MobileNet_V1_SSD网络的VOC预训练模型

facenet（https://github.com/davidsandberg/facenet）使用到的训练好的神经网络模型数据

100 Chinese Word Vectors 上百种预训练中文词向量

深语音 使用来自Deepspeech的预训练模型将语音演示为文本 pyaudio的Windows问题 pip install pipwin pipwin install pyaudio

当神经网络具有许多参数时，它们的效果最佳，这使它们成为功能强大的函数逼近器。但是，这意味着必须对非常大的数据集进行训练。由于从头开始训练模型可能是一个非常耗费计算量的过程，需要几天甚至几周的时间，因此，这里提供了各种预先训练的模型供大家下载！

有能力和有耐心的可以去这里下载: https://download.pytorch.org/models/resnet101-5d3b4d8f.pth

NFNet Pytorch实施 此回购包含来自未经归一化的高性能大型图像识别论文的，具有ImageNet高精度的预训练NFNet模型F0-F6。 小型模型的精度与EfficientNet-B7一样，但训练速度快了8.7倍。 大型模型在ImageNet上设置了新的SOTA top-1精度。 NFNet F0 F1 F2 F3 F4 F5 F6 + SAM 最高为1的准确性Brock等人。 83.6 84.7 85.1 85.7 85.9 86.0 86.5 此实现的Top-1精度 82.82 84.63 84.90 85.46 85.66 85.62 待定 所有学分归的作者所有。 该在很大程度上受到其在出色的JAX实现的启发。 拜访他们的回购网站以作参考。 开始吧 git clone https://github.com/benjs/nfnet

使用PyTorch对预训练的卷积神经网络进行微调。 产品特点 可以访问ImageNet上经过预训练的最受欢迎的CNN架构。 自动替换网络顶部的分类器，使您可以使用具有不同类数的数据集训练网络。 使您可以使用任何分辨率的图像（不仅限于在ImageNet上用于训练原始模型的分辨率）。 允许添加一个Dropout层或一个自定义池层。 支持的架构和模型 从包中： ResNet（ resnet18 ， resnet34 ， resnet50 ， resnet101 ， resnet152 ） ResNeXt（ resnext50_32x4d ， resnext101_32x8d ） Dens

DeepLabv3Plus-Pytorch DeepLabv3，DeepLabv3 +和VOC和Cityscapes上的预训练权重。 可用架构 使用“ --model ARCH_NAME”指定模型体系结构，并使用“ --output_stride OUTPUT_STRIDE”设置输出步幅。 DeepLabV3 DeepLabV3 + deeplabv3_resnet50 deeplabv3plus_resnet50 deeplabv3_resnet101 deeplabv3plus_resnet101 deeplabv3_mobilenet deeplabv3plus_mobilenet 可用型号： ， 加载预训练的模型： model . load_state_dict ( torch . load ( CKPT_PATH )[ 'model_state' ] )

视觉变压器-火炬 视觉变压器的Pytorch实现。 提供了预先训练的pytorch权重，这些权重是从原始jax /亚麻权重转换而来的。 这是和的项目。 介绍 Pytorch实施的论文 。 我们提供从预训练的jax /亚麻模型转换而来的预训练的pytorch权重。 我们还提供微调和评估脚本。 获得了与类似的结果。 安装 创建环境： conda create --name vit --file requirements.txt conda activate vit 可用型号 我们提供，这些是从原始jax / flax wieghts转换而来的。 您可以下载它们并将文件放在“ weights / pytorch”下以使用它们。 否则，您可以下载，并将这些帧放在“ weights / jax”下以使用它们。 我们将在线为您转换权重。 数据集 当前支持三个数据集：ImageNet2012，CI