实时检测人与物体的相互作用 这是一个开放项目的仓库，可实时检测人与物体之间的相互作用，请参见我们的更多详细信息。 内容 要求 硬件 GPU：Titan，Titan Black，Titan X，K20，K40，K80，GTX 软件 您应该安装matlab来验证HOI-RT的训练结果。 您应该安装cuda，opencv和cudnn。 然后设置Makefile的1-3行： GPU=1 CUDNN=1 OPENCV=1 安装 克隆HOI-RT存储库首先，创建一个名为detection的新文件夹，然后cd detection && git clone --recursive git@github.com:lmingyin/HOI-RT.git 建立项目cd $HOI-RT && make -j8 加载训练后的模型加载已在vcoco和我们标记的数据集中进行训练。 并将模型放在检测文件夹中。 测试

PyTorch用于语义分割 该存储库包含一些用于语义分割的模型以及在PyTorch中实现的训练和测试模型的管道 楷模 Vanilla FCN：分别为VGG，ResNet和DenseNet版本的FCN32，FCN16，FCN8（ ） U-Net（ ） SegNet（ ） PSPNet（） GCN（） DUC，HDC（） 需求 PyTorch 0.2.0 PyTorch的TensorBoard。 安装 其他一些库（在运行代码时查找丢失的内容：-P） 制备 转到models目录并在config.py中设置预训练模型的路径 转到数据集目录并按照自述文件进行操作 去做 DeepLab v3

UFLDL旧版教程pdf 网址：http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial

抽象总结：局部注意在编码器-解码器体系结构中使用LSTM实现抽象总结

移动设备中的实时语义分割 该项目是用于移动实时应用的语义分割的示例项目。 该体系结构受和启发。 ）用作数据集。 该项目的目标是在移动设备中以合理的精度和速度检测头发片段。 目前，它达到0.89 IoU。 有关速度与准确性的更多信息，请参见。 应用范例 安卓（TODO） 要求 Python 3.8 pip install -r requirements.txt -f https://download.pytorch.org/whl/torch_stable.html 适用于iOS应用的CoreML。 关于模型 目前，此存储库中只有一个模型 。 作为典型的U-Net架构，它具有编码器和解码器部分，这些部分由MobileNets提出的深度转换模块组成。 输入图像被编码为1/32大小，然后解码为1/2。 最后，它会对结果评分并使其达到原始大小。 训练步骤 资料准备 LFW提供数据。 要获取蒙版图像，请参阅 。 获得图像和蒙版后，如下所示放置面部和蒙版的图像。 data/ lfw/ raw/ images/ 0001.jpg

通用电池数据库 通用电池数据库是用于管理锂离子电池数据的开源软件。 其主要目的是： 组织和解析锂离子电池的实验测量数据（例如长期循环和电化学阻抗谱）数据文件。 使用机器学习和基于物理学的方法执行复杂的建模。 描述和组织电池的设计和化学信息（例如电极，电解质，几何形状）以及实验条件（例如温度）。 随着新数据的传入，自动刷新数据库。 可视化实验结果。 快速搜索和查找感兴趣的数据。 质量控制。 通用电池数据库由Dalhousie大学的开发。 目录 初步结果 图1 ：使用测量进行建模并做出预测。 数据管理软件演示 图2 ：使用manage.py提供的Web浏览器修复同源循环数据。 安装 先决条件 的Python 3 点和虚拟环境 两种安装选项 如果您只想进行建模，并且从其他地方获得了已编译的数据集，则可以在没有数据库的情况下进行安装。 此选项更简单，您以后总是可以安装数

时间序列和NLP的深度学习 有关信息，请参见。

SSD：单发MultiBox检测器 介绍 这是我的2种模型的pytorch实现： SSD-Resnet50和SSDLite-MobilenetV2 。 这些模型基于论文描述的原始模型（SSD-VGG16）。 此实现支持混合精度训练。 SSD Resnet50的输出示例。 动机 为什么在已经有许多ssd实现的情况下存在此实现？ 我相信许多人在看到此实现时都会想到这个问题。 实际上，Pytorch中已经有许多SSD及其变体的实现。 但是，其中大多数是： 过于复杂 模块化 增加了许多改进 未评估/可视化 以上几点使学习者难以理解原始ssd的外观。 因此，我将重点放在简单性上来重新实现这个众所周知的模型。 我相信此实现适合不同级别的ML / DL用户，尤其是初学者。 与本文中描述的模型相比，有一些小的更改（例如主干），但是其他部分严格遵循本文。 数据集 数据集 班级 ＃火车图片 ＃验证图片

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

BigGAN-PyTorch 作者的正式非官方PyTorch BigGAN实现。 此仓库包含由Andrew Brock，Jeff Donahue和Karen Simonyan的训练中的BigGAN的4-8 GPU训练代码。 这段代码是由Andy Brock和Alex Andonian编写的。 如何使用此代码 你会需要： 版本1.0.1 tqdm，numpy，scipy和h5py ImageNet培训集 首先，您可以选择为目标数据集准备经过预处理的HDF5版本，以实现更快的I / O。 遵循此步骤（或不执行此操作），您将需要计算FID所需的Inception时刻。 这些都可以通过修改