deep_sort_pytorch-master-yolov3配置好的代码，使用darknet版YOLOv3.weights权重

pytorch环境安装的PPT，步骤明确，适用于windows各个系统。

该模型是一个简单的模型，封装AlexNEt和Resnet，用来判断图像是否存在异常，比如图像中存在大面积的内容缺失、比如正常图像中有大量的噪声点、比如图像中有其他物体形状进行干扰，该文件用于训练一个模型来判断图像中是否有这样的问题。正常图像放到normal文件夹下，异常图像放到ab文件夹下。这里的代码是训练与测试的圈套代码

FedAvg是一种分布式框架，允许多个用户同时训练一个机器学习模型。在训练过程中并不需要上传任何私有的数据到服务器。本地用户负责训练本地数据得到本地模型，中心服务器负责加权聚合本地模型，得到全局模型，经过多轮迭代后最终得到一个趋近于集中式机器学习结果的模型，有效地降低了传统机器学习源数据聚合带来的许多隐私风险。

详情参考https://github.com/LianHaiMiao/pytorch-lesson-zh/，这个老师讲的特别详细，或者参考https://blog.csdn.net/a1103688841/article/details/89222614

Mean Maximum Discrepancy计算代码，分为线性核和高斯核两种，以pytorch书写的

GPU docker cuda 10.0 cudnn v7 python 3.6 anaconda 5.2.0 Jupyter Notebook @:8888 Xgboost latest(gpu) lightgbm latest(gpu) tensorflow 1.13.0rc0(pip) tensorboard latest (pip) @:6006 pytorch latest(pip) torchvision latest (pip) keras latest (pip) CPU docker python 3.6 anaconda 5.2.0 Jupyter Notebook @:8888 AwS api boto3(pip) Xgboost latest(pip) lightgbm latest install docker env sudo bash ./docker_install.sh pull docker from AWS ecr aws configure aws ecr get-login --no-include-email > login.sh sudo bash ./login.sh sudo rm login.sh sudo docker pull url:tag run gpu docker sudo docker run --runtime=nvidia --rm -d -p 8888:8888 -p 6006:6006 --name ml-gpu -e PASSWORD= -v /home/ubuntu/notebook:/notebook run cpu docker sudo docker run --rm -d -p 8888:8888 --name ml-cpu -e PASSWORD= -v /home/ubuntu/notebook:/notebook

程序使用pytorch库，利用生成对抗网络（GAN）算法和MNIST数据集生成手写字体，pytorch+python3.6

linux下安装Anaconda3+pytorch+tensorboardX依赖包, 安装见 https://blog.csdn.net/shanglianlm/article/details/88749803

这是深度学习pytorch中涉及到的源码，大多都能跑通，跑不通的可以自行上网搜索解决办法。