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

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】

这是一个简单的应用LSTM在Pytorch文本分类任务上，使用贝叶斯优化超参数调优。 【配置】 可以在src/constants.py文件中设置各种超参数。 每个变量的说明如下。 注意，对于贝叶斯优化，要调优的超参数应该以元组的形式传递。 你可以将参数设置为一个元组或一个特定的值。 前者意味着该论证将被纳入贝叶斯优化的主题，而后者意味着它不应被纳入。 【操作运行】 参考代码中的项目说明文件，按照说明一步步操作

基于pytorch进行神经网络搭建，前馈神经网络拟合函数y=sinx+exp(-x)

基于resnet 18实现的mnist数字多分类（pytorch 框架）识别准确率96%

来自b站小土堆的pytorch教程，对课程中内容进行了记录，同时也将每篇笔记以博客的形式发布，详见我的博客

Torch.nn模块是Pytorch为神经网络设计的模块化接口，定义了不同的网络层。Torch.nn 利用autograd来定义模型，数据结构为Module。代码运行在Python 3.9.7版本以及Pytorch 1.10版本中。代码均在pycharm上运行，均能完美运行！

使用MNIST数据集训练，对手写数字识别率达99.04％。网络架构、训练过程可视化

用于交通流预测的STTN（时空变压器网络）的PyTorch框架实现（python代码） 用于交通流预测的STTN（时空变压器网络）的PyTorch框架实现（python代码） 用于交通流预测的STTN（时空变压器网络）的PyTorch框架实现（python代码） 用于交通流预测的STTN（时空变压器网络）的PyTorch框架实现（python代码） 用于交通流预测的STTN（时空变压器网络）的PyTorch框架实现（python代码） 用于交通流预测的STTN（时空变压器网络）的PyTorch框架实现（python代码）

MNIST手写数字识别代码，使用Dataset和DataLoader库处理数据，可以通过本代码学习数据的处理过程。 本代码包括了完整的数据加载、模型定义以及训练测试部分，可以正常运行。