AOD-Net pytorch数据集：
original_image.zip
training_images.zip
2022-08-31 22:05:56
910.61MB
1
Numpy
wxPython
pytorch
torchvision
PIL
Usage:
$ python StyleTransferGui.py
button: content img:选择内容图片 style img:选择风格图片 Start:启动风格转换程序
Model Choice:选择模型
Preferences->hyper parameter:设置训练超参数
2022-08-31 22:05:54
1003KB
1
更新
2021/03/27:
（1）发布语义分割的预训练模型，其中PointNet++可以达到53.5%的mIoU。
(2) 发布预训练模型用于分类和部分分割log/。
2021/03/20：更新分类代码，包括：
(1) 添加训练ModelNet10数据集的代码。使用--num_category 10.
(2) 添加仅在 CPU 上运行的代码。使用--use_cpu.
(3) 增加离线数据预处理代码，加速训练。使用--process_data.
(4) 添加用于均匀采样训练的代码。使用--use_uniform_sample.
2019/11/26:
(1) 修复了之前代码中的一些错误并增加了数据增强技巧。现在只用1024分就可以达到92.8%！
(2) 增加了测试代码，包括分类和分割，以及可视化的语义分割。
(3) 将所有模型整理成./models文件，方便使用。
2022-08-31 22:05:52
130.98MB
1
Alphafold2-Pytorch（WIP）
要最终成为一个非官方的工作Pytorch实施 ，令人叹为观止的注意网络解决CASP14。 随着体系结构的更多细节发布，将逐步实施。
复制完成后，我打算将所有可用的氨基酸序列在计算机上折叠起来，并作为学术洪流发布，以供进一步科学使用。 如果您对复制工作感兴趣，请在此#alphafold
安装
$ pip install alphafold2-pytorch
用法
像Alphafold-1一样预测分布图，但要注意
import torch
from alphafold2_pytorch import Alphafold2
from alphafold2_pytorch . utils import MDScaling , center_distogram_torch
model = Alphafold2 (
dim = 256 ,
2022-08-30 19:28:37
8.73MB
1
UNet：使用PyTorch进行语义分割
在PyTorch中自定义实施以应对Kaggle的高清图像。
该模型从头开始使用5000张图像进行了训练（无数据增强），并且在超过100k张测试图像上获得了0.988423的（735中的511分）。可以通过更多的培训，数据增强，微调，使用CRF后处理以及在蒙版的边缘上施加更多的权重来提高此分数。
Carvana数据可在上。
用法
注意：使用Python 3.6或更高版本
预言
训练好模型并将其保存到MODEL.pth后，您可以通过CLI轻松测试图像上的输出蒙版。
要预测单个图像并保存，请执行以下操作：
python predict.py -i image.jpg -o output.jpg
要预测多幅图像并显示它们而不保存它们，请执行以下操作：
python predict.py -i image1.jpg image2.jpg --viz -
2022-08-29 21:24:17
21.76MB
1
基于Pytorch实现的深度强化学习DQN算法源代码，具有超详细的注释，已经在诸多项目中得到了实际应用。主要包含2个文件：（1）dqn.py，实现DQN只能体的结构、经验重放池、Q神经网络、学习方法等；（2）runner.py，使用dqn.py中的智能体与环境进行交互与学习，并最终学会仿真月球车着陆游戏。
2022-08-29 11:05:46
8KB
1