tensorflow,pytorch学习资料

韩国FastSpeech 2-Pytorch实施 介绍 随着基于深度学习的语音合成技术的最新发展，提出了一种非自回归语音合成模型，以提高自回归模型的慢速语音合成速度。 FastSpeech2是一种非自回归语音合成模型，它从蒙特利尔强制对齐器（M. McAuliffe等，2017）中提取通过提取音素（话音）对齐而获得的时长信息，并预测每个音素的时长。为此。 基于预测的持续时间来确定音素话语对准，并且基于该持续时间来生成与音素相对应的语音。 因此，要学习FastSpeech2，需要在MFA中学习的音素发音对齐信息。 该项目是Microsoft的实现，可在。 此源代码基于ming024的代码，并通过使用提取持续时间来实现。 该项目提供以下贡献。 使它适用于kss数据集的源代码 从蒙特利尔强制对齐器（TextGrid）提取的kss数据集的文本发音持续时间信息 在kss数据集上训练的FastS

边做边学！PyTorch开发深度学习 支持库。 1.本文档中处理的任务内容和深度学习模型 第1章图像分类和迁移学习（VGG） 第2章对象识别（SSD） 第3章语义分割（PSPNet） 第4章姿势估计（OpenPose） 第5章GAN的图像生成（DCGAN，自我注意GAN） 第6章GAN异常检测（AnoGAN，Efficient GAN） 第7章通过自然语言处理（变压器）进行情感分析 第8章通过自然语言处理（BERT）进行情感分析 第9章视频分类（3DCNN，ECO） 本手册的详细内容在下面分别说明。 2.问题/更正由问题管理 问题和更正在此GitHub问题中进行管理。 如有任何疑问，请单击此处。 3.关于印刷错误 单击此处以获取本书中的印刷错误列表。我很抱歉。

后视体验重播（HER） 这是的pytorch实现。 致谢： 要求 python = 3.5.2 openai-gym = 0.12.5（支持mujoco200，但您需要使用Gym> = 0.12.5，它在以前的版本中有一个错误。） mujoco-py = 1.50.1.56（ 请使用此版本，如果您使用mujoco200，则可能在FetchSlide-v1中失败） pytorch = 1.0.0（如果使用pytorch-0.4.1，则可能会出现数据类型错误。稍后我将对其进行修复。 ） mpi4py 待办事项清单 支持GPU加速-尽管我添加了GPU支持，但是如果您没有强大的计算机，我仍然不建议您使用。 为每个MPI添加多个环境。 添加FetchSlide-v1的图和演示。 指令运行代码 如果要使用GPU，只需添加--cuda标志（不推荐，最好使用CPU） 。 训练FetchR

半监督分层递归图神经网络用于城市范围内的停车位可用性预测 这是SHARE体系结构的Pytorch实现，如论文《。 如果您在研究中利用SHARE模型，请引用以下内容： @article{zhang2019semi, title={Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction}, author={Zhang, Weijia and Liu, Hao and Liu, Yanchi and Zhou, Jingbo and Xiong, Hui}, booktitle={Proceedings of the Thirty-Fourth AAAI Conference on Artificial Intelligen

nanodet source file and version for pytorch

YOLODet-PyTorch是端到端基于pytorch框架复现yolo最新算法的目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的训练、精度速度优化到部署全流程。以模块化的设计实现了多种主流YOLO目标检测算法，并且提供了丰富的数据增强、网络组件、损失函数等模块。

本项目开发了PyTorch Adapter插件，用于昇腾适配PyTorch框架，为使用PyTorch框架的开发者提供昇腾AI处理器的超强算力。用户在准备相关环境进行基于PyTorch框架模型的开发、运行时，可以选择在服务器中手动编译相关模块。

densenet121官方预训练模型，可以用于迁移学习训练

基于改进SSD算法(SE+特征融合)的苹果叶病虫害识别系统源码(pytorch框架)+改进前源码+病害数据集+项目说明.zip 主要改进点如下： 1、替换backbone为Resnet/MobileNet 2、添加一种更加轻量高效的特征融合方式 feature fusion module 3、添加注意力机制 (Squeeze-and-Excitation Module 和 Convolutional Block Attention Module) 4、添加一种解决正负样本不平衡的损失函数Focal Loss 附有苹果叶病害数据集，可训练模型