图片分类网络入门练手。在CIFAR10数据集上训练一个分类器的过程包含了神经网络的主要步骤： 1. 加载训练和测试数据集 2. 定义卷积神经网络 3. 定义损失函数 4. 训练神经网络 5. 在测试数据上测试训练好的网络

Pytorch-文本匹配 这是用于文本匹配的代码，所有Deep模型都在pytorch平台上运行 这是一个关于对的竞赛 环境 python 3.6或python 3.5 pytorch 0.4.0 for cpu或gpu（此代码主要在cpu上运行） tqdm scikit学习 代码组织 data用于保存训练，测试，词嵌入矢量或临时文件model用于保存各种Deep模型stacking用于将预测结果保存在各种模型的验证集中data_propresse用于预处理数据submit用于保存提交文件 数据预处理 在目录data_propresse运行文件runme.py 火车 运行文件train.py 合奏 运行文件ensemble2.py

ContourNet：进一步朝着准确任意形状的场景文本检测迈进 这是纸类 （CVPR2020）的基于pytorch的实现。 ContourNet是基于轮廓的文本检测器，它使用一组轮廓点表示文本区域。该存储库建立在pytorch 。 待办事项清单 发行码 安装文件 训练有素的模特 测试和培训文件 评估 在更多数据集上进行实验 重新整理并清理参数 更新 2020/5/6 We upload the models on Drive. 2020/6/11 We update the experiment for CTW-1500 and further detail some training settings. 2020/12/1 We finished 8th in the Xunfei Competition with this repository using only single mo

Pytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zip Pytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码.zipPytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项

在pytorch环境搭建Attention_biLSTM模型，python版本3.7，实现NLP情感分类，内含测试数据，可直接运行

基于Pytorch+resnet50的农作物病虫害识别分类项目源码+病害数据集+项目说明文档.zip 【数据增强】 data_aug.py 用于线下数据增强，支持的增强方式： 高斯噪声 亮度变化 左右翻转 上下翻转 色彩抖动 对比度变化 锐度变化 【使用方法】 第一步：将测试集图片复制到 data/test/ 下 第二步：将训练集合验证集中的图片都复制到 data/temp/images/ 下，将两个 json 文件放到 data/temp/labels/ 下 执行 move.py 文件 执行 main.py 进行训练

OpenNMT-py：开源神经机器翻译这是OpenNMT（一种开源（MIT）神经机器翻译系统）的Pytorch端口。 它的设计宗旨是便于研究，以便尝试翻译，摘要，OpenNMT-py中的新思想：开源神经机器翻译这是开源（MIT）神经机器翻译系统OpenNMT的PyTorch端口。 它旨在便于研究，以尝试在翻译，摘要，图像到文本，形态学和许多其他领域中的新思想。 一些公司已经证明该代码已可以投入生产。 我们热爱贡献。 请在“问题”页面上查阅“ Contributions Welcome”标记的帖子。 提出问题之前，请确保您已阅读要求a

杂草作物图像数据集，它包括2822张图片。以YOLO v5 PyTorch格式进行注释。分为作物和杂草两个文件夹， 杂草作物图像数据集，它包括2822张图片。以YOLO v5 PyTorch格式进行注释。分为作物和杂草两个文件夹， 杂草作物图像数据集，它包括2822张图片。以YOLO v5 PyTorch格式进行注释。分为作物和杂草两个文件夹，

有关代码的信息和说明 要运行代码，需要Python 3.6和PyTorch 0.2 培训代码位于文件mtl_learning.py而测试代码位于文件mtl_testing.py mtl_learning.py的代码mtl_learning.py是自我记录的 为了进行训练，数据集应该在pickles/目录中以pickle文件的形式出现。 嵌入文件应位于data/目录中。 如果重新加载模型并继续训练，则应将模型放置在reloads/目录中。 当所有必要的文件和数据都存在时，只需运行python mtl_learning.py进行培训，然后运行python mtl_testing.py进行测试。 培训的输出将显示在名为test_output.txt的文件中，而测试的outputs.txt将显示在test_output.txt 学分 该项目的灵感来自Pasunuru等人（2017）的工作

基于PyTorch实现MCNN基于PyTorch实现MCNN完成人群计数任务——数据集.zip人群计数任务——数据集.zip