PyTorch实现软演员- 评论家（SAC），双胞胎延迟DDPG（TD3），演员评论家（AC / A2C），近端策略优化（PPO），QT-Opt，PointNet 流行的无模型强化学习算法 PyTorch 和 Tensorflow 2.0 在 Openai 健身房环境和自我实现的 Reacher 环境中实现了最先进的无模型强化学习算法。 算法包括： 演员兼评论家 （AC/A2C）; 软演员-评论家 （SAC）; 深度确定性策略梯度 （DDPG）; 双延迟 DDPG （TD3）; 近端策略优化; QT-Opt（包括交叉熵（CE）方法）; 点网; 运输机; 经常性政策梯度; 软决策树; 概率专家混合; QMIX Actor-Critic (AC/A2C); Soft Actor-Critic (SAC); Deep Deterministic Policy Gradient (DDPG); Twin Delayed DDPG (TD3); Proximal Policy Optimization (PPO); QT-Opt (including Cross-entropy (CE)

元SR Meta-SR 的官方实现：A Magnification-Arbitrary Network for Super-Resolution(CVPR2019)(PyTorch) 我们的代码建立在。 注意力 master 分支有可怕的bug！！！ 我们会尽快检查代码（2020-12-31） 我发现相机准备就绪时出现错误，比例尺1.2上的Meta-RDN的PSNR为40.04，而不是40.40。 要求 pytorch 0.4.0 Python 3.5 麻木的 skimage 图像 简历2 *注意，如果你使用其他版本的pytorch（>0.4.0），你可以重写dataloader.py 安装并运行演示 下载代码 git clone https://github.com/XuecaiHu/Meta-SR-Pytorch.git cd Meta-SR-Pytorch 运行训练演示：

基于MTCNN的人脸检测，口罩检测，训练，标注， PyTorch+python 说明文档 基于深度学习的口罩检测 是否戴口罩，分类，警报

an implementation of Video Frame Interpolation via Adaptive Separable Convolution using PyTorch pytorch-sepconv 这是使用 PyTorch 通过自适应可分离卷积 [1] 进行视频帧插值的参考实现。 给定两个帧，它将以可分离的方式利用自适应卷积 [2] 来插入中间帧。 如果您使用我们的工作，请引用我们的论文 [1]。 对于这项工作的 Torch 版本，请参阅：https://github.com/sniklaus/torch-sepconv setup 要构建实现并下载预训练的网络，请运行 bash install.bash 并确保您配置了 CUDA_HOME环境变量。 成功完成此步骤后，运行 python run.py 进行测试。 如果您在执行期间收到有关无效设备功能的错误消息，请将 install.bash 中使用的 CUDA 架构配置为您的显卡支持的内容。 用法 要在您自己的帧对上运行它，请使用以下命令。 您可以选择 l1 或 lf 模型，请参阅我们的论文了

https://github.com/Tianxiaomo/pytorch-YOLOv4 google yolov4.pth(https://drive.google.com/open?id=1wv_LiFeCRYwtpkqREPeI13-gPELBDwuJ)

jetpack 4.6.1 jetson xavier nx pytorch

pytorch 官方 TTS教程使用的G2P发音映射模型。源文件在amazon直接访问不了。官网教程参考链接。文件下载好后放在.cache目录下。这个目录具体根据自己环境而定。https://pytorch.org/tutorials/intermediate/text_to_speech_with_torchaudio.html

BiSeNetV1 和 BiSeNetV2 我对和。 cityscapes val 集上的 mIOUs 和 fps： 没有任何 SS 共享单车 无国界医生 mscf fps(fp16/fp32) 关联 bisenetv1 75.44 76.94 77.45 78.86 68/23 bisenetv2 74.95 75.58 76.53 77.08 59/21 cocostuff val2017 集上的 mIOU： 没有任何 SS 共享单车 无国界医生 mscf 关联 bisenetv1 31.49 31.42 32.46 32.55 bisenetv2 30.49 30.55 31.81 31.73 提示： ss表示单尺度评价， ssc表示单尺度作物评价， msf表示带翻转增强的多尺度评价， mscf表示带翻转评价的多尺度作物评价。

瓦瑟斯坦·甘 Wasserstein GAN（WGAN）论文的PyTorch实现。 该项目正在尝试出于教育目的复制LSUN和CIFAR10实验。 在这个项目中，我们还可以看到深度卷积生成对抗网络（DCGAN）如何演变成WGAN。 注意：DCGAN最初是使用Keras 1实现的，并迁移到了Keras 2。 Jupyter笔记本 火炬 LSUN卧室数据集 用于下载和预处理LSUN LMDB数据的脚本 火炬 CIFAR10 凯拉斯2 MNIST 预训练模型 PyTorch权重文件： 生成的图像样本 更多生成的样本

MMAL网 这是论文用于细粒度的PyTorch实施（张帆，李萌，翟桂生，刘亦钊）由第27届国际多媒体建模国际会议（MMM2021）提供。 欢迎与我们讨论问题！ 目录 要求 的Python 3.7 pytorch 1.3.1 numpy的1.17.3 scikit图像0.16.2 Tensorboard 1.15.0 TensorboardX 2.0 tqdm 4.41.1 图像2.6.1 枕头6.1.0 数据集 下载数据集，并将提取的图像文件夹的内容复制到datasets / CUB 200-2011 / images中。 下载数据集并将提取的data / images文件夹的内容复制到datasets / FGVC_Aircraft / data / images ） 您也可以尝试其他细粒度的数据集。 培训TBMSL-Net 如果要训练MMAL-Net，请在运行py