卷积神经网络经典--VGG网络，基于pytorch实现 包括构建网络模型、训练模型、测试准确率，采用cifa-10数据集

用于半监督分类的图形卷积网络（GCN）的PyTorch实现

Pytorch实现论文: Learning to Compare: Relation Network for Few-Shot Learning

FCN（完全卷积网络）中最简单，最容易使用的pytorch实现

实施与ImageNet-预训练ResNet50图像编码器和FC / FC-UpConv解码器 变化： 支持以视图为中心和以形状为中心的训练（以形状为中心的效果更好） 同时支持倒角距离和土方距离，因为损耗（EMD速度较慢，但​​性能要好一些） 训练10,000个地面真点可提高1K / 2K训练的性能（这类似于最近基于SDF的方法，其中通常会采样> 10,000个查询点） 要使用，请先编译cd和emd （请参阅自述文件），然后运行 bash train.sh 要下载数据，请单击下载Chair数据（10K采样点云+ 24个随机视角的渲染图像）。 请注意，这是在PartNet数据拆分之后进行的。 您需要切换到其他论文中使用的那些。 在Ubuntu 16.04，Cuda 9.0，Python 3.6.5，PyTorch 1.1.0上测试了代码。 此代码使用Blender v2.79渲

模仿学习 此仓库包含一些强化学习算法的简单PyTorch实现： 优势演员评论家（A2C） 的同步变体 近端策略优化（PPO）-最受欢迎的RL算法 ， ，， 策略上最大后验策略优化（V-MPO）-DeepMind在其上次工作中使用的算法 （尚不起作用...） 行为克隆（BC）-一种将某些专家行为克隆到新策略中的简单技术 每种算法都支持向量/图像/字典观察空间和离散/连续动作空间。 为什么回购被称为“模仿学习”？ 当我开始这个项目并进行回购时，我认为模仿学习将是我的主要重点，并且无模型方法仅在开始时用于培训“专家”。 但是，PPO实施（及其技巧）似乎比我预期的花费了更多时间。 结果，现在大多数代码与PPO有关，但是我仍然对模仿学习感兴趣，并打算添加一些相关算法。 当前功能 目前，此仓库包含一些无模型的基于策略的算法实现：A2C，PPO，V-MPO和BC。 每种算法都支持离散（分类，伯努利，GumbelSoftmax）和连续（贝塔，正态，tanh（正态））策略分布以及矢量或图像观察环境。 Beta和tanh（Normal）在我的实验中效果最好（在BipedalWalker和Huma

批bi-rnn（GRU）编码器和注意解码器的PyTorch实现

recurrent batch normalization的pytorch实现

深度增强学习算法的PyTorch实现(策略梯度/生成对抗模仿学习)

在特征金字塔网络(FPN)的Pytorch实现