support for： ONNX (.onnx, .pb, .pbtxt), Keras (.h5, .keras), CoreML (.mlmodel), Caffe2 (predict_net.pb, predict_net.pbtxt), MXNet (.model, -symbol.json) TensorFlow Lite (.tflite). experimental support for ： Caffe (.caffemodel, .prototxt), PyTorch (.pth), Torch (.t7), CNTK (.model, .cntk), PaddlePaddle (model), Darknet (.cfg), scikit-learn (.pkl), TensorFlow.js (model.json, .pb) TensorFlow (.pb, .meta, .pbtxt).

cifar10文件夹：包括了cifar10原数据库 kaggle文件夹：包括了在kaggle上训练好的模型，以及日志文件 model文件夹：包括了本地cpu训练好的模型 src文件夹：kaggle_tensorboard.py: 用于使用tensorboard展示kaggle上训练的日志 model.py: 神经网络模型 res_model：残差网络模型 有问题就发邮件。GuanlinLi_BIT@163.com

一、背景 在“搞”深度学习时，除非富如东海，往往都不会直接用大量数据来训练一个网络；一般情况下，比较省钱且高效的思路是利用一些预训练的模型，并在其基础上进行再训练优化，达到自己的目的。 因此，在本博客中将简单记录一下，如何在PyTorch基础上读取预训练模型的参数，并添加到自己的模型中去，从而尽可能减少自己的计算量。 为了直接讲明整个过程，本文设计了一个实验，首先设计了一个网络，其前半部分与FlowNetSimple的Encode一致，后半部分是全连接的分类网络。 下图是FlowNetSimple的网络结构，其中的refinement部分是Decode结构（类似UNet） 本文设计的结构，其

因darknet框架下的模型训练，相对pytorch框架训练成本低，且作者也提供了darknet框架下的配置文件和预训练模型，本人也在评估darknet框架下的v7-tiny模型，再次将AlexeyAB大佬开源的模型和配置文件上传，给自己做一个备份。

后端：flask+polar+pytorch 后端采用flask，把自己的电脑作为服务器，开放5000端口 使用polar内网穿透： 具体代码和文件：（一个app.py，一个imagenet_class_index.json,使用cors解决跨域问题）

利用pytorch训练得到的深度学习模型，通过测试集数据得到混淆矩阵

Pytorch模型训练实用教程 来源： https://github.com/TingsongYu/PyTorch_Tutorial

今天小编就为大家分享一篇把vgg-face.mat权重迁移到pytorch模型示例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

资本 使用Captum探索PyTorch模型的可解释性 Captum可帮助ML研究人员更轻松地实现可与PyTorch模型进行交互的可解释性算法。对于模型开发人员而言，Captum可用于通过识别有助于模型输出的不同特征来改进模型和对模型进行故障排除，从而设计出更好的模型并进行故障排除意外的模型输出。（ ） 在这里，我们将解释Resnet模型对图像的预测，并使用归因技术（例如Captum提供的“集成梯度”和“遮挡”）来比较结果。 方案1-通过PyTorch模型进行正确的预测 在这里，输入图像是企鹅，模型预测是预期的“企鹅王”。 归因输出：综合梯度-

RCDNet：用于单幅图像去除的模型驱动的深度神经网络（CVPR2020） ，谢琪，赵倩和 抽象的 深度学习（DL）方法在去除单个图像雨水的任务中已经达到了最先进的性能。 但是，当前的大多数DL体系结构仍然缺乏足够的可解释性，并且没有与常规降雨条纹中的物理结构完全集成。 为此，在本文中，我们针对任务提出了一种模型驱动的深度神经网络，它具有可完全解释的网络结构。 具体而言，基于表示雨的卷积字典学习机制，我们提出了一种新颖的单图像排水模型，并利用近邻梯度下降技术设计了仅包含用于求解模型的简单算子的迭代算法。 这种简单的实现方案有助于我们将其展开为一个称为雨卷积字典网络（RCDNet）的新的深层网络体系结构，几乎每个网络模块都一对一地对应于算法中涉及的每个操作。 通过对建议的RCDNet进行端到端培训，可以自动提取所有的雨粒和近端操作员，如实地表征雨层和干净的背景层的特征，从而自然地导致其更好