torch.cuda.is_available()返回False的问题解决

域自适应，从cityscape->foggycitycscape torch代码

python3.7 cpu版 pytorch 1.5官方whl文件（windows 64位），使用pip一键安装

import torch as t from torch.utils import data import os from PIL import Image import numpy as np import torchvision.transforms as T transforms = T.Compose([ 　　T.Resize(224), 　　T.CenterCrop(224), 　　T.ToTensor(), 　　T.Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5)) ]) # 继承Dataset类要重写__getitem__

目录 前言 一、torch.nn.BCELoss(weight=None, size_average=True) 二、nn.BCEWithLogitsLoss(weight=None, size_average=True) 三、torch.nn.MultiLabelSoftMarginLoss(weight=None, size_average=True) 四、总结 前言 最近使用Pytorch做多标签分类任务，遇到了一些损失函数的问题，因为经常会忘记（好记性不如烂笔头囧rz），都是现学现用，所以自己写了一些代码探究一下，并在此记录，如果以后还遇到其他损失函数，继续在此补充。 如果有兴趣，我建

https://download.pytorch.org/whl/torch_stable.html 这里下载的pytorch安装文件，网速慢的用户用

官网https://forums.developer.nvidia.com/t/pytorch-for-jetson-nano-version-1-5-0-now-available/72048提供了下载地址我这边下载好了上传到csdn。

诸如GAN之类的生成模型的评估是深度学习研究的重要组成部分。 在2D图像生成领域，三种方法得到了广泛传播：初始分数（aka IS） ，弗雷谢特初始距离（aka FID） 和内核初始距离（aka KID） 。 这些指标尽管具有清晰的数学和算法描述，但最初是在TensorFlow中实现的，并继承了框架本身的一些属性（请参阅Interpolation）和它们所依赖的代码（请参见Model）。 这些设计决策已有效地纳入评估协议，并成为度量标准规范的固有组成部分。 结果，希望在生成建模中与最新技术进行比较的研究人员被迫使用原始度量标准作者的代码库进行评估。 虽然可以在PyTorch和其他框架中重新实现指标，但是它们不能提供适当级别的保真度，因此使其不适合报告结果并将其与其他方法进行比较。 该软件旨在在PyTorch中提供上述指标的epsilon精确实现，从而消除与生成模型评估和开发相关的不便

试穿瓶 基于的多阶段虚拟试穿深度神经网络。 我们在上层提供了SIMPLE和EASY-to-handle API ，并结合了一些传统的图像处理方法。 特征： 快速Human_Image + Cloth_Image = Gen_Image ，为指定人员穿上指定的上衣。 Flask上的Web和后端响应服务 如何使用 运行完整的服务器代码 将3个下载到/checkpoints 。 安装 启动Flask服务python main.py 客户端使用base64编码图像，并以发送图像。 然后服务器将以相同规则返回结果。 仅运行网络代码 Model.py是唯一需要注意的文件。 安装依赖项并初始化m

torch-0.4.1-cp36-cp36m-win_amd64.whl，torch-1.0.1-cp36-cp36m-win_amd64.whl，torch-1.1.0-cp36-cp36m-win_amd64.whl三个版本