注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. lstm预测-python

  2. LSTM时间序列预测 python代码——import pandas as pd import numpy as np import matplotlib.pyplot as plt import tensorflow as tf tf.reset_default_graph() #——————————————————导入数据—————————————————————— #读入数据 data = pd.read_excel(r'C:\Users\10025\Desktop\完整数据.xls'

  3. 所属分类：Python

    • 发布日期：2020-06-19
    • 文件大小：6kb
    • 提供者：li_rshan

  1. 在Pytorch中计算自己模型的FLOPs方式

  2. https://github.com/Lyken17/pytorch-OpCounter 安装方法很简单： pip install thop 基本用法： from torchvision.models import resnet50from thop import profile model = resnet50() flops, params = profile(model, input_size=(1, 3, 224,224)) 对自己的module进行特别的计算： class You

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：28kb
    • 提供者：weixin_38712416

  1. 深度学习代码实战——基于RNN的时间序列拟合（回归）

  2. 1.前言 循环神经网络让神经网络有了记忆, 对于序列型的数据,循环神经网络能达到更好的效果.接着我将实战分析手写数字的 RNN分类 2.导入模块、定义超参数 import torch from torch import nn import numpy as np import matplotlib.pyplot as plt torch.manual_seed(1) TIME_STEP = 10 INPUT_SIZE = 1 LR = 0.02 3.数据准备且打印拟合目标 我们要用到的数据就是

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：297kb
    • 提供者：weixin_38752907

  1. torch.nn.embedding()大致使用方法

  2. 碰到了这个东西，有点不太清楚，在这里记下笔记 将nn.embedding理解为学习一个词向量的表示，每一个词都会对应一个指定维度的单独的向量表示（embed_dim在GRU等模型的输入中，可以认为是input_size）。假设当前词汇表中一共有V个不同的词，则可以定义如下形式： 假设当前词汇表中有4个不同的单词，则V=4 import torch import torch.nn as nn embed=nn.Embedding(4,embed_dim) x=torch.LongTensor([[

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：41kb
    • 提供者：weixin_38637983

  1. Pytorch多GPU的计算和Sync BatchNorm

  2. nn.DataParallel pytorch中使用GPU非常方便和简单： import torch import torch.nn as nn input_size = 5 output_size = 2 class Model(nn.Module): def __init__(self, input_size, output_size): super(Model, self).__init__() self.fc = nn.Linear(input_

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：84kb
    • 提供者：weixin_38628552

  1. Pythorch中torch.nn.LSTM()参数详解

  2. 通过源代码中可以看到nn.LSTM继承自nn.RNNBase,其初始化函数定义如下 class RNNBase(Module): ... def __init__(self, mode, input_size, hidden_size, num_layers=1, bias=True, batch_first=False, dropout=0., bidirectional=False): 我们需要关注的参数以

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：114kb
    • 提供者：weixin_38679651

  1. torchinfo:在PyTorch中查看模型摘要！-源码

  2. 火炬信息 （以前是火炬摘要） Torchinfo提供的信息与PyTorch中的print(your_model)提供的信息类似，类似于Tensorflow的model.summary() API，用于查看模型的可视化，这在调试网络时非常有用。在此项目中，我们在PyTorch中实现了类似的功能，并创建了一个干净，简单的界面以在您的项目中使用。 这是 sksq96和nmhkahn对原始torchsummary和torchsummaryX项目的完全重写版本。该项目解决了所有问题，并通过引入全新的AP

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：36kb
    • 提供者：weixin_42168750

  1. kindle:无代码PyTorch模型生成包-源码

  2. Kindle-PyTorch无代码模型生成器 Documentation Kindle是用于的简单模型构建软件包。 建立深度学习模型变得如此简单，几乎所有模型都可以通过复制和粘贴其他现有模型代码来制作。 那为什么要编码呢？ 当我们可以简单地使用yaml标记文件构建模型时。 Kindle构建的模型只包含yaml文件，而没有代码，其方法是受启发的。 内容 安装 用pip安装 在安装之前需要PyTorch 。 请访问进行安装。 您可以通过点子安装kindle 。 $ pip install

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：324kb
    • 提供者：weixin_42171208

  1. Jittor-summary：Jittor中的Keras样式model.summary（），从torchsummary修改而来-源码

  2. model.summary()中的Keras样式model.summary() 1.用法 git clone https://github.com/liuruiyang98/Jittor-summary.git from jittorsummary import summary summary ( your_model , input_size = ( channels , H , W )) 请注意， input_size是通过网络进行前向传递所必需的。 请注意，不支持带有cuda的jit

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：15kb
    • 提供者：weixin_42138525

