FixMatch 这是FixMatch的非官方PyTorch实施。 Tensorflow的官方实现在。 此代码仅在FixMatch（RandAugment）中可用。 结果 CIFAR10 ＃标签 40 250 4000 纸（RA） 86.19±3.37 94.93±0.65 95.74±0.05 这段代码 93.60 95.31 95.77 累积曲线 * 2020年11月。修复EMA问题后重新测试。 CIFAR100 ＃标签 400 2500 10000 纸（RA） 51.15±1.75 71.71±0.11 77.40±0.12 这段代码 57.50 72.93 78.12 累积曲线 *使用以下选项进行训练--amp --opt_level O2 --wdecay 0.001 用法 火车 通过CIFAR-10数据集的4000个标记数据训练模

半监督分层递归图神经网络用于城市范围内的停车位可用性预测 这是SHARE体系结构的Pytorch实现，如论文《。 如果您在研究中利用SHARE模型，请引用以下内容： @article{zhang2019semi, title={Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction}, author={Zhang, Weijia and Liu, Hao and Liu, Yanchi and Zhou, Jingbo and Xiong, Hui}, booktitle={Proceedings of the Thirty-Fourth AAAI Conference on Artificial Intelligen

半监督单图像去雾 半监督单图像去雾代码。 依赖 pytorch >= 1.0 visdom 数据集制作 通过以下方式使您成为数据集： 合成图像：将两张图像（朦胧（HxWxC），清洁（HxWxC））对齐为一张图像（Hx2WxC）。 要注意的是，H和W应该是8的倍数。将它们（ ./datasets/dehazing/train张图像）放在./datasets/dehazing/train 。 真实的模糊图像：将它们（ ./datasets/dehazing/unlabeled张图像）放在./datasets/dehazing/unlabeled 测试图像：与1.对齐，然后将它们放在./datasets/dehazing/test 火车 您可以通过以下方式训练模型： python train.py --dataroot ./datasets/dehazing --name run_

PG学习 一种用于半监督学习的高效有效的学习图算法。 （MATLAB代码） 说明：运行代码和示例 在使用代码之前，您应该编译util / lib / mtimesx /文件夹中的mtimesx lib。 请参考 。 对于Mac OS用户，您可以首先使用Homebrew安装openblas库，然后运行 bias_lib = 'path to libblas.dylib' mex('-DDEFINEUNIX','-largeArrayDims','mtimesx.c',blas_lib) 安装所需的库后，您应该在根文件夹EXCUTE的main.m。 之后，您可以在根文件夹下运行所有​​的matlab文件。 在示例文件夹中，我们提供了有关单线程版本PG-Learn，超宽带并行版本PG-Learn以及一些基线的示例，其中包括网格搜索，随机搜索，MinEnt，AEW和IDML。 此外，我们还提供

混合搭配 这是MixMatch的非官方PyTorch实现。 Tensorflow的官方实现在。 现在只有在CIFAR-10上的实验可用。 该存储库认真执行了官方实施的重要细节，以重现结果。 要求 Python 3.6+ PyTorch 1.0 torchvision 0.2.2（旧版本与此代码不兼容） 张量板 进步 matplotlib 麻木 用法 火车 通过CIFAR-10数据集的250个标记数据训练模型： python train.py --gpu --n-labeled 250 --out cifar10@250 通过CIFAR-10数据集的4000个标记数据训练模型： python train.py --gpu --n-labeled 4000 --out cifar10@4000 监控培训进度 tensorboard.sh --

semi-supervised-learning半监督学习详细介绍PPT——共61页

semi-supervised-learning 深度学习半监督相关算法，主要是文献《Mean teachers are better role models》算法，经测试在一般分类问题上精度都会有几个点的提升。 1.数据存放到data目录，每个类别图片存放到一个文件里面，然后用makelist生成列表文件：path label，把无标签的数据标签设置为：-1 2.运行mean_teacher.py

半监督序列学习 此回购记录了重现论文给出的结果的实验​​。 简而言之，我们在未标记的文本数据上对序列自动编码器或语言模型进行预训练，然后使用标记的文本数据对使用预训练权重初始化的基于RNN的序列分类器进行微调，与随机初始化的权重相比，分类精度更高。 资料准备 IMDB数据集 我们为此实验使用。 下载并解压缩，导航至目录aclImdb/train ，该目录aclImdb/train中包含带aclImdb/train/pos的正（ aclImdb/train/pos ）和带标签的负性（ aclImdb/train/neg ）以及未标签的评论（ aclImdb/train/unsup ）。 然后cd进入每个子目录并运行 for f in *.txt; do (cat "${f}"; echo) >> pos.txt; done for f in *.txt; do (cat "${f}"; ec

Semi-Supervised-Learning-Using-Gaussian-Fields-and-Harmonic-Functions_notes

意味着老师是更好的榜样 ---- ---- ---- 作者：Harti Valpola（）Antti Tarvainen 方法 平均老师是半监督学习的一种简单方法。 它包括以下步骤： 采用受监管的体系结构并复制它。 让我们将原始模型称为学生，将新模型称为老师。 在每个训练步骤中，将相同的小批量用作学生和老师的输入，但分别向输入添加随机增强或噪声。 在softmax之后，在学生和教师的输出之间增加额外的一致性成本。 让优化器正常更新学生权重。 让教师权重为学生权重的指数移动平均值（EMA）。 也就是说，在每个训练步骤之后，将教师的权重向学生的权重稍作更新。 我们的贡献是最后一步。 莱