小编最近写文章的时候发现，训练网络，使用tensorboard进行可视化展示出来的精度曲线下载后生成csv或json类型的文件，小编尝试了使用各种方法进行文件的读取和绘图，但出来的效果并不能很好的展示在文章上面。所以找了一段用matlab进行平滑曲线的程序。挂在上面。总的来说就是~~~~怕丢！

TensorRTx旨在通过tensorrt网络定义API实现流行的深度学习网络。 众所周知，tensorrt内置了解析器，包括caffeparser，uffparser，onnxparser等。但是，当我们使用这些解析器时，经常会遇到一些“不受支持的操作或层”问题，尤其是某些正在使用的最新模型新类型的图层。 TensorRTx TensorRTx旨在通过tensorrt网络定义API来实现流行的深度学习网络。 众所周知，tensorrt内置了解析器，包括caffeparser，uffparser，onnxparser等。但是，当我们使用这些解析器时，经常会遇到一些“不受支持的操作或层”问题，尤其是某些正在使用的最新模型新类型的图层。 那么，为什么不跳过所有解析器呢？ 我们只是使用TensorRT网络定义API来构建整个网络，所以并不太容易

以梵高的星空为风格图片训练而成的参数模型，COCO2017下训练5轮，1080显卡下近两天，详细内容请见：https://blog.csdn.net/qq_40298054/article/details/109599354

7基于奇异值分解和深度信度网络

Learning both Weights and Connections for Efficient Neural Networks 论文pytorch复现，这是我使用pytorch复现论文中Lenet-300-100，并将论文中的权重深度图显示出来。上传的是jupyter的文件。

分享课程——深度学习经典网络架构实战系列，2021最新课程，完整版，附带源码和数据，非常值得学习的一套课程，网盘下载

PyTorch版EfficientNet实现

TensorRTx TensorRTx旨在通过tensorrt网络定义API实现流行的深度学习网络。 众所周知，tensorrt内置了解析器，包括caffeparser，uffparser，onnxparser等。但是，当使用这些解析器时，我们经常会遇到一些“不受支持的操作或层”问题，尤其是某些正在使用的最新模型新类型的图层。 那么，为什么不跳过所有解析器呢？ 我们只使用TensorRT网络定义API来构建整个网络，这并不复杂。 我写这个项目是为了熟悉tensorrt API，并与社区分享和学习。 所有模型首先在pytorch / mxnet / tensorflown中实现，然后导出权重文件xxx.wts，然后使用tensorrt加载权重，定义网络并进行推断。 在我的可以找到一些pytorch实现，其余的则来自多源开源实现。 消息 26 Apr 2021 。 添加Inceptio

给大家分享一套视频教程《深度学习经典网络架构实战系列》，如对大家学习有帮助，请给个好评

深度学习经典模型架构实战系列课程旨在帮助同学们快速掌握深度学习各大经典网络架构，详细解读各模块核心知识点及其应用领域，实战演示如何使用各模型进行实战任务，源码中通过debug模式解读每一行代码的作用。适合准备从事深度学习相关领域并进阶提升的同学们。