非官方的PyTorch实现 Kevin Clark的。 Minh-Thang Luong。 Quoc V. Le。 克里斯托弗·曼宁 复制结果 我从头开始对ELECTRA-small进行了预培训，并已在GLUE上成功复制了论文的结果。 模型 可乐 SST MRPC STS QQP MNLI 秦皇岛 RTE 平均的平均值 电子小OWT 56.8 88.3 87.4 86.8 88.3 78.9 87.9 68.5 80.36 ELECTRA-Small-OWT（我） 58.72 88.03 86.04 86.16 88.63 80.4 87.45

我们将在PyTorch中构建一个简单的卷积神经网络，并使用MNIST数据集训练它识别手写数字。在MNIST数据集上训练分类器可以看作是图像识别的“hello world”。

使用pytorch搭建的简单的LSTM多变量多输出时间序列预测的使用例。 生成了多个以sinx、cosx、tanx构成的序列，使用[i:i+50]的数据预测[i+51]的数据。x是步长为0.1的等差数列

CodeSnippetSearch CodeSnippetSearch是一个Web应用程序和一个Web扩展，允许您使用自然语言查询和代码本身搜索GitHub存储库。 它基于使用PyTorch和项目中的数据的单词代码搜索实现的神经袋。 模型培训代码受到CodeSearchNet存储库中基线（Tensorflow）实现的极大启发。 当前，支持Python，Java，Go，Php，Javascript和Ruby编程语言。 有用的论文： 型号说明 模型结构 项目结构 code_search ：一个带有脚本的Python包，用于准备数据，训练语言模型并保存嵌入 code_search_web ：CodeSnippetSearch网站Django项目 serialized_data ：在训练期间存储中间对象（文档，词汇表，模型，嵌入等） codesearchnet_data ：来自CodeSe

对Pytroch版本的代码做了整理，直接点击train.py即可完成训练。

Deep-Learning-with-Pytorch

多GPU启动指令说明： 1.如果要使用train_multi_gpu_using_launch.py脚本，使用以下指令启动 python -m torch.distributed.launch --nproc_per_node=8 --use_env train_multi_gpu_using_launch.py其中nproc_per_node为并行GPU的数量

BERT手把手实现分类任务-Pytorch

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

新的培训策略 我发布了一种新的训练策略，该方法可以减少色偏，从而有助于应对随机面罩训练，而这大约需要30％的训练时间。 当我们执行脸部插入时，这是非常有用的。 设置--which_model_netG='face_unet_shift_triple'和--model='face_shiftnet'和--batchSize=1来执行该策略。 参见下面的一些示例，当在面部数据集上使用随机蒙版进行训练时，许多方法都会遭受这种color shifting困扰。 输入 纳维·Shift 翻转移位 真相 注意：当您使用face_flip training strategy ，它有一些小缺点： 与原始移位相比，它不是完全平行的。 它只能在'cpu'或单个gpu上进行训练，批大小必须为1，否则会发生错误。 如果您想克服这些缺点，可以参考原始班次进行优化。 这并不困难，但是我没有时间去做。 建