火炬平衡批次 pytorch数据集sampler用于始终采样平衡批次。 确保使用的batch_size是类数的整数倍。 例如，如果您的train_dataset有10个类，并且您将batch_size=30与BalancedBatchSampler train_loader = torch . utils . data . DataLoader ( train_dataset , sampler = BalancedBatchSampler ( train_dataset ), batch_size = 30 ) 您将获得一个train_loader ，其中10个类中的每个类的每个元素都有3个样本

使用深度学习框架的红外和可见光图像融合 - Pytorch 实现

# Pytorch实现VAE变分自动编码器生成MNIST手写数字图像 1. VAE模型的Pytorch源码，训练后其解码器就是生成模型； 2. 在MNIST数据集上训练了50个epochs，训练过程的生成效果放在result文件夹下，训练后的模型保存为model.pth，可用于生成新的手写数字图像； 3. 训练代码会自动下载MNIST数据集，运行代码即可自行训练。

pytorch基于神经网络模型与树莓派的智能垃圾桶项目源代码。利用训练好的神经网络模型迁移到树莓派上。再结合舵机和设计的垃圾桶结构，就可以完成垃圾的智能识别与智能分类工作。 pytorch基于神经网络模型与树莓派的智能垃圾桶项目源代码。利用训练好的神经网络模型迁移到树莓派上。再结合舵机和设计的垃圾桶结构，就可以完成垃圾的智能识别与智能分类工作。 pytorch基于神经网络模型与树莓派的智能垃圾桶项目源代码。利用训练好的神经网络模型迁移到树莓派上。再结合舵机和设计的垃圾桶结构，就可以完成垃圾的智能识别与智能分类工作。 pytorch基于神经网络模型与树莓派的智能垃圾桶项目源代码。利用训练好的神经网络模型迁移到树莓派上。再结合舵机和设计的垃圾桶结构，就可以完成垃圾的智能识别与智能分类工作。pytorch基于神经网络模型与树莓派的智能垃圾桶项目源代码。利用训练好的神经网络模型迁移到树莓派上。再结合舵机和设计的垃圾桶结构，就可以完成垃圾的智能识别与智能分类工作。pytorch基于神经网络模型与树莓派的智能垃圾桶项目源代码。利用训练好的神经网络模型迁移到树莓派上。再结合舵机和设计的垃圾桶结构

Pytorch实现基于卷积神经网络的面部表情识别项目源码+论文+答辩PPT 本项目是一个非常完整的深度学习实践，是基于卷积神经网络模型开展表情识别的研究，使用到的模型是卷积神经网络，难度适中，初学者也可看懂。为了尽可能的提高最终表情识别的准确性，需要大量的样本图片训练，优化，所以采用了 FER2013 数据集用来训练、测试，此数据集由 35886 张人脸表情图片组成，其中，测试图 28708 张，公共验证图和私有验证图各 3589 张，所有图片中共有7种表情。 源代码方便大家开箱即用！ 动手完成这个项目之后，就可以学习到： 1. 深度学习中CNN（卷积神经网络）的使用，为之后学习相关神经网络模型做了很好的铺垫。 2. 学会使用深度学习框架之一Pytorch的使用。 3. 多分类问题在实际中的应用，是二分类的扩展。 4. 从数据处理，可视化，到模型搭建的过程，是一种经验和技巧的积累，达到“举一反三”的效果。

hymenoptera_data一个用于pytorch的小型数据集

《深度学习框架PyTorch：入门与实践》教程及全部源码及训练数据。 第二章介绍如何安装PyTorch和配置学习环境。 第三章介绍了PyTorch中多维数组Tensor和动态图autograd/Variable的使用，并配以例子。 第四章介绍了PyTorch中神经网络模块nn的基础用法，同时讲解了神经网络中“层”，“损失函数”，“优化器”等，最后带领读者用不到50行的代码搭建出曾夺得ImageNet冠军的ResNet。 第五章介绍了PyTorch中数据加载，GPU加速，持久化和可视化等相关工具。 第六章结合Kaggle中一个经典的比赛，实现一个深度学习中比较简单的图像二分类问题。 第七章为读者讲解了当前最火爆的生成对抗网络（GAN），带领读者从头实现一个动漫头像生成器，能够利用GAN生成风格多变的动漫头像。 第八章为读者讲解了风格迁移的相关知识，并带领读者实现风格迁移网络 第九章为读者讲解了一些自然语言处理的基础知识，并讲解了CharRNN的原理。而后利用收集了几万首唐诗，训练出了一个可以自动写诗歌的小程序。 第十章为读者介绍了图像描述任务，并以最新的AI Challenger比赛的。

(2020年)用官网condn命令安装时pytorch始终下载不下来。 我用的版本：cuda9.0  python3.6  pytorch==1.0.1     torchvision==0.2.2 由于先安装了cuda9.0，只好安装老版本，最新可以直接在官网对照版本安装 CUDA9.0安装：https://developer.nvidia.com/cuda-90-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal 更新源：conda config –add

链接: https://pan.baidu.com/s/1mDdHR5oEN19q6ytjrZrl1w?pwd=95ud 提取码: 95ud 注意这是nvidia的嵌入式gpu，jetpack 5.0.1，aarch64，python3.8，cuda11.4环境下的pytorch 1.10.0，环境不一样的应该不能直接用！ Nvidia官网（https://forums.developer.nvidia.com/t/pytorch-for-jetson-version-1-11-now-available/72048）只提供了jetpack5.0下的pytorch 1.11和1.12版本，但是由于我要装的其他包不支持这么高版本的pytorch，所以自己根据上面网站里的教程从源码编译了pytorch 1.10.0，供环境相同的各位下载使用。

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。