深度学习作业_基于pytorch框架python实现手写数字识别完整源码+代码注释+实验报告.zip 使用MNIST手写数字体数据集进行训练和预测，实现测试集准确率达到98%及以上。本实验的目的： 掌握卷积神经网络基本原理，以LeNet为例 掌握主流框架的基本用法以及构建卷积神经网络的基本操作 了解如何使用GPU

深度学习作业_基于pytorch框架python实现自动写诗完整源码+代码注释.zip 自动写诗，使用tang.npz，使用深度学习框架Pytorch，最终实现一个可以自动写诗的程序。本实验的目的如下： 理解和掌握循环神经网络概念及在深度学习框架中的实现 掌握使用深度学习框架进行文本生成任务的基本流程：如数据读取、构造网络、训练和预测等

ssd300_mAP_77.43_v2.pth

使用CNN完成MNIST手写体识别(pytorch).py

基于Pytorch框架自定义7层卷积神经网络模型实现垃圾分类系统源码+数据集+项目说明（人工智能期末作业）.zip 垃圾分类 实验要求： 利用深度学习模型完成垃圾分类 图片数据集来源：https://momodel.cn/explore/5d411ace1afd9427c236eab5?type=dataset Result： 使用 PyTorch 自定义 7 层卷积神经网络加 2 层全连接层的分类模型

深度连续局部学习的突触可塑性动力学 (DECOLLE) 此回购包含了一个教程实施中出现的DECOLLE学习规则的。 如果您在科学出版物中使用此代码，请在您的参考书目中包含以下参考： @article{kaiser2018synaptic, title={Synaptic Plasticity Dynamics for Deep Continuous Local Learning (DECOLLE)}, author={Kaiser, Jacques and Mostafa, Hesham and Neftci, Emre}, journal={arXiv preprint arXiv:1811.10766}, year={2018} } 讲解 教程下的第一个 notebook 是独立的，除了 snn_utils.py。 提供了在 PyTorch 中设置尖峰神经网络和

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