pytorch-cpu-1.1.0-py3.5_cpu_1.tar.bz2和torchvision-cpu-0.3.0-py35_cuNone_1.tar.bz2 多个工具包，官网下载很慢

PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程 PyTorch 中文教程

pytorch，单机多卡训练，insightface

Transformers 提供了数以千计的预训练模型，支持 100 多种语言的文本分类、信息抽取、问答、摘要、翻译、文本生成。它的宗旨让最先进的 NLP 技术人人易用。 Transformers 提供了便于快速下载和使用的API，让你可以把预训练模型用在给定文本、在你的数据集上微调然后通过 model hub 与社区共享。同时，每个定义的 Python 模块均完全独立，方便修改和快速研究实验。 Transformers 支持三个最热门的深度学习库： Jax, PyTorch and TensorFlow — 并与之无缝整合。你可以直接使用一个框架训练你的模型然后用另一个加载和推理。

XLM 新增：添加了模型。 PyTorch训练的原始实现。 包括： XLM支持多GPU和多节点训练，并包含以下代码： 语言模型预训练： 因果语言模型（CLM） 屏蔽语言模型（MLM） 翻译语言模型（TLM） 胶微调 XNLI微调 有监督/无监督的机器翻译培训： 去噪自动编码器 并行数据训练 在线回译 安装 使用可编辑模式安装python软件包 pip install -e . 依存关系 的Python 3 （当前在版本0.4和1.0上测试） （生成并应用BPE代码） （仅用于清理和标记文本的脚本-无需安装） （用于fp16培训） I.单语语言模型预训练（BERT） 在下面的内容中，我们将说明如何下载和使用我们的预训练的XLM（仅英语）BERT模型。 然后，我们解释了如何训练自己的单语言模型，以及如何在GLUE任务上对其进行微调。 预先训练的英语模型 我

神经荧光素 （神经辐射场）是一种获得最新结果以合成复杂场景的新颖视图的方法。这是此存储库生成的一些视频（下面提供了预训练的模型）： 这个项目是一个忠实PyTorch实施的 ，同时运行速度更快的1.3倍再现的结果。该代码基于作者的Tensorflow实现，并且已经过测试以匹配数字。 安装 git clone https://github.com/yenchenlin/nerf-pytorch.git cd nerf-pytorch pip install -r requirements.txt 依赖关系（单击以展开） 依存关系 PyTorch 1.4 matplotlib 麻木 意象 图像ffmpeg configargparse LLFF数据加载器需要ImageMagick。 如果要在自己的真实数据上运行，则还需要设置（和COLMAP）来计算姿态。 如何运行？ 快速开始 下载两

robomaster大小符识别识别程序，大作业

CIFAR_MLP_Pytorch_Lightning 使用Pytorch照明库对多层感知器（MLP）神经网络进行了训练。 CIFAR数据集用于对神经网络进行分类。 进行不同的实验并观察结果。 实验类型和网络验证准确性如下： 版本1：B_SIze：32 H_Layers：1 H神经元：512 Optim：SGD Sigmoid Val_Acc：0.4706 版本2：B_SIze：32 H_Layers：1 H神经元：1512优化：SGD Sigmoid Val_Acc：0.4626 版本3：B_SIze：32 H_Layers：1 H神经元：1512优化：SGD RELU Val_Acc：0.5089 版本4：B_SIze：32 H_Layers：1 H神经元：1512优化：ADAM RELU Val_Acc：0.5114 版本5：B_SIze：32 H_Layers：1 H

自然语言处理第二次作业： data文件夹中存储语料（中文语料以及英文语料由老师提供，另一份为中文停用词语料） output文件夹中存储输出的词向量文件 script文件夹中为CBOW的脚本，同时处理中文语料与英文语料 运行步骤：在脚本中确定训练中文或者是英语后，直接运行即可

资源包含235张训练用数据，已标注眼球虹膜瞳仁位置，及u2net和u2netp预训练模型。安装依赖后，可直接运行脚本，获取生成的结果。如有不明白的地方，可查看个人博客，里面包含如何使用。如若获取资源后无法执行，请私信。