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. PyTorch 模型训练实用教程

  2. 本教程内容主要为在 PyTorch 中训练一个模型所可能涉及到的方法及函 数， 并且对 PyTorch 提供的数据增强方法（22 个）、权值初始化方法（10 个）、损失函数（17 个）、优化器（6 个）及 tensorboardX 的方法（13 个） 进行了详细介绍，本教程分为四章， 结构与机器学习三大部分一致。 第一章， 介绍数据的划分，预处理，数据增强； 第二章， 介绍模型的定义，权值初始化，模型 Finetune； 第三章， 介绍各种损失函数及优化器； 第四章， 介绍可视化工具，用于监控数

  3. 所属分类：机器学习

    • 发布日期：2019-03-03
    • 文件大小：4mb
    • 提供者：qq_29893385

  1. pytorch 更改预训练模型网络结构的方法

  2. 今天小编就为大家分享一篇pytorch 更改预训练模型网络结构的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-18
    • 文件大小：32kb
    • 提供者：weixin_38650379

  1. Pytorch中实现只导入部分模型参数的方式

  2. 我们在做迁移学习，或者在分割，检测等任务想使用预训练好的模型，同时又有自己修改之后的结构，使得模型文件保存的参数，有一部分是不需要的（don’t expected）。我们搭建的网络对保存文件来说，有一部分参数也是没有的（missed）。如果依旧使用torch.load（model.state_dict())的办法，就会出现 xxx expected，xxx missed类似的错误。那么在这种情况下，该如何导入模型呢？ 好在Pytorch中的模型参数使用字典保存的，键是参数的名称，值是参数的具体数

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：52kb
    • 提供者：weixin_38723699

  1. pytorch 实现在预训练模型的 input上增减通道

  2. 如何把imagenet预训练的模型，输入层的通道数随心所欲的修改，从而来适应自己的任务 #增加一个通道 w = layers[0].weight layers[0] = nn.Conv2d(4, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False) layers[0].weight = torch.nn.Parameter(torch.cat((w, w[:, :1, :, :]), dim=1)) #方式2 w

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：31kb
    • 提供者：weixin_38663167

  1. Pytorch加载部分预训练模型的参数实例

  2. 前言 自从从深度学习框架caffe转到Pytorch之后，感觉Pytorch的优点妙不可言，各种设计简洁，方便研究网络结构修改，容易上手，比TensorFlow的臃肿好多了。对于深度学习的初学者，Pytorch值得推荐。今天主要主要谈谈Pytorch是如何加载预训练模型的参数以及代码的实现过程。 直接加载预选脸模型 如果我们使用的模型和预训练模型完全一样，那么我们就可以直接加载别人的模型，还有一种情况，我们在训练自己模型的过程中，突然中断了，但只要我们保存了之前的模型的参数也可以使用下面的代码直

  3. 所属分类：其它

    • 发布日期：2021-01-01
    • 文件大小：47kb
    • 提供者：weixin_38666823

  1. pytorch 更改预训练模型网络结构的方法

  2. 一个继承nn.module的model它包含一个叫做children()的函数，这个函数可以用来提取出model每一层的网络结构，在此基础上进行修改即可，修改方法如下(去除后两层)： resnet_layer = nn.Sequential(*list(model.children())[:-2]) 那么，接下来就可以构建我们的网络了： class Net(nn.Module): def __init__(self , model): super(Net, self).__ini

  3. 所属分类：其它

    • 发布日期：2020-12-31
    • 文件大小：33kb
    • 提供者：weixin_38665411

  1. Pytorch修改ResNet模型全连接层进行直接训练实例

  2. 之前在用预训练的ResNet的模型进行迁移训练时，是固定除最后一层的前面层权重，然后把全连接层输出改为自己需要的数目，进行最后一层的训练，那么现在假如想要只是把 最后一层的输出改一下，不需要加载前面层的权重，方法如下： model = torchvision.models.resnet18(pretrained=False) num_fc_ftr = model.fc.in_features model.fc = torch.nn.Linear(num_fc_ftr, 224) model =

  3. 所属分类：其它

    • 发布日期：2020-12-26
    • 文件大小：31kb
    • 提供者：weixin_38699830

  1. ImageProcessingTransformer:图像处理变压器的第三方Pytorch工具（预训练的图像处理变压器arXiv-源码

  2. ImageProcessingTransformer 图像处理变压器的第三方Pytorch工具（预训练图像处理变压器arXiv：2012.00364v2） 最新版本根据官方的实施规则进行了一些重要的修改。 它使收敛更快。 请确保您更新到最新版本。 仅包含模型定义文件和训练/测试文件。 Dataloader文件尚未发布。 您可以实现自己的数据加载器。 它可能会在下一版本中发布。 预训练随机任务 python main.py --seed 0 \ --lr 5e-5 \ --save-pat

  3. 所属分类：其它

    • 发布日期：2021-03-25
    • 文件大小：159kb
    • 提供者：weixin_42151036

  1. efficientnet-yolo3-pytorch:这是一个有效的网络-yolo3-pytorch的原始码，将yolov3的主干特征提取网络修改成为有效的网络-源码

