:medical_symbol:‍:medical_symbol: COVID-19侦探AI 基于深度CNN的AI应用程序，可使用胸部X射线进行COVID诊断 :information: 为了进行部署，此存储库是先前迭代的Flask版本，您可以在此处参考 现场演示： 科技栈 PyTorch（DL模型） OpenCV 烧瓶（后端） Gunicorn服务器 Heroku（PaaS） 模型训练 我在此添加了有关训练和推理模型的详细说明。 在此仓库中，我将仅具有构建前端和部署的说明。 操作说明 要在本地运行， 使用git clone克隆此存储库。 在项目目录中打开一个终端。 使用pip install -r requirements.txt安装依赖项 运行python app.py以在localhost:5000上打开该应用程序。 在Heroku上部署 在heroku中进行部署有点麻烦，涉及许多错误修复。 希望我能指导您。 由于我在应用程序中使用了PyTorc

pytorch中全局和局部一致的图像完成 "Globally and Locally Consistent Image Completion" Satoshi Iizuka, Edgar Simo-Serra, and Hiroshi Ishikawa ACM Transaction on Graphics (Proc. of SIGGRAPH 2017), 2017 这是Pytorch 0.4中论文（ ）中提出的图像完成模型的实现。 要求 的Python 3 火炬0.4 TensorbardX argparser 等等（PIL，tqdm ...） 用法 一，准备培训资料 此步骤是对图像进行预处理（制作随机蒙版）并将图像转换为割炬张量。 $ cd src_gl $ python prepare_dataset2tensor.py 在github中。 我已经通过测试和培

数据加载器练习-葡萄酒数据

pytorch量化介绍 模型量化背景 量化方法 量化流程

1.Anaconda环境配置 ①pytorch 1.4 ②tensorflow（2.0版本及对应的tensorboard） ③tensorboardX（采用pytorch自带的，可能不需要再安装） 2.SummaryWriter写出需要的log信息 ①采用torch.utils.tensorboard下的SummaryWriter ②示例代码如下： ③程序运行后在程序所在文件夹上生成runs文件夹 3.执行tensorboard命令 采用Anaconda Prompt执行 采用pycharm执行   4.查看，在浏览器中输入对应网址：http://localhost:6006/ 5

我就废话不多说了，大家还是直接看代码吧~ import torch input_tensor = torch.tensor([1,2,3,4,5]) print(input_tensor>3) mask = (input_tensor>3).nonzero() print(mask) print(input_tensor.index_select(0,mask)) tensor([0, 0, 0, 1, 1], dtype=torch.uint8) tensor([3, 4]) tensor([4, 5]) 补充知识：pytorch tensor筛选满足条件的行或列（使用与或） 我就废话不

机器学习+PyTorch预测乳腺癌的csv数据

PyTorch中的RetinaFace 实现：。 当Retinaface使用mobilenet0.25作为骨干网时，模型大小仅为1.7M。 我们还提供resnet50作为骨干网以获得更好的结果。 Mxnet中的官方代码可以在找到。 移动或边缘设备部署 从python培训到C ++推理，我们还在为边缘设备提供了一套面部检测器。 使用Resnet50作为骨干网时，单规模的WiderFaceVal性能。 风格 简单的 中等的 难的 Pytorch（与Mxnet相同的参数） 94.82％ 93.84％ 89.60％ pytorch（原始图像比例） 95.48％ 94.04％ 84.43％ 网际网路 94.86％ 93.87％ 88.33％ Mxnet（原始图像比例） 94.97％ 93.89％ 82.27％ 使用Mobilenet0.25作为骨干网时，单规模的Wi

零DCE 零参考深曲线估计的Pytorch实施以实现低光图像增强（ ）。 使用活页夹访问笔记本： 在Wandb上找到培训日志： ://wandb.ai/19soumik-rakshit96/zero-dce 结果 嘈杂结果示例 引文 @article{2001.06826, Author = {Chunle Guo and Chongyi Li and Jichang Guo and Chen Change Loy and Junhui Hou and Sam Kwong and Runmin Cong}, Title = {Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement}, Year = {2020}, Eprint = {arXiv:2001

pytorch实现seq2seq和transformer字符级中英机器翻译，里面有一个小型中英的平行语料数据集和训练好的seq2seq的模型，transformer的模型需要自己训练