端策略优化（PPO），QT-Opt（包括交叉熵（ CE）方法） ， PointNet ，运输商，循环策略梯度，软决策树等。 请注意，此存储库更多是我在研究和实施期间实施和测试的个人算法集合，而不是正式的开放源代码库/软件包以供使用。 但是，我认为与他人分享它可能会有所帮助，并且我希望对实现进行有益的讨论。 但是我没有花太多时间在清理或构建代码上。 您可能会注意到，每种算法可能都有几种实现方式，在此我特意展示所有这些方式，供您参考和比较。 此外，此存储库仅包含PyTorch实施。 对于RL算法的官方库，

超分辨率matlab代码韩 我们的ECCV 2020论文“通过整体注意力网络实现单图像超分辨率”的PyTorch代码 该存储库适用于以下论文中介绍的HAN 张玉伦，李坤鹏，李凯，王丽晨，钟斌能和付云，“通过整体注意力网络实现单图像超分辨率”，ECCV 2020， 该代码基于RCAN（PyTorch）构建并在具有Titan X / 1080Ti / Xp GPU的Ubuntu 16.04 / 18.04环境（Python3.6，PyTorch_0.4.0，CUDA8.0，cuDNN5.1）上进行了测试。 内容 介绍 信息功能在单图像超分辨率任务中起着至关重要的作用。 事实证明，渠道关注对于保留每一层中信息量丰富的功能是有效的。 但是，频道注意力将每个卷积层视为一个单独的过程，从而错过了不同层之间的相关性。 为了解决这个问题，我们提出了一个新的整体注意网络（HAN），该网络由一个图层注意模块（LAM）和一个通道空间注意模块（CSAM）组成，以对图层，通道和位置之间的整体相互依赖性进行建模。 具体地，提出的LAM通过考虑各层之间的相关性来自适应地强调分层特征。 同时，CSAM学习每个通道所有

BERT-NER-Pytorch-master

图片GPT 图像GPT的PyTorch实施基于像素的纸张生成式预训练和随附的。 模型生成的来自测试集的半图像的完成。 输入第一列； 最后一栏是原始图片 iGPT-S已在CIFAR10上进行了预培训。 由于该模型仅在CIFAR10而非所有ImageNet上进行了训练，因此完成程度相当差。 在制品 GPU上的批量k均值用于量化更大的数据集（当前使用sklearn.cluster.MiniBatchKMeans 。） BERT样式的预训练（当前仅支持生成。） 从OpenAI加载预训练的模型。 重现至少iGPT-S结果。 根据他们的，最大的模型iGPT-L（1.4 M参数）接受了2500 V100天的培训。 通过大大减少注意力头的数量，层数和输入大小（这会成倍地影响模型大小），我们可以在不到2小时的时间一台NVIDIA 2070上在上训练自己的模型（26 K参数）。 分类微调 采

包括4点： 1、安装Anaconda 2、安装CUDA 3、安装PyTorch 4、安装PyCharm 本次由于选择的PyTorch是1.4版本，支持的是CUDA10.1，所以CUDA安装的版本是10.1。 一、安装Anaconda 1、win10 Anaconda官网 https://www.anaconda.com/distribution/ 如下图，选择 根据自己的电脑位数进行选择，下载后安装即可。注意一点 需要勾选这两个选项。 确认安装成功：打开CMD，输入 conda list 如果出现内容，则代表安装成功。 2、Ubuntu 也打开官网，点击相应版本进行下载，下载后安装即可。

YOLOV3：只看一次目标检测模型在Pytorch当中的实现-替换高效网络主干网络 2021年2月8日更新：加入letterbox_image的选项，关闭letterbox_image后网络的地图得到大幅度提升。 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 行动计划0.5：0.95 行动计划0.5 挥发性有机化合物07 + 12 VOC-Test07 416x416 -- 78.9 所需环境 火炬== 1.2.0 文件下载 训练所需的efficiencynet-b2-yolov3的权重可以在百度云下载。链接： ： 提取码：hiuq其他版本的efficiencynet的权重可以将YoloBody（Config，phi = phi，load_weights = False）的load_weights参数设置成True，从而获得。 预测步骤 a，使用预训练权

插槽填充 使用RNN和ATIS数据进行插槽填充。 要求 Python3.6 火炬进度条 数据集 航空旅行信息系统（ATIS）数据集。 这是一个示例句子及其来自数据集的标签： 表演 航班 从 波斯顿 至 新的 约克 今天 Ø Ø Ø B部门 Ø B-arr - B日期 结果 双GRU 精确 记起 F1 动车组 99.77 99.83 99.8 测试集 94.78 94.75 94.76