机器学习之神经网络的公式推导与python代码（手写+pytorch）实现 神经网络使用手写数字数据集分别采用纯python代码实现+pytorch框架实现（1.10） 资源包含两份可执行Python代码+完整数据集+讲解PPT

pytorch版本的 ECNDNet，bug已经调好了，包含三种噪声下的模型，可直接使用，可对图片和视频去噪

https://drive.google.com/drive/folders/1jIr8dkvefrQmv737fFm2isiT6tqpbTbv

自己实现的img2col_C++代码+测试代码+pytorch_python验证代码，支持原图任意尺寸的像素输入，支持任意padding值，支持任意stride值，支持多个卷积核且卷积核可为任意size，支持存在常数bias。

手把手实现VAE（pytorch)

目标检测yolo系列python3.9环境依赖包全集 提供给离线服务器安装包torch-1.10.1+cu113-cp39-cp39-linux_x86_64 torchvision-0.12.0+cu113-cp39-cp39-linux_x86_64 torchaudio-0.11.0+cu113-cp39-cp39-linux_x86_64

直接将该压缩包下载后解压再anaconda安装目录下的envs文件夹下即可，参照上一篇anaconda配置pytorch的教程。简单省心省力。

深度学习框架pytorch入门与实践源代码 的案例非常入门易懂，总结概况清晰

在为数据分类训练分类器的时候，比如猫狗分类时，我们经常会使用pytorch的ImageFolder: CLASS torchvision.datasets.ImageFolder(root, transform=None, target_transform=None, loader=, is_valid_file=None) 使用可见pytorch torchvision.ImageFolder的用法介绍 这里想实现的是如果想要覆写该函数，即能使用它的特性，又可以实现自己的功能 首先先分析下其源代码： IMG_EXTENSIONS = [

一、背景 在“搞”深度学习时，除非富如东海，往往都不会直接用大量数据来训练一个网络；一般情况下，比较省钱且高效的思路是利用一些预训练的模型，并在其基础上进行再训练优化，达到自己的目的。 因此，在本博客中将简单记录一下，如何在PyTorch基础上读取预训练模型的参数，并添加到自己的模型中去，从而尽可能减少自己的计算量。 为了直接讲明整个过程，本文设计了一个实验，首先设计了一个网络，其前半部分与FlowNetSimple的Encode一致，后半部分是全连接的分类网络。 下图是FlowNetSimple的网络结构，其中的refinement部分是Decode结构（类似UNet） 本文设计的结构，其