深度照片增强器的Pytorch实现 该项目基于论文《深度照片增强器：使用GAN进行照片增强的不成对学习》。 作者的项目地址为： 我的代码基于 中文文档说明请看 要求 Python 3.6 CUDA 10.0 要安装的要求： pip install -r requirements.txt 先决条件 数据 Expert-C 资料夹 所有超参数都在libs\constant.py 需要创建一些文件夹： images_LR ：用于存储数据集 Expert-C input 在以上两个文件夹的每个文件夹中，需要创建以下三个新文件夹： Testing Training1 Training2 models ：用于存储所有训练生成的文件： gt_images input_images pretrain_checkpoint pretrain_images test_ima

海豹 ⠀ ⠀⠀ 半监督图分类的PyTorch实现：分层图透视（WWW 2019） 抽象的 节点分类和图分类是两个图学习问题，它们分别预测节点的类标签和图的类标签。 图的节点通常代表现实世界的实体，例如，社交网络中的用户或蛋白质-蛋白质相互作用网络中的蛋白质。 在这项工作中，我们考虑一个更具挑战性但实际上有用的设置，其中节点本身是一个图实例。 这导致了分层图的透视图，这种透视图出现在许多领域中，例如社交网络，生物网络和文档收集。 例如，在社交网络中，一群具有共同兴趣的人形成一个用户组，而许多用户组则通过交互或普通成员相互连接。 我们在层次图中研究节点分类问题，其中“节点”是图实例，例如上述示例中的用户组。 由于标签通常受限于实际数据，因此我们通过谨慎/主动迭代（或简称SEAL-C / AI）设计了两种新颖的半监督解决方案，称为半监督图分类。 SEAL-C / AI采用了一个迭代框架，该框

PyTorch中的广泛残留网络（WideResNets） 在PyTorch中实现的CIFAR10 / 100的WideResNets。 此实现所需的GPU内存少于官方Torch实现所需的GPU内存： : 。 例子： python train.py --dataset cifar100 --layers 40 --widen-factor 4 致谢 宽余网络（BMVC 2016） ，作者：Sergey Zagoruyko和Nikos Komodakis。

Efficient Deep Learning.rar

Mech-Eye Deep 结构图

闪光 链接到项目： : Flash是一个端到端的深度学习平台，允许用户在短短几分钟内创建，训练和部署自己的神经网络模型，而无需编写任何代码。 该平台当前支持两种类型的任务： 影像分类 通过使用它们来训练ResNet-34或MobileNet v2模型来对您自己的数据集中的图像进行分类。 培训通过转移学习进行，其中可用的模型将在ImageNet数据集上进行预训练。 情绪分析 通过在您自己的数据集上训练基于LSTM或GRU的顺序模型，从句子中预测情感。 将从头开始训练模型。 这个怎么运作 使用Flash很容易。 只需单击几下，您就可以自动训练和部署模型。 您只需要选择模型并上传数据集，就可以了。 无需任何代码或经验。 训练 要训​​练模型，您必须上传自己的数据集并选择模型参数。 根据数据集的大小，模型可能需要3到10分钟左右的时间来训练和部署模型。 上传配置后，平台将为您分配一个唯

Mech-Eye Deep技术规格

裂缝的 Unet 语义分割 使用 PyTorch、OpenCV、ONNX 运行时的实时裂缝分割 依存关系： 火炬 OpenCV ONNX 运行时 CUDA >= 9.0 指示： 1.使用您的数据集训练模型并在supervisely.ly上使用unet_train.py保存模型权重（.pt文件） 2.使用pytorch_to_onnx.py将模型权重转换为ONNX格式 3.使用crack_det_new.py获取实时推理 裂纹分割模型文件可点击此下载 结果： 图表：

使用pytorch搭建的简单的LSTM多变量多输出时间序列预测的使用例。 生成了多个以sinx、cosx、tanx构成的序列，使用[i:i+50]的数据预测[i+51]的数据。x是步长为0.1的等差数列 作者初学时用来当说明文档使用，程序适合初学者捣鼓，注释写的很详细了

论文阅读笔记 Xie_Deep Learning Enabled Semantic Communication System 共计9页，详细手写