基于PyQt5+SRnet+SSDP网络实现图像隐写分析以及隐写去除_pytorch源码+项目说明.zip 项目主要任务为实现图像隐写分析以及隐写去除，其中隐写分析采用SRNet网络模型，隐写去除采用DDSP网络模型。 ​ 项目中有4个文件夹，分别为: 0.SRNet、1.GUI、2.DDSP、3.SRNet 其中0.SRNet为图像隐写分析，使用Jessica教授的官方源码，框架为tensorflow；1.GUI为隐写嵌入以及隐写分析可视化演示系统，由PyQ5实现；2.DDSP为图像隐写去除，pytorch实现；3.SRNet为图像隐写分析，pytorch实现。其中自己复现的SRNet网络模型其性能弱于官方代码。 本项目隐写分析中使用的隐写术为: S-UNIWARD、HUGO、WOW三种图像空域隐写算法，采用的隐写嵌入率为：0.4bpp、0.7bpp和1.0bpp三种。 为了更好的演示如何实现隐写嵌入和隐写分析，使用PyQt5编写了可视化界面，调用现有的隐写术和训练好的隐写分析模型进行操作。

改进yolov5(多检测头+注意力机制+repvgg结构)pytorch源码+项目说明.zip 集成yolov5(v6.0), 注意力机制， 和repvgg结构 添加了多头检测代码，使用train_multiple_detection_head.py文件进行训练 添加了检测+关键点代码，使用train_key_point.py文件进行训练

Attention is all you need 解读及详细代码，每个模块都有注释，代码详细易懂。哈佛出品，值得阅读。Transformer最基本的结构，也是BERT的基本结构，NLP和推荐都需要用到。

获取Fashion-MNIST训练集和读取数据 在介绍softmax回归的实现前我们先引入一个多类图像分类数据集。它将在后面的章节中被多次使用，以方便我们观察比较算法之间在模型精度和计算效率上的区别。图像分类数据集中最常用的是手写数字识别数据集MNIST[1]。但大部分模型在MNIST上的分类精度都超过了95%。为了更直观地观察算法之间的差异，我们将使用一个图像内容更加复杂的数据集Fashion-MNIST[2]。 我这里我们会使用torchvision包，它是服务于PyTorch深度学习框架的，主要用来构建计算机视觉模型。torchvision主要由以下几部分构成： torchvision.

该存储库提供了CliqueNet的pytorch重新实现，原始纸的网站在。 在此实现中，测试是在CIFAR-10数据集上完成的。 与执行纸质声明有几种不同。 我们使用后激活的conv-bn-relu而不是预激活的bn-relu-conv 我们采用注意力转移和压缩的策略，但没有采用集团内的瓶颈 我们为随机翻转提供了一个简单的数据增强选项 要求 我们的代码基于pytorch的最新版本，请访问以安装最新版本。 用法 要在CIFAR-10上训练单簧管，请参考以下命令： python main.py [-h] [-batch_size BATCH_SIZE] [-num_epochs NUM_EPOCHS] [-lr LR] [-clip CLIP] [-disable_cuda] [-augmentation] [-print_f

解压之后直接激活使用，不需要自己配置深度学习环境【超便捷】

PYTORCH深度学习入门与实战 案例视频精讲_14770540.pdf

https://download.csdn.net/download/weixin_32759777/12545262 这个项目的数据集

对应文章https://blog.csdn.net/taifyang/article/details/124257666

对应文章https://blog.csdn.net/taifyang/article/details/124332344