GoEmotions火炬手 使用实现Pytorch实现 什么是GoEmotions 数据集以28种情感标记为58000个Reddit评论 钦佩，娱乐，愤怒，烦恼，批准，关怀，困惑，好奇心，欲望，失望，不赞成，厌恶，尴尬，兴奋，恐惧，感激，悲伤，喜悦，爱，紧张，乐观，骄傲，意识到，缓解，后悔，悲伤，惊喜+中立 训练细节 使用基于bert-base-cased （与论文的代码相同） 在本文中，使用了3种分类法。 我还使用用于分类hierarchical grouping和ekman新分类标签制作了数据。 原始GoEmotions （27种情感+中性） 分层分组（正，负，模棱两可+中性） 艾克曼（愤怒，厌恶，恐惧，喜悦，悲伤，惊奇+中立） 词汇 我已分别将[unused1] ， [unused2]替换为[NAME]和[RELIGION] 。 [PAD] [NAME] [RELIGI

人体姿态估计hrnet转onnx后的模型，精确度和转换之前的pytorch模型验证丝毫没有下降。

深度照明器 Deep Illuminator是设计用于图像重新照明的数据增强工具。 它可用于轻松高效地生成单个图像的多种照明方式。 它已通过多个数据集和模型进行了测试，并已成功改善了性能。 它具有使用创建的内置可视化工具，以预览如何对目标图像进行照明。 增强实例 用法 使用此工具的最简单方法是通过Docker Hub： docker pull kartvel/deep-illuminator 可视化器 有了Deep Illuminator图像后，请运行以下命令以启动可视化器： docker run -it --rm --gpus all \ -p 8501:8501 --entrypoint streamlit \ kartvel/deep-illuminator run streamlit/streamlit_app.py 您将可以在localhost:8501上与它进行交互。

对下载的IMDB数据集中的test和train分别进行预处理从而方便后续模型训练，代码为PreProcess.py。预处理主要包括：大小写转化、特殊字符处理、stopwords过滤、分词，最后将处理后的数据存储为CSV格式，以方便后续调试。借用了nltk的 stopwords 集，用来将像 i, you, is 之类的对分类效果基本没影响但出现频率比较高的词，从训练集中清除。

pytorch深度学习框架虽然在一些方面上不如tensorflow，但是具备自己特有的优势，本代码是深度学习和pytorch之间的一些例程，以供学习～

用Pytorch实现我们的CIFAR10的图像分类 模型有LeNet，AlexNet，VGG，GoogLeNet，ResNet，DenseNet 在资源中有全部代码的学习资料，并且包括所有的权重，代码所有都可运行，可执行，可复现代码的结果 可以利用所有的模型权重进行迁移学习 除此之外，还有所有迁移学习的代码，可以利用迁移学习的代码对猫狗数据集进行训练学习

盖特·甘 GaitGAN的pytorch实现：使用生成对抗网络的不变步态特征提取。 Yu, Shiqi, et al. "Gaitgan: invariant gait feature extraction using generative adversarial networks." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2017. 相依性 python3 pytorch >= 0.4.0 。 训练 要训​​练模型，请将silhoutte数据放在存储库中，然后转到src dir并运行 python3 train.py 该模型将每500次迭代保存到执行目录中。 您可以更改train.py中的间隔。 监控表现 安装 。 使用python3 -

1.可以进行分类任务直接运行 2.有数据集一个17类花分类数据集 3.可以训练自己的数据集 4.可以根据配置文件配置mobilenetV1或者V2或者V3

1.基于RNN的神经网络 2.对于“记忆”的进一步优化 3.”门“结构 1.一些准备工作 2.搭建LSTM单元 3.运行测试

弱监督定位调查：使用PyTorch中预先训练的CNN进行弱监督对象定位的各种算法的调查