挤压火炬 将SqueezeNet移植到PyTorch中；主要是为了我自己的学习

深度学习PyTorch极简入门PDF教程，18章合为一个文件 第01课：深度学习概述 第02课：深度学习 Python 必备知识点 ... 第18课：项目实战——利用 PyTorch 构建 RNN 模型

已剔除干扰数据，自己项目（表情识别）训练时epoch的best_Test_acc可达91.919

PyTorch中的PeleeNet 该存储库包含用于“ ”的peleenet（在PyTorch中）。 从修改而成”。 接触 欢迎任何讨论或关注！ 引文 如果您发现本文对您的研究有用，请考虑引用： @article{wang2018pelee, title={Pelee: A Real-Time Object Detection System on Mobile Devices}, author={Wang, Robert J and Li, Xiang and Ao, Shuang and Ling, Charles X}, journal={arXiv preprint arXiv:1804.06882}, year={2018} }

PyTorch问答 该存储库包含一些最重要的问题解答论文的实现。 这些实现以教程的形式进行，并且大致是所述论文的注释。 对于那些了解深度学习和NLP基础知识，想要开始阅读稍微复杂的论文并了解其实现方式的人来说，该存储库可能会有所帮助。 尽管我已尽力以简单的方式分解所有内容，但该存储库还假定您对PyTorch基础有所了解。 问题回答 问答是一项重要的任务，基于此，可以判断NLP系统和AI的智能。 QA系统将给出有关某个主题的简短段落或上下文，并根据文章内容提出一些问题。 这些问题的答案是上下文的跨度，也就是说，它们可以直接在文章中找到。 为了训练这样的模型，我们使用数据集。 入门 名为“ QA的

OpenPose body25 PyTorch model file pose_iter_584000.caffemodel.pt

PyTorch自带Alexnet和resnet18深度神经网络模型的预训练模型，pth文件加载到自己成序，即可快速训练图片分类等

内容概要：多目标检测+pyqt5+yolov5+python+实现yolov5GUI开发。 适用人群：刚刚接触pyqt5开发以及刚刚接触yolo算法的初学者，想要有现成项目练手的人。 从本项目中能学到什么：pyqt5的开发、如何界面设计与后端逻辑分离、yolov5算法源码，pyqt5中常见的控件。 阅读建议：本项目用的深度学习框架为pytorch，建议可以和GUIPYQT5的开发书籍一起使用，做到理论与实际的结合。

Pytorch 1.11 Jetpack 5.0 python 3.8

1. 使用迁移学习+集成学习的思想来实现对于常见水果的好坏进行分类，使用Pytorch官方基于imageNet所训练好成熟框架体系，选择了机器学习界十分流行的四大网络架构densenet， googlenet，resnet，efficientnet使用迁移学习的办法，只修改其输出层的相关参数,进行冻结训练，在迭代训练过10次之后，对模型进行了解冻训练，使其可以修改整个网络结构参数，让我们的网络结构更加的贴合我们实际所使用的分类图像，同时四个网络训练框架训练完成之后，采用集成学习的思想，将四个框架模型进行了集成得到了最终的网络架构 2. 同时为了提升数据的泛化性，对实验数据进行了随机的裁剪，色调调节，归一化标准化，随机放射变化等一系列图像的预处理和图像增广 3. 使用了PyQt工具包进行了应用拓展,可以使用网上自由选择一张图片来进行水果的识别. 4.训练过程中使用了tesorboard对训练集和验证集的参数进行记录,保存已经训练好的模型参数,最后测试模型时绘制多分类的ROC曲线,与混淆矩阵 5.文件有相关的代码,预训练好的模型,相关的文档,还有ppt,数据集,和使用说明