使用人群：对数据处理有一定要求，具有深度学习基础

本数据集适合对深度学习感兴趣的人群，对python有一定基础

我们将使用 Celeb-A Faces 数据集，该数据集可在链接的站点或 Google 云端硬盘中下载。 数据集将下载为名为img_align_celeba.zip的文件。 下载完成后，创建一个名为celeba的目录，并将 zip 文件解压缩到该目录中。 然后，将此笔记本的dataroot 输入设置为刚创建的celeba目录 /path/to/celeba -> img_align_celeba -> 188242.jpg -> 173822.jpg -> 284702.jpg -> 537394.jpg

yolov3-tiny的cfg文件，yolov3的weights权重文件和使用cfg和weights转换好的onnx模型,目前碰到点问题，等文章写好这个资源的百度云链接会在文章中给出。

深度学习之PyTorch物体检测实战 含代码

使用pytorch框架实现了MobileNetv2，内附oxFlower牛津花朵17分类任务完整数据集，运行train.py即可开始训练。

回归问题它预测的是一个连续值而不是离散的标签。 本次要预测的是波士顿郊区房屋价格的中位数。 首先，我们通过keras加载数据集 from keras.datasets import boston_housing (train_data,train_targets),(test_data,test_targets) = boston_housing.load_data() 我们有404个训练样本和102个测试样本。每个样本都有13个特征值。 print(train_data.shape,'\n',test_data.shape) 目标是房屋价格的中位数 print(train_targets)

深度学习pytorch龙良曲配套课程课件和代码 视频见https://www.bilibili.com/video/BV1TU4y1H7Mz

亲测

官方教程包含了 PyTorch 介绍，安装教程；快速入门教程，可以迅速从小白阶段完成一个分类器模型；计算机视觉常用模型，方便基于自己的数据进行调整，不再需要从头开始写；自然语言处理模型，聊天机器人，文本生成等生动有趣的项目。