学习_潜入DL-PyTorch 本项目新生于Datawhale :spouting_whale:第10期组队学习活动：《动手学深度学习》 Pytorch版，由Datawhale成员安晟维护 《动手学深度学习》是亚马逊首席科学家李沐等人编写的一本优秀的深度学习教学，原书作者：阿斯顿·张，李沐，扎卡里C.立顿，亚历山大J.斯莫拉以及其他社区贡献者 中文版：| 英文版：| 针对本书的MXNet代码，github分别有中英两个开源版本的Pytorch扩展：| 本项目正在对以上优质资源的代码进行学习和复现，随后将会力求进一步扩展，补充最新的模型，训练技巧，学术进展等 持续更新中... 食用方法 对于已更新完成的部分，每个小节都配备了和原书呼应的markdown教程供阅读，以及对应的源码供大家练习，调试和运行。 此外大家还可以在伯禹学习平台找到相关的视频学习资料 在部分涉及比较多理论的章节，以便让公式正常显示，强烈建议安装c

视觉变压器-火炬 视觉变压器的Pytorch实现。 提供了预先训练的pytorch权重，这些权重是从原始jax /亚麻权重转换而来的。 这是和的项目。 介绍 Pytorch实施的论文 。 我们提供从预训练的jax /亚麻模型转换而来的预训练的pytorch权重。 我们还提供微调和评估脚本。 获得了与类似的结果。 安装 创建环境： conda create --name vit --file requirements.txt conda activate vit 可用型号 我们提供，这些是从原始jax / flax wieghts转换而来的。 您可以下载它们并将文件放在“ weights / pytorch”下以使用它们。 否则，您可以下载，并将这些帧放在“ weights / jax”下以使用它们。 我们将在线为您转换权重。 数据集 当前支持三个数据集：ImageNet2012，CI

pytorch 版的 "End-to-end Recovery of Human Shape and Pose"

PyTorch-SE-ResNet SE-ResNet PyTorch版本 我将其用于Place365和Challenge AI场景分类。 实作网 SE-ResNet（50、101、152） SE-ResNeXt（50、101、152） 其他框架可以很容易地实现来修改model/model.py 。 Caffe源代码在 引文 如果您在研究中使用挤压和激发网络，请引用以下文章： @article{hu2017, title={Squeeze-and-Excitation Networks}, author={Jie Hu and Li Shen and Gang Sun}, journal={arXiv preprint arXiv:1709.01507}, year={2017} }

BERT增白 这是“美化的Pytorch实施。 BERT增白在文本语义搜索中非常实用，其中增白操作不仅提高了无监督语义矢量匹配的性能，而且减小了矢量维，有利于减少内存使用量，提高矢量搜索引擎的检索效率，例如，FAISS。 这种方法最早是由苏建林在他的博客中提出的 。 重现实验结果 准备 下载数据集： $ cd data/ $ ./download_datasets.sh $ cd ../ 下载型号： $ cd model/ $ ./download_models.sh $ cd ../ 下载数据集和模型文件后， data/和model/目录如下： ├── data │ ├── AllNLI.tsv │ ├── download_datasets.sh │ └── downstream │ ├── COCO │ ├── CR │

用于语义图像分割的CRF-RNN-PyTorch版本 现场演示： ： Caffe版本： ： Tensorflow / Keras版本： ：//github.com/sadeepj/crfasrnn_keras 该存储库包含“ CRF-RNN”语义图像分割方法的官方PyTorch实现，该方法在ICCV 2015论文《。 该项目的在2015 ICCV上获得了最佳演示奖。此PyTorch代码的结果与上述基于Caffe和Tensorflow / Keras的版本相同。 如果您使用此代码/模型进行研究，请引用以下论文： @inproceedings{crfasrnn_ICCV2015, author = {Shuai Zheng and Sadeep Jayasumana and Bernardino Romera-Paredes and Vibhav Vineet and

人群密度检测的shanghai_tech数据集（其中part_A的训练集已经生成h5文件），另外使用pytorch实现的CSRNet人群密度检测可以我的其他上传。（太大了，上传不上去）

1.下载 代码网址：https://github.com/ultralytics/yolov3 权重文件：这个好久之前下载的了网址找不到了 2.代码环境 Readme写的是python3.7，我用的是3.6 其他的根据requirements.txt安装可运行，可以先使用以下代码安装 pip install -U -r requirements.txt 安装列表中包含 numpy opencv-python >= 4.1 torch >= 1.4 matplotlib pycocotools tqdm pillow 你在安装中可能会遇到以下问题 提示torch版本不对 【解决方案】通过官网代码

类激活图可视化，将CNN关注区域用热力图呈现出来，代码注释部分详尽，方便理解和重写

物体检测模型SSD的源码，包括数据、代码、训练模型。环境：Python3.8； pytorch1.5。