1、项目要求： ​基于 pytorch 搭建神经网络分类模型识别花的种类，输入一张花的照片，输出显示最有可能的前八种花的名称和该种花的照片。 2、分三大步骤操作： 数据集预处理操作： 读取数据集数据 构建神经网络的数据集 1）数据增强：torchvision中transforms模块自带功能，将数据集中照片进行旋转、翻折、放大…得到更多的数据 2）数据预处理：torchvision中transforms也帮我们实现好了，直接调用即可 3）处理好的数据集保存在DataLoader模块中，可直接读取batch数据 网络模型训练操作： 迁移pytorch官网中models提供的resnet模型，torchvision中有很多经典网络架构，调用起来十分方便，并且可以用人家训练好的权重参数来继续训练，也就是所谓的迁移学习 选择GPU计算、选择训练哪些层、优化器设置、损失函数设置… 训练全连接层...... 详细介绍见：https://blog.csdn.net/zhaohaobingniu/article/details/119922606?spm=1001.2014.3001.5501

https://s3.us-west-1.wasabisys.com/resnest/torch/resnest50-528c19ca.pth模型下载

基于Pytorch实现的EcapaTdnn声纹识别大模型（spectrogram），这个模型使用的声谱图（spectrogram） 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch

深度情感：使用注意卷积网络的面部表情识别 这是研究论文“的PyTorch实现 [注意]这不是官方执行文件 建筑学 基于注意力卷积网络的端到端深度学习框架 通过空间变压器网络添加注意机制 数据集 先决条件 要运行此代码，您需要具有以下库： 火炬> = 1.1.0 火炬视觉== 0.5.0 OpenCV tqdm 皮尔 该存储库的结构 该存储库的组织方式为： 此文件包含数据集和训练循环的设置。 此文件包含用于评估测试数据模型和网络摄像头实时测试的源代码。 此文件包含模型类 此文件包含数据集类 此文件包含数据集的设置 用法 DeepLearning_by_PhDScholar创建的超酷视频，介绍如何使用此实现。 资料准备 从Kaggle下载数据集，然后将train.csv和test.csv解压缩到./data文件夹中。 怎么跑 设置数据集 python main.py [-s

神经网络 基于神经网络的歌声合成库进行研究。 演示版 使用kiritan_singing数据库的基于神经网络的歌声合成演示（日语） 音频样本 Kiritan示例： ：//soundcloud.com/r9y9/sets/dnn-based-singing-voice 安装 Python 3.6或更高版本 ：需要开发版本（master分支） 开发版本。请查看安装的邮局。 火炬> = 1.x 请注意，上面列出的软件包应手动安装。安装它们后，您可以运行： python setup.py develop 安装其余的依赖项。 储存库结构 核心程式库： 命令行程序： 及其配置 食谱： Python docstring样式 菜谱 配方是用于重现实验的一组脚本和配置。用于进行实验的所有步骤均以独立方式提供。如果要构建唱歌语音系统，请查看目录。 背景 截至2020年2月，基于DNN的歌声合成工具在日

Retinanet：目标检测模型在Pytorch当中的实现 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 600x600 - 81.56 所需环境 torch==1.2.0 文件下载 训练所需的retinanet_resnet50.pth可以在百度云下载。 链接: 提取码: krr5 VOC数据集下载地址如下： VOC2007+2012训练集 链接: 提取码: eiw9 VOC2007测试集 链接: 提取码: dsda 预测步骤 a、使用预训练权重 下载完库后解压，在百度网盘下载retinanet_resnet50.pth，放入model_data，运行predict.py，输入 img/street.jpg 利用video.py可进行摄像头检测。 b、使用自己训练的权重 按照训练

热释电 Tacotron的PyTorch实现，以及利用Wavenet实现PyTorch实现。 特征 在和之间轻松切换 使用json进行详细的模型结构配置 对于Tacotron： 对于Tacotron2： 分行 可以通过合并以下不同分支中的功能来创建新配置。 硕士：基本的Tacotron和Tacotron2实施 dynamic_r ：动态减少因子（r）随训练时间表而变化 gst ：全局样式令牌（GST）支持 多扬声器：具有扬声器嵌入功能的多扬声器支持 设置 准备DATASET目录 准备train.csv.txt和val.csv.txt文件 将中的training_files和validation_files分别更改为上述两个文件 对files_to_list进行必要的修改，以在检索“ mel_file_path”和“ text” 安装PyTorch 安装python要求或构建do

用Pytorch实现我们的CIFAR10的图像分类 模型有LeNet，AlexNet，VGG，GoogLeNet，ResNet，DenseNet，Efficientnet，MobileNet，MobileNetv2，ResNeXt，Pnasnet，RegNet，SeNet,ShuffleNet,ShuffleNetv2，Preact_ResNet，DPN，DLA 在models中有所有模型的实现，然后在main.py中定义了训练的代码，也可以进行预测我们的结果，除此之外，对所有的模型自己进行了测试，并且对准确率做了一个详细的比较，也可以根据此进行测试和比较训练。 在资源中有全部代码的学习资料，代码所有都可运行，可执行，可复现

利用GAN的思想，进行数字对抗样本生成，以LeNet作为图像分类模型，LeNet是一个小型的神经网络结构，仅包含两层卷积层、两个池化层以及三层全连接。该轻量级网络能快速、占内存小、高精确度的解决复杂度比较低的问题，如手写数字识别。 (步骤1)用LeNet网络完成手写数字识别任务。 (步骤2)利用对抗样本工具包生成针对该网络的对抗样本。 整体包括一下部分 步骤1：用`LeNet网络`完成手写数字识别任务。 LeNet 网络 数据集的下载和预处理 Image displaying pytorch 搭建LeNet LetNet 训练 超参数的设置 训练及测试模型 可视化误差曲线，准确率曲线 结果可视化，查看每一类的准确率 模型的保存与加载 步骤2：生成针对该网络的对抗样本。 威胁模型 快速梯度符号攻击 定义扰动上限 epsilons 被攻击的模型 FGSM 攻击方式 测试函数 启动攻击 对抗结果 准确性 vs Epsilon 样本对抗性示例

我就废话不多说了，直接上代码吧！ import torch import torch.nn.functional as F import numpy as np from torch.autograd import Variable ''' pytorch实现focal loss的两种方式(现在讨论的是基于分割任务) 在计算损失函数的过程中考虑到类别不平衡的问题，假设加上背景类别共有6个类别 ''' def compute_class_weights(histogram): classWeights = np.ones(6, dtype=np.float32) normHist =