A PyTorch implementation of "Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks" (KDD 2019).

MSDNet-具有可分离内核的可重复性和应用GCN块 该存储库包含“ ”的复制代码（在PyTorch中）。 内容 介绍 MSDNet是一种用于图像分类的新颖方法，在测试时会受到计算资源的限制。 该存储库提供了基于本文提供的技术描述的实现。 当前，此代码实现对Cifar-10和Cifar-100的支持。 此外，此代码集成了对基于GCN的层（而不是常规卷积层）的支持，以减少模型参数。 用法 依存关系 火车 例如，使用以下命令在Cifar10上训练MSDNet python3 main.py --model msdnet -b 64 -j 2 cifar10 --msd-blocks 10 --msd-base 4 \ --msd-step 2 --msd-stepmode even --growth 6-12-24 --gpu 0 例如，使用以下命令在带有GCN块的Cifar100上

基于多尺度卷积网络多层次特征融合的道路识别

PyTorch中的可变形卷积网络

关于深度学习, 图像处理.卷积神经网络的大量参考论文文献.

时间卷积网络在能源相关时间序列预测中的应用 作者： 和 该存储库包含以下的源代码。 拉拉·贝尼特斯（Lara-Benítez）； M.Carranza-García； Luna-Romera，JM； Riquelme，JC时间卷积网络应用于与能源相关的时间序列预测。 应用科学。 2020年； 10（7）：2322（doi：10.3390 / app10072322）。 我们已经使用不同的TCN架构进行了与能源相关的时间序列预测的实验，并已与LSTM架构进行了比较。 可以在找到这两个数据集。 对于TCN实施，已使用库 。

视网膜血管分割全卷积网络的数据集预处理研究，张冠宏，周晓光，在深度神经网络中，对于数据集的预处理工作是非常重要的，会直接影响神经网络模型的预测结果。对于视网膜血管分割任务而言，数据

这个PPT是最近做的一次卷积神经网络和目标检测识别的调研报告，包括读的几篇顶级会议期刊的论文，分为以下内容： （1）卷积神经网络的基本概念和发展脉络； （2）卷积神经网络的优化改进； （3）目标检测相关数据库和研究进展。 PPT做的优点粗糙，见谅。。。整个PPT最后的参考文献是最重要的。

音频 nnAudio是使用PyTorch卷积神经网络作为后端的音频处理工具箱。 这样，可以在神经网络训练过程中从音频动态生成频谱图，并且可以训练傅立叶内核（例如CQT内核）。 也有类似的概念，他们还使用一维卷积神经网络提取基于频谱图。 其他GPU音频处理工具是和 。 但是他们没有使用神经网络方法，因此不能训练傅立叶基础。 作为PyTorch 1.6.0，torchaudio仍然很难在Windows环境下，由于在安装sox 。 由于nnAudio主要依赖PyTorch卷积神经网络，因此它是跨不同操作系统的更兼容的音频处理工具。 nnAudio的名称来自torch.nn 文献资料 与其他图书馆的比较 特征 可训练的 :check_mark_button: :cross_mark: :check_mark_button: :cross_mark: :cross_mark: :check_mark_button: :cross_mark: 可区分的 :check_mark_button: :check_mark_button: :check_mark_b

卷积网络Python实现+源代码，一步一步实现卷积神经网络的训练代码，能学习到具体的实现