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。

对应详解博客为<< Pytorch框架学习路径(九：transforms图像增强（一）)>>的链接为https://blog.csdn.net/weixin_54546190/article/details/125126358?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22125126358%22%2C%22source%22%3A%22weixin_54546190%22%7D&ctrtid=hsqhW。博客中会有永久的本人录制的代码讲解视频百度网盘链接。

使用Transformer模型应用于多通道ECG分类任务上，压缩包里有数据集（双通道ECG信号，处理后的信号每个通道长度为152，类别数为2，训练及测试样本数为100）、数据处理代码和模型代码，可以直接运行，准确率达到85%。下载者可以通过修改模型代码，使模型性能更好。 module文件夹里有Transformer模型的各子层代码

convnext的代码-pytorch框架-cv中可以使用