PyTorch是一个深度学习框架，它提供了各种工具和功能来构建、训练和部署深度学习模型。相比其他深度学习框架，例如TensorFlow，PyTorch更加易于使用和灵活。在PyTorch中，我们可以使用张量（tensor）对象来存储和操作数据。这些张量对象非常类似于NumPy数组，但是PyTorch的张量支持GPU加速和自动求导功能，这使得我们可以更快地进行运算和优化模型。除此之外，PyTorch还提供了一些内置的神经网络层和损失函数，以及预训练模型的接口。这些工具和功能使得我们可以轻松地构建和训练深度学习模型，而不需要从头开始编写所有的代码。 视频大小：2.8G

word2vec入门训练语料，可以用来跑简单的word embedding训练流程，千里之行始于足下。

更多项目《面部表情识别》系列文章请参考： 1.面部表情识别1：表情识别数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/129428657 2.面部表情识别2：Pytorch实现表情识别(含表情识别数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/129505205 3.面部表情识别3：Android实现表情识别(含源码，可实时检测)：https://blog.csdn.net/guyuealian/article/details/129467015 4.面部表情识别4：C++实现表情识别(含源码，可实时检测)：https://blog.csdn.net/guyuealian/article/details/129467023

https://github.com/cagery/unet-onnx/tree/main 开源链接下载不了原始模型unet_carvana_scale1_epoch5.pth，使用git lfs下载也提示报错，最后各种找资源找到了，上传一份，供大家测试使用

Pytorch教程.pdf

用于视频中3D人姿估计的图注意力时空卷积网络（GAST-Net） 消息 [2021/01/28]我们更新了GAST-Net，使其能够生成包括关节和脚关节在内的19个关节的人体姿势。 [2020/11/17]我们提供了有关如何从自定义视频生成3D姿势/动画的教程。 [2020/10/15]我们使用单个RGB相机实现了基于在线3D骨架的动作识别。 [2020/08/14]我们实现了实时3D姿态估计。 介绍 时空信息对于解决3D姿态估计中的遮挡和深度模糊性至关重要。 先前的方法集中于嵌入固定长度的时空信息的时间上下文或局部到全局体系结构。 迄今为止，还没有有效的建议来同时灵活地捕获变化的时空序列并有效地实现实时3D姿态估计。 在这项工作中，我们通过注意机制对局部和全局空间信息进行建模，从而改善了人体骨骼运动学约束的学习：姿势，局部运动学连接和对称性。 为了适应单帧和多帧估计，采用了扩张

opencv_torchvision_transform 这是基于Opencv的torchvision“ transforms”的重写。 所有功能仅取决于cv2和pytorch（无PIL）。 如，cv2比PIL快三倍。 转换中的大多数函数都被重新实现，除了： 在原始版本中已弃用的ToPILImage（我们使用过的opencv :)），Scale和RandomSizedCrop将被忽略。 原始的仿射变换只有5个自由度，我实现了一个具有6个自由度的仿射变换，称为RandomAffine6 （可以在找到）。 原始方法RandomAffine仍然保留，并使用opencv重新实现。 我的旋转功能是顺时针旋转，但是原始功能是逆时针旋转。 添加了一些新的方法，这些方法可以在“支持”中找到（粗体显示）。 opencv版本的所有输出与原始输出几乎相同（在测试） 。 支持： Compose

机器学习实验1：朝阳医院2018年销售数据 数据集描述：该数据集包含了朝阳医院2018年的销售数据，包括日期、科室、医生、药品名称、销售量等信息。 数据集格式：Excel文件（.xlsx） 机器学习实验2：adult数据集 数据集描述：该数据集是UCI机器学习库中的"Adult"数据集，包含了48,842个样本，每个样本有15个特征和一个标签。该数据集用于解决二分类问题，即判断一个人是否年收入超过50K美元。 训练数据文件名：adult.txt 测试数据文件名：adult.test 机器学习实验3：自定义数据集 数据集描述：该数据集可以根据实际需求自行分配，可以包含任何类型的数据和标签。 数据集路径：./data 在实验3中，你可以根据具体任务的需求，选择合适的数据集进行训练和测试。例如，如果你的任务是图像分类，可以选择一个包含图像文件和对应标签的文件夹作为数据集；如果你的任务是文本分类，可以选择一个包含文本文件和对应标签的文件夹作为数据集。

内容概要：通过数据集电力变压器油温数据详细的介绍双向LSTM，以及其机制，运行原理，以及如何横向搭配单向的LSTM进行回归问题的解决。 所需数据：在本次的模型所需的数据是电力变压器油温数据，由国家电网提供，该数据集是来自中国同一个省的两个不同县的变压器数据，时间跨度为2年，原始数据每分钟记录一次（用 m 标记），每个数据集包含2年 * 365天 * 24小时 * 60分钟 = 1,051,200数据点。 每个数据点均包含8维特征，包括数据点记录日期，预测目标值OT(oil temperature)和6个不同类型功率负载特征。 适合人群：时间序列和深度学习初学者本文的模型比较简单，易于理解。 阅读建议：可以大致阅读以下，本文件只是一个简单实现版本，并不复杂。 能学到什么：能够从本文件当中读懂深度学习的代码实现过程，对于时间序列有一个简单的了解， (PS:如果你使用你自己的数据进行预测需要将时间列和官方数据集保持一致，因为在数据处理部分我添加了一部分特征工程操作，提取了一些时间信息,因为LSTM不支持时间格式的数据输入,需要转化为数字) 如果大家不懂的地方可以看我的文章部分有详细的讲解。

matlab交叉验证代码PyTorch DGCNN 关于 DGCNN（深图卷积神经网络）的PyTorch实现。 检查更多信息。 要求：python 2.7或python 3.6； 火炬> = 0.4.0 安装 此实现基于戴汉俊的structure2vec图后端。 在“ lib /”目录下，键入 make -j4 编译必要的c ++文件。 之后，在此存储库的根目录下，键入 ./run_DGCNN.sh 使用默认设置在数据集MUTAG上运行DGCNN。 或输入 ./run_DGCNN.sh DATANAME FOLD 在数据集= DATANAME上运行，使用倍数= FOLD（1-10，对应于在交叉验证实验中用作测试数据的倍数）。 如果将FOLD设置为0，例如键入“ ./run_DGCNN.sh DD 0”，则它将在DD上运行10倍交叉验证，并报告平均准确度。 或者，键入 ./run_DGCNN.sh DATANAME 1 200 将数据集中的最后200张图用作测试图。 折数1将被忽略。 检查“ run_DGCNN.sh”以获取更多选项。 数据集 默认图形数据集存储在“ data / DSN