torch-geometric 1.6.1在安装使用过程中，必要的四个安装包，torch-cluster、pytorch-scatter、torch-sparse、pytorch-spline-conv，均为whl文件。

内容包含详细注释 代码中有数据集的下载程序: 人工构造简单二分类数据集，两个数据集大小为100，样本特征维度为2，且分别服从均值互为相反数且方差相同的正态分布。两个数据集的样本标签分别为0和1。 Fashion-MNIST数据集，该数据集为一个多类图像分类数据集，包含60000个训练图像样本，10000个测试图像样本。每个样本的数据格式为28*28*1。共10类：dress（连⾐裙）、coat（外套）、 代码内容包括： PyTorch基本操作实验； Torch.nn实现Logistic回归实验、softmax回归实验、实现前馈神经网络（多分类、二分类、回归）； 手动实现Logistic回归实验、softmax回归实验、实现前馈神经网络（多分类、二分类、回归）； 多分类实验torch.nn实现Dropout和多分类实验torch.optim实现L2范数正则化； 对多分类任务中的模型评估隐藏层层数和隐藏单元个数对实验结果的影响；

包含训练代码、预测代码、数据划分代码、网络代码等，采用pytorch框架所写。 代码中包含3D卷积神经网络和支持向量机（SVM）、随机森林（RF）、K最邻近（KNN）这三个机器学习算法。可以随意组合为3DCNN-SVM、3DCNN-RF、3DCNN-KNN。代码清晰，便于理解。也可单独训练3DCNN或者机器学习。

Axial-DeepLab（ECCV 2020，聚光灯） 这是正在进行的PyTorch重新实现。重新实现主要是由一位了不起的高中生。 @inproceedings { wang2020axial , title = { Axial-DeepLab: Stand-Alone Axial-Attention for Panoptic Segmentation } , author = { Wang, Huiyu and Zhu, Yukun and Green, Bradley and Adam, Hartwig and Yuille, Alan and Chen, Liang-Chieh } , booktitle = { European Conference on Computer Vision (ECCV) } , year = { 2020 } } 当前，仅支持使用

这个是mini-imagenet-cache-train.pkl文件 DeepMind团队首次将miniImageNet数据集用于小样本学习研究，从此miniImageNet成为了元学习和小样本领域的基准数据集。DeepMind的那篇小样本学习的论文就是大名鼎鼎的Matching Network的来源: Matching Networks for One Shot Learning 。 miniImageNet包含100类共60000张彩色图片，其中每类有600个样本，每张图片的规格为84 × 84 84 \times 8484×84。通常而言,这个数据集的训练集和测试集的类别划分为：80 : 20 80:2080:20。相比于CIFAR10数据集，miniImageNet数据集更加复杂，但更适合进行原型设计和实验研究。

这是Anaconda软件和pytorch下载教程，适用于准备入门机器学习的小白。写的非常详细，本教程是用电脑的cpu来运行代码的，适用于小数据集的运行，不适用于大数据集，因为cpu速度慢

数据为网络爬取，香烟部分，可用于抽烟行为识别，任务属性等任务。数据总量3W+（持续增加），包括部分私有数据，可训练baseline用，更多数据邮件联系yuanc000000@gmail.com

Pre-trained models are available here. All models are trained on Kinetics-700 (K), Moments in Time (M), STAIR-Actions (S), or merged datasets of them (KM, KS, MS, KMS).

pytorch改变tensor维度 Approach 1: add dimension with None Approach 2: unsqueeze Approach 3: view Approach 4: reshape Approach 5: resize_ 如果只想添加一个维度（例如，为批次添加第0个维度），则使用unsqueze（0）。如果要完全改变维度，请使用reshape（）。

机场数据集停机坪数据集500张sample，共5万(持续增加中)。主要是飞机，人车的目标检测。适用于民航安全，跑道安全，人车入侵识别；候机楼，地勤保障，航班全流程节点功能的实现和智慧机场的建设。更多数据邮件联系yuanc000000@gmail.com