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

搭建LSTM网络的情感分类网络，加载预训练的word2vec语言模型参数，在IMDB训练数据集上进行模型训练，获得最优分类模型，并在IMDB测试数据集上进行测试，将训练和测试结果进行可视化展示。

用于人类活动识别的深度学习 深度学习可能是人类活动识别最近的未来。 虽然现有的非深度方法有很多，但我们仍然想释放深度学习的全部力量。 这个 repo 提供了一个使用深度学习来执行人类活动识别的演示。 我们同时支持 Tensorflow 和 Pytorch。 先决条件 Python 3.x 麻木 Tensorflow 或 Pytorch 1.0+ 数据集 有许多用于人类活动识别的公共数据集。 您可以参考这篇调查文章以了解更多信息。 在本演示中，我们将使用 UCI HAR 数据集作为示例。 这个数据集可以在找到。 当然，这个数据集在放入网络之前需要进一步的预处理。 我还提供了数据集的预处理版本作为.npz文件，以便您可以专注于网络（在下载）。 还强烈建议您下载数据集，以便您可以自己体验所有过程。 ＃主题 ＃活动 频率 30 6 50赫兹 用法 对于 Pytorch（推荐），进入p

[PYTORCH]扮演超级马里奥兄弟的非同步优势演员评判（A3C） 介绍 这是我的python源代码，用于训练特工玩超级马里奥兄弟。 通过使用纸异步方法用于深强化学习引入异步优势演员，评论家（A3C）算法。 样品结果 动机 在我实施该项目之前，有多个存储库可以很好地重现本文的结果，这些存储库可以在Tensorflow，Keras和Pytorch等不同的常见深度学习框架中进行。 我认为，其中大多数都很棒。 但是，它们似乎在许多方面都过于复杂，包括图像的预处理，环境设置和权重初始化，这使用户的注意力从更重要的事情上转移了。 因此，我决定编写更简洁的代码，以简化不重要的部分，同时仍然严格

MASR的V2版本训练Conformer模型文件，使用Fbank，Pytorch，训练数据为超大数据集，13000+小时。 源码地址：https://github.com/yeyupiaoling/MASR