DETR（DEtection TRansformer）是一种基于Transformer架构的端到端目标检测模型，其主要流程包括： 1. 特征提取：通过卷积神经网络提取输入图像的特征。 2. Transformer编码器：将特征图输入Transformer编码器，利用自注意力机制和全连接层获取位置的上下文信息。 3. 对象查询：引入特殊的“对象”查询向量，指导模型在每个位置关注的对象类别。 4. 解码器：将Transformer编码器的输出作为解码器的输入，通过多层自注意力计算和全连接层计算生成每个位置的对象特征。 5. 对象匹配：将对象特征与所有可能的目标类别进行匹配，产生候选框和得分。 6. 位置预测：为每个候选框产生精确的位置预测。 DETR简化了目标检测流程，无需使用锚框或非极大值抑制，直接输出目标检测结果

深度学习框架，gpu版本的pytorch，在python3.5+ cuda10.0 + cudnn7.6+pytorch1.2.0 gpu_torcvision0.4.0

在colab环境下实现，如果想使用cpu的话 自己换一下device的代码就可以了

使用LSTM实现C-MAPSS数据集里面的剩余寿命预测（Pytorch） 每轮训练后测试集误差 score:445.4610 334.5140 358.6489 365.9250 331.4520 283.3463 460.4766 314.7196 325.5950 452.3746 RMSE:16.3614 14.8254 14.9796 15.5157 14.7853 14.2053 16.2834 14.6757 14.7481 15.8802 由实验结果可知，MS-BLSTM 的预测误差均为最低水平，并且实际训练过程中收敛速度较快，涡扇发动机接近损坏时预测准确率较高。与传统机器学习方法相比，深度学习模型如CNN 和 LSTM的预测误差相对较小。而本文所提的 MS-BLSTM 混合深度学习预测模型进一步提高了 RUL 预测精度,，这得益于 MS-BLSTM 混合模型有效利用了时间段内传感器测量值的均值和方差与RUL的相关性，并使用 BLSTM学习历史数据和未来数据的长程依赖。本文所提的 MS-BLSTM 剩余使用寿命预测模型预测精度高，可有力支撑涡扇发动机的健康管理与运维决策。

PyTorch中的MeshCNN SIGGRAPH 2019 MeshCNN是用于3D三角形网格的通用深度神经网络，可用于诸如3D形状分类或分割之类的任务。 该框架包括直接应用于网格边缘的卷积，池化和解池层。 该代码由和在支持下编写。 入门 安装 克隆此仓库： git clone https://github.com/ranahanocka/MeshCNN.git cd MeshCNN 安装依赖项： 1.2版。 可选： 用于训练图。 通过新的conda环境conda env create -f environment.yml （创建一个名为meshcnn的环境） SHREC上的3D形状分类 下载数据集 bash ./scripts/shrec/get_data.sh 运行训练（如果使用conda env首先激活env，例如source activate meshcnn ） bash ./scripts/shrec/train.sh 要查看训练损失图，请在另一个终端中运行tensorboard --logdir runs并单击 。 运行测试并导出中间池网格： bas

机器学习多层感知器实践完整源代码，MLP识别MNIST手写数字数据集（Pytorch）

日月光华老师 PyTorch深度学习简明教程 课件csv+代码

今天小编就为大家分享一篇PyTorch的SoftMax交叉熵损失和梯度用法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

作为Deep learning领域的model的重要开发工具，pytorch一直以来倍受广大研究人员的好评。以下附上由ML学习初学者公众号领头人黄海广博士翻译的“60分钟入门深度学习工具-PyTorch”，让大家感受不一样的学习节奏。

本资源是本人在使用pytorch过程中知识的总结与积累，主要包括以下内容： 1. 数据预处理 2. 梯度操作 3. 网络模型搭建 4. 保存模型参数 5. GPU使用问题 6. 遇到的巨坑