马普里 这是一个多代理项目（commnet ） pytorch用于多代理粒子环境“ simple_spread”（ ） 推理： 通讯网： Bicnet： Maddpg： 训练曲线： 如何使用 点安装-r requirements.txt cd MAProj /算法 python ma_main.py --algo maddpg --mode火车 待办事项清单 受过更多地图训练 修复图形内存泄漏 博客链接 https://zhuanlan.zhihu.com/p/143776727

这是visdom安装失败的第二种解决方案，关于第一种解决方案以及详细使用步骤，可参考博客：https://blog.csdn.net/didi_ya/article/details/108364679

MoCo：用于无监督视觉表示学习的动量对比 这是MoCo的PyTorch实现： @Article{he2019moco, author = {Kaiming He and Haoqi Fan and Yuxin Wu and Saining Xie and Ross Girshick}, title = {Momentum Contrast for Unsupervised Visual Representation Learning}, journal = {arXiv preprint arXiv:1911.05722}, year = {2019}, } 它还包括的实施： @Article{chen2020mocov2, author = {Xinlei Chen and Haoqi Fan and Ross Girshick and Kaimi

d2l_zh 《动手学深度学习》第二版PyTorch版本 运行环境：Google Colab

关于PyTorch 1.2.0 现在，master分支默认支持PyTorch 1.2.0。 由于严重的版本问题（尤其是torch.utils.data.dataloader），MDSR功能被暂时禁用。 如果您必须训练/评估MDSR模型，请使用旧版分支。 EDSR-PyTorch 关于PyTorch 1.1.0 1.1.0更新进行了较小的更改。 现在，我们默认情况下支持PyTorch 1.1.0，如果您喜欢旧版本，请使用旧版分支。 该存储库是CVPRW 2017，第二版NTIRE的PyTorch官方实现，其论文为“用于单图像超分辨率的增强型深度残差网络” 。 您可以从找到原始代码和更多信息。 如果您发现我们的工作对您的研究或出版物有用，请引用我们的工作： [1] Bee Lim，Sanghyun Son，Heewon Kim，Seungjun Nah和Kyoung Mu Lee

pytorch-fcn Pytorch实现 要求 火炬0.31 python 3.5

基于pytorch的垃圾分类，带训练模型和数据集的下载链接！ 多达200类别-垃圾分类！ 附带5种先进的图像分类网络！ 代码支持知识蒸馏，里面有详细的教程！ 代码里面还有50+种模型选择，支持对比实验，每个模型都支持Imagenet预训练权重，详细请看代码里面的Readme！！

训练模型主要分为五个模块：启动器、自定义数据加载器、网络模型、学习率/损失率调整以及训练可视化。

support for： ONNX (.onnx, .pb, .pbtxt), Keras (.h5, .keras), CoreML (.mlmodel), Caffe2 (predict_net.pb, predict_net.pbtxt), MXNet (.model, -symbol.json) TensorFlow Lite (.tflite). experimental support for ： Caffe (.caffemodel, .prototxt), PyTorch (.pth), Torch (.t7), CNTK (.model, .cntk), PaddlePaddle (model), Darknet (.cfg), scikit-learn (.pkl), TensorFlow.js (model.json, .pb) TensorFlow (.pb, .meta, .pbtxt).

欧氏距离matlab代码Tensorflow_Pytorch_Sinkhorn_OT 用于计算两个离散分布之间的最佳运输（OT）距离的Sinkhorn算法[1]的Tensorflow（1.0或2.0）和Pytorch实现。 概述 这些实现是从Cuturi到Tensorflow和Pytorch的改编，它们能够利用其自动差异功能和在GPU上运行的能力。 这些实现并行计算N对离散分布对（即，概率向量）之间的OT距离。 它对应于Cuturi实施中的“ N倍1-vs-1模式”。 输入 a ：D_1×N矩阵，每列是D_1维（规格化）概率向量。 b ：D_2×N矩阵，每列是D_2维（规格化）概率向量。 M ：D_1×D_2矩阵，成本函数正，对角线应为零。 lambda_sh, numItermax, stopThr ：算法的参数，与Cuturi的实现相同。 a, b, M是Tensorflow或Pytorch的张量，因此，反向传播适用。 输出 该算法输出一个N维矢量，第n个元素是a[:,n]与b[:,n]之间的（近似）OT距离。 测试 在test.py文件中，提供了Cuturi的Matlab实现与我