深度照片增强器的Pytorch实现 该项目基于论文《深度照片增强器：使用GAN进行照片增强的不成对学习》。 作者的项目地址为： 我的代码基于 中文文档说明请看 要求 Python 3.6 CUDA 10.0 要安装的要求： pip install -r requirements.txt 先决条件 数据 Expert-C 资料夹 所有超参数都在libs\constant.py 所有这些额外的饲料都是通过调用 python directory_strcture.py 需要创建一些文件夹，只需调用python directory_structure.py即可： images_LR ：用于存储数据集 Expert-C input 在以上两个文件夹的每个文件夹中，需要创建以下三个新文件夹： Testing Training1 Training2 models ：用于存储所

文件夹说明： 1. ./divert -- 全部进行像素反转后的 60000 张训练集图片； 2. ./divert_test -- 全部进行像素反转后的 60000 张测试集图片； 3. ./rotate -- 全部进行图像旋转后的 60000 张训练集图片； 4. ./rotate_test -- 全部进行图像旋转后的 60000 张测试集图片； 5. ./divert_and_rotate -- 像素反转后的 30000 张训练集图片 + 图像旋转后的 30000 张训练集图片； 6. ./divert_and_rotate_test -- 像素反转后的 30000 张测试集图片 + 图像旋转后的 30000 张测试集图片； 7. ./raw -- 手动创建的测试集图片，1-9 没有进行旋转，r1-r9 进行了不同角度的旋转 8. label_train.txt -- 训练集 label 9. label_test.txt -- 测试集label

人脸识别pt模型，模型准确率98%以上

气温预测项目数据集，用于机器学习回归任务入门案例使用。

图卷积网络 | PyTorch实现图卷积网络（GCN、GAT、Chebnet）的交通流量预测 > 交通流量预测。图卷积网络（GCN、GAT、Chebnet）的实现 用PyTorch实现 > > 要求 > > - Pytorch > > - Numpy > > - Pandas > > - Matplotlib > > 数据集实例： > > 这些数据集由加州交通局性能测量系统（PEMS-04）收集。 > > 数量：307个检测器 > 特点:流量、占用、速度。 > > 探测数据分析。 > > 1.有三个特征:流量、占有率和速度。首先，我们对数据分布进行可视化分析 > > 2.运行代码：python data_view.py > > 3.每个节点（检测器）都有三个特征，但两个特征的数据分布基本上是静止的，所以我们只取第一维特征。 > > 读取数据集。 > > 在traffic_dataset.py文件中，get_adjacent_matrix和get_flow_data函数是用来读取相邻矩阵和流量数据。 > > 模型训练。 > > 在traffic_predi

机器学习与数据挖掘实验三：基于 Resnet，VGG，GoogLeNet的海面舰船图像分类，采用pytorch实现，包含数据集，三种网络实现图像分类源代码，gradcam可解释性分析代码。

Win11系统/RTX30系列显卡——安装gpu版pytorch完整教程

nerf_pl 更新： （狂野的NeRF）实现已添加到分支！ 更新：最新的代码（使用最新的库）将更新到分支。 master分支仍然支持colab文件。如果不使用colab，建议切换到dev分支。 目前只会考虑dev和nerfw分支的问题。 :gem_stone:（实时演示！） 使用pytorch（ ）非官方实现 （神经辐射场）。这个仓库不是以重现性为目标，而是旨在提供一个更简单，更快速的培训过程（也就是带有详细注释的更简单的代码，以帮助您理解工作）。此外，我尝试通过将此算法集成到Unity等游戏引擎中来扩展更多的机会。 官方实现： ..参考pytorch实现： 推荐阅读：详细的NeRF扩展列表： :milky_way:特征 多GPU培训：针对合成数据集，在1小时内完成了8个GPU的培训！ 可轻松使用笔记本！ 彩色网格！ Unity中的！ Unity中的！ ，让您与其他人的场景一起玩！ 您可以在找到包括网格，混合

【深度学习】基于YOLOv5的交通标志识别系统-gtsdb.zip 使用YOLOv5进行交通标志识别，并使用PyQt5制作了一个简易的可视化界面。使用的数据集为gtsdb，该数据量较少，仅用于测试实验使用。详细说明可见本人关于该系统的博客。

受成分限制的基于注意力的网络（CrabNet） 该软件包实现了成分受限的基于注意力的网络（ CrabNet ），该网络仅采用成分信息来预测材料特性。 目录 如何引用 安装 复制出版物结果 使用CrabNet或DenseNet训练或预测材料属性 如何引用 如果要使用CrabNet请引用以下工作： (insert BibTeX citation) 安装 此代码使用PyTorch创建神经网络模型。 为了进行快速的模型训练和推理，建议您使用带有最新驱动程序的NVIDIA GPU。 Windows用户应该可以按照以下步骤通过Anaconda安装所有必需的Python软件包。 Linux用户还需要