  1. 硕士论文-源码

  2. 分析Dirichlet先验网络（DPN）的鲁棒性 Dirichlet先验网络 论文： : 该文件的Github回购： : 本地开发环境设置 为python创建virtualenv并安装依赖项 $ virtualenv thesis -p python3.7 $ source ./thesis/bin/activate $ pip install -r ./requirements.txt 设置DPN模型 项目目录中的示例命令： python -m robust_priornet.se

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：82mb
    • 提供者：weixin_42119989

  1. tensorflow-yolov4-tflite：YOLOv4，YOLOv4-tiny，YOLOv3，YOLOv3-tiny在Tensorflow 2.0，Android中实现。 转换YOLO v4 .weights张量流，张量和tflit

  2. tensorflow-yolov4-tflite YOLOv4，YOLOv4-tiny在Tensorflow 2.0中实现。 将YOLO v4，YOLOv3，YOLO tiny .weights转换为.pb，.tflite和trt格式以生成tensorflow，tensorflow lite和tensorRT。 下载yolov4.weights文件： ://drive.google.com/open id 1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT 先决条件 T

  3. 所属分类：其它

    • 发布日期：2021-01-31
    • 文件大小：34mb
    • 提供者：weixin_42129300

  1. DeepLearning之LSTM模型输入参数：time_step, input_size, batch_size的理解

  2. 1. LSTM模型 输入参数理解 （Long Short-Term Memory） lstm是RNN模型的一种变种模式，增加了输入门，遗忘门，输出门。 LSTM也是在时间序列预测中的常用模型。 小白我也是从这个模型入门来开始机器学习的坑。 LSTM的基本概念与各个门的解释已经有博文写的非常详细：推荐博文:【译】理解LSTM（通俗易懂版） 这篇文章写的非常详细，生动，概念解释的非常清楚。我也是从这个博文里开始理解的。 2. 模型参数 模型的调参是模型训练中非常重要的一部分，调整参数前的重要一步就

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：402kb
    • 提供者：weixin_38678796

  1. 关于Pytorch的MLP模块实现方式

  2. MLP分类效果一般好于线性分类器，即将特征输入MLP中再经过softmax来进行分类。 具体实现为将原先线性分类模块： self.classifier = nn.Linear(config.hidden_size, num_labels) 替换为： self.classifier = MLP(config.hidden_size, num_labels) 并且添加MLP模块： class MLP(nn.Module): def __init__(self, input_size

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：42kb
    • 提供者：weixin_38625192

  1. 基于pytorch的lstm参数使用详解

  2. lstm(*input, **kwargs) 将多层长短时记忆(LSTM)神经网络应用于输入序列。 参数： input_size:输入’x’中预期特性的数量 hidden_size:隐藏状态’h’中的特性数量 num_layers:循环层的数量。例如，设置’ ‘ num_layers=2 ‘ ‘意味着将两个LSTM堆叠在一起，形成一个’堆叠的LSTM ‘，第二个LSTM接收第一个LSTM的输出并计算最终结果。默认值:1 bias:如果’ False’，则该层不使用偏置权重’ b_ih ‘和’ b

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：56kb
    • 提供者：weixin_38568031

  1. pytorch-RNN进行回归曲线预测方式

  2. 任务 通过输入的sin曲线与预测出对应的cos曲线 #初始加载包 和定义参数 import torch from torch import nn import numpy as np import matplotlib.pyplot as plt torch.manual_seed(1) #为了可复现 #超参数设定 TIME_SETP=10 INPUT_SIZE=1 LR=0.02 DOWNLoad_MNIST=True 定义RNN网络结构 from torch.autograd imp

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：80kb
    • 提供者：weixin_38690522

  1. Paddle-Image-Models:PaddlePaddle版本图像模型动物园-源码

  2. 桨图像模型 English | PaddlePaddle版本的图像模型动物园。 安装套件 通过点子安装： $ pip install ppim==1.0.3 -i https://pypi.python.org/pypi 轮装安装： 用法 快速开始 import paddle from ppim import rednet26 # Load the model model , val_transforms = rednet26 ( pretrained = True ) # Model s

  3. 所属分类：其它

    • 发布日期：2021-03-31
    • 文件大小：24kb
    • 提供者：weixin_42116791

  1. TensorRT-YOLOv4:tensorrt5，yolov4，yolov3，yolov3-tniy，yolov3-tniy-prn-源码

  2. TensorRT-YOLOv4 演示 表现 模型 input_size 显卡 模式 推理时间 608x608 gtx 1080Ti float32 23.3毫秒 416x416 gtx 1080Ti float32 13.0毫秒 608x608 gtx 1080Ti float32 18.2毫秒 416x416 gtx 1080Ti float32 10.0毫秒 608x608 gtx 1080Ti float32 3.31毫秒 416x416 gtx

  3. 所属分类：其它