这个资源是用基于PyTorch的框架做的，用的是VGG19的神经网络模型，做的是一个图像风格迁移的案例。代码很详细，我做了非常多的注释，容易看懂。

在CIFAR10数据集上做的图像分类任务，使用了多个主流的backbone网络，希望可以为想要入门深度学习的同志们，提供一个方便上手、容易理解的教程。

分层相关传播，用于解释基于MRI的阿尔茨海默氏病分类中的深层神经网络决策 莫里茨·博莱（MoritzBöhle），法比安·埃特尔（Fabian Eitel），马丁·韦甘特（Martin Weygandt）和克斯坦·里特 预印本： : 摘要：深层神经网络已导致许多医学成像任务的最新成果，包括基于结构磁共振成像（MRI）数据的阿尔茨海默氏病（AD）检测。 但是，网络决策通常被认为是高度不透明的，因此很难将这些算法应用于临床程序。 在这项研究中，我们建议使用分层相关传播（LRP）来可视化基于MRI数据的AD的卷积神经网络决策。 与其他可视化方法类似，LRP在输入空间中生成一个热图，以指示每个体素对最终分类结果做出贡献的重要性/相关性。 与引导反向传播产生的磁化率图相反（“体素的哪个变化最能改变结局？”），LRP方法能够直接突出显示输入空间中对网络分类的积极贡献。 特别是，我们表明（1）LRP

SSD无人机检测，代码和训练结果，有使用教程，目标类别为drone，旋翼无人机检测，在几万张图片上训练的权重文件

无监督的高光谱超分辨率耦合解混网中的交叉注意 ，， ，，和 论文代码：。 图。1。 受频谱分解技术启发的拟议的无监督超光谱超分辨率网络的图示，即具有交叉注意的耦合解混网（CUCaNet） ，该网络主要由两个重要模块组成：交叉注意和空间光谱一致性。 训练 请简单地运行./Main_CAVE.py演示，以在两个HSI（伪造的和真实的食物，图表和玩具）上重现我们的HSISR结果（将与在Windows OS上实现的Python 3.7使用）。 之前：有关必需的软件包，请参阅详细的.py文件。 参数：可以更好地调整权衡参数train_opt.lambda_* ，并且网络超参数灵活。 结果：请查看登录到./checkpoints/CAVE_*name*/precision.txt的五个评估指标（PSNR，SAM，ERGAS，SSIM和UIQI）以及保存在./Results/CAVE/的输出.m

CenterNet无人机检测，代码和训练结果，有使用教程，目标类别为drone，旋翼无人机检测，在几万张图片上训练的权重文件

线性链-crf PyTorch 中的线性链 CRF。 解释此实现的博客文章： : 例子 检查bilstm_crf.py和main.py 。 依赖关系 torch>=0.4.1 ：您可以通过运行pip3 install torch安装它 执照 麻省理工学院。 有关更多详细信息，请参阅文件。

jetson系列开发板使用的pytorch1.5.0，tensorflow2.0， scopy1.4.1三个博主自己使用的pip软件源，有喜欢的朋友开源自行下载使用

PyTorch-Kaldi语音识别工具包PyTorch-Kaldi是一个开放源代码存储库，用于开发最新的DNN / HMM语音识别系统。 DNN部分由PyTorch管理，而特征提取，标签合成则由PyTorch-Kaldi语音识别工具包PyTorch-Kaldi是一个开放源代码存储库，用于开发最新的DNN / HMM语音识别系统。 DNN部分由PyTorch管理，而特征提取，标签计算和解码则由Kaldi工具包执行。 该存储库包含PyTorch-Kaldi工具箱的最新版本（PyTorch-Kaldi-v1.0）。 要查看以前的版本（PyTorch-Kaldi-v0.1），请单击此处。 如果您使用此代码或部分代码，请

分享课程——GAN生成对抗网络实战(PyTorch版)，2022年最新升级！提供全部的代码+课件+数据集下载！ 本课程讲解GAN的基本原理和常见的各种GAN，结合论文讲原理，详细演示代码编写过程。 课程大纲如下： 章节1 GAN课程简介 章节2 GAN的基本原理和公式详解 章节3 基础GAN 章节4 DCGAN 章节5 动漫人物头像生成实例 章节6 CGAN （Conditional GAN） 章节7 Pix2pixGAN 章节8 SGAN（Semi-Supervised GAN） 章节9 CycleGAN 章节10 WGAN(Wasserstein GAN) 章节11 GAN的评价方法