Gensim数据有什么用？ 研究数据集经常消失，随时间变化，变得过时或没有理智的实现来处理数据格式的读取和处理。 因此，Gensim推出了自己的d Gensim数据的用途是什么？ 研究数据集经常消失，随时间变化，变得过时或没有理智的实现来处理数据格式的读取和处理。 因此，Gensim推出了自己的数据集存储，致力于提供长期支持，合理的标准化用法API，并专注于非结构化文本处理（无图像或音频）的数据集。 该Gensim数据存储库用作该存储。 您无需直接使用此存储库。 因斯泰

Deep-Learning-with-PyTorch 辛苦下载下来赚点积分下其他东西，分享给有需要的，感谢大家！

使用神经混合形状学习骨骼关节 这个存储库提供了一个端到端的库，用于自动角色绑定、蒙皮和混合形状生成，以及一个可视化工具。 它基于我们在 SIGGRAPH 2021 上发表的研究。 先决条件 我们的代码已经在 Ubuntu 18.04 上测试过。 在开始之前，请通过以下方式配置您的 Anaconda 环境 conda env create -f environment.yaml conda activate neural-blend-shapes 或者您可以手动安装以下软件包（及其依赖项）： 火炬 1.8 张量板 tqdm 矮胖的 opencv-python 快速开始 我们提供了一个专用于 Biped 角色的预训练模型。 从或（9ras）下载并解压预训练模型，并将pre_trained文件夹放在项目目录下。 跑步 python demo.py --pose_file=./eval_

深度学习课程 我在研究生深度学习课程中所做的实际作业和项目。 课程连结： :

PyTorch 官方教程 Every other day we hear about new ways to put deep learning to good use: improved medical imaging, accurate credit card fraud detection, long range weather forecasting, and more. PyTorch puts these superpowers in your hands, providing a comfortable Python experience that gets you started quickly and then grows with you as you—and your deep learning skills—become more sophisticated. Deep Learning with PyTorch will make that journey engaging and fun.

Adrian Rosebrock 的Deep Learning for Computer Vision with Python 1,2,3都在里面了。我自己没看过，但是我在看他opencv教程，倒是蛮不错的。

令人敬畏的图像着色 基于深度学习的图像着色论文和相应的源代码/演示程序的集合，包括自动和用户指导（即与用户交互）的着色，以及视频的着色。 随意创建PR或问题。 （首选“拉式请求”） 大纲 1.自动图像着色 纸 来源 代码/项目链接 ICCV 2015 深着色 ICCV 2015 学习表示形式以实现自动着色 ECCV 2016 [项目] [代码] 彩色图像着色 ECCV 2016 [项目] [代码] 让有颜色！：全局和局部图像先验的端到端联合学习，以实现同时分类的自动图像着色 SIGGRAPH 2016 [项目] [代码] 通过生成对抗网络进行无监督的多样化着色 ECML-PKDD 2017 [代码] 学习多样的图像着色 CVPR 2017 [代码] 多种着色的结构一致性和可控性 ECCV 2018 使用有限的数据进行着色：通过内存增强网络进行少量着色 CVP

softmax_variants softmax变体的各种损失函数：中心损失，余面损失，高边距高斯混合，由pytorch 0.3.1实现的COCOLoss 训练数据集是MNIST 您可以直接运行代码train_mnist_xxx.py重现结果 参考文件如下： 中锋失利：温彦东，张凯鹏，李志峰和乔巧。 一种用于深度人脸识别的判别性特征学习方法。 ECCV 2016 Cosface损失：王浩，王一彤，周正，邢吉，狄宏恭，周静超，李志峰和刘伟。 CosFace：用于深脸识别的大余量余弦损失。 CVPR2018 大幅度高斯混合损失：万维涛，钟元仪，李天鹏，陈建生。 重新考虑图像分类中损失函数的特征分布。 CVPR 2018 COSO损失：刘宇，李洪阳，王小刚。 重新思考特征识别和聚合，以进行大规模识别。 NIPS研讨会2017 学到的二维嵌入功能包括： softmax损失 可可

神经关系推理（NRI） 用于交互系统的图神经网络 给定节点的时间序列数据，NRI模型会将未来的节点状态和节点之间的基础抵销关系预测为边缘。 这是Chainer中神经关系推理（NRI）的再现作品。 作者的原始实现可在此处找到： 。 请参阅本文的详细信息： 交互系统的神经关系推断。 Thomas Kipf *，Ethan Fetaya *，Kuan-Chieh Wang，Max Welling，Richard Zemel。 ：平等贡献） 数据集 粒子物理模拟数据集 cd data python generate_dataset.py 训练 粒子物理模拟数据集 python train.py --gpu 0 可视化结果 python utils/visualize_results.py \ --args-file results/2019-01-22_10-20-25_0/args.

Place365GoogLeNet 是在 Places365 数据集上训练的预训练模型，其底层网络架构与在 ImageNet 数据集上训练的 GoogLeNet 相同。 您可以使用网络阅读 句法净= googlenet net = googlenet('权重',权重) net = googlenet('Weights',weights) 返回在 ImageNet 或 Places365 数据集上训练的 GoogLeNet 网络。 如果权重等于“imagenet”，则网络具有在 ImageNet 数据集上训练的权重。 如果权重等于“places365”，则网络具有在 Places365 数据集上训练的权重。 从您的操作系统或 MATLAB 中打开 place365googlenet.mlpkginstall 文件将启动您拥有的版本的安装过程。 此 mlpkginstall 文件适用