  2. YOLOV3：只看一次目标检测模型在Pytorch当中的实现-替换高效网络主干网络 2021年2月8日更新：加入letterbox_image的选项，关闭letterbox_image后网络的地图得到大幅度提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 行动计划0.5：0.95 行动计划0.5 挥发性有机化合物07 + 12 VOC-Test07 416x416 -- 78.9 所需环境 火炬== 1.2.0 文件下载 训练所需的efficiencynet

  3. 所属分类：其它

  1. Flat-ner:ACL2020的代码-源码

  2. 平面变压器 ACL 2020论文的代码：FLAT：使用平格变压器的中文NER。 模型和结果可在我们的ACL 2020文件找到。 要求： Python: 3.7.3 PyTorch: 1.2.0 FastNLP: 0.5.0 Numpy: 1.16.4 您可以在了解有关FastNLP的更多信息。 如何运行代码？ 下载字符嵌入和单词嵌入。 字符和Bigram嵌入（gigaword_chn.all.a2b。{'uni'或'bi'}。ite50.vec）： 或 词（格）嵌入： yj，（ctb.

  3. 所属分类：其它

    • 发布日期：2021-03-23
    • 文件大小：71kb
    • 提供者：weixin_42178963

  1. Flat-Lattice-Transformer:ACL 2020纸代码-源码

  2. 平面变压器 ACL 2020论文的代码：FLAT：使用平格变压器的中文NER。 模型和结果可在我们的ACL 2020文件找到。 要求： Python: 3.7.3 PyTorch: 1.2.0 FastNLP: 0.5.0 Numpy: 1.16.4 您可以在了解有关FastNLP的更多信息。 如何运行代码？ 下载字符嵌入和单词嵌入。 字符和Bigram嵌入（gigaword_chn.all.a2b。{'uni'或'bi'}。ite50.vec）： 或 词（格）嵌入： yj，（ctb.50d

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：65kb
    • 提供者：weixin_42139302

  1. DeepNER:天池中药说明书实体识别挑战冠军方案；中文命名实体识别； NER; BERT-CRF＆BERT-SPAN＆BERT-MRC； Pytorch-源码

  2. 中文-DeepNER-Pytorch 天池中药说明书实体识别挑战冠军方案开源 贡献者： zxx飞翔​​的鱼： : 我是蛋糕王： : 数青峰： : 后续官方开放数据集后DeepNER项目会进行优化升级，包含完整的数据处理，训练，验证，测试，部署流程，提供详细的代码注释，模型介绍，实验结果，提供更普适的基础预训练的中文命名实体识别方案，开箱即用，欢迎星级！ （代码框架基于火炬和变压器，框架进行性，解耦性，易读性较高，很容易修改迁移至其他NLP任务中） 环境 python3 . 7 p

  3. 所属分类：其它

  1. PRNet_PyTorch:PyTorch 1.1.0中PRNet的培训和推理代码-源码

  2. PRNet PyTorch 1.1.0 这是一个非官方的pytorch实施PRNET的，因为没有一个完整的生成和训练码数据集。 作者：Samuel Ko，mjanddy。 更新日志 日期：2019.11.13 notice ：mj已在加载uv map中修复了一个重要错误。 原始的uv_map.jpg已翻转，因此此处使用* .npy可以解决此问题。 感谢 ！ 日期：2019.11.14 notice ：推断阶段已上传，预训练模型可在results/latest.pth 。 感谢 ！ 诺蒂

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：40mb
    • 提供者：weixin_42131861

  1. densecap-pytorch:密集帽的简化pytorch版本-源码

  2. 皮尔托奇的Densecap 简化pytorch版本 发出或直接通过与我联系 什么是密集帽？ 从图像中检测区域，并用简短的句子描述每个区域。 参见或 那这个实现呢？ 事情是最新的：Python 3.7和pytorch 1.4.0 我们的模型代码直接从继承了GeneralizedRCNN，并试图使其易于理解和使用（希望如此）。 因此，区域检测器部分与原始纸张不同。 应该可以在具有12GB内存的单个GTX 1080Ti GPU上进行训练。 要求 的Python 3.7 pytorch 1

  3. 所属分类：其它

  1. CNN_classification_feature_extraction：PyTorch中的CNN模型用于分类和特征提取-源码

  2. CNN_classification_feature_extraction 该存储库是pytorch中用于分类和特征提取的CNN的实现。 Pytorch预训练的模型已被用于其解释。 该代码支持数据并行性和多GPU，提早停止和类权重。 此外，您可以选择加载预训练的权重（在ImageNet数据集上进行训练）或使用随机权重从头开始训练。 预训练的模型结构在最后一层有1000个节点。 此代码将所有模型的最后一层修改为可与每个数据集兼容。 可以使用以下模型： 'resnet18', 'resne

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：19kb
    • 提供者：weixin_42152298

  1. fast_adversarial：[ICLR 2020]一个使用FGSM进行极快对抗训练的存储库-源码

  2. 使用FGSM进行快速对抗训练 使用FGSM对手实施快速对抗训练代码的存储库，能够在6分钟内训练强大的CIFAR10分类器，并在12小时内训练强大的ImageNet分类器。 由 ， 和。 请参阅我们的arXiv上的论文，这是由自由对抗训练纸灵感通过Shafahi等。 （2019）。 消息 12/19/2019-ICLR 2020接受 1/14/2019-arXiv发布并发布存储库 该存储库中有什么？ 带有针对MNIST，CIFAR10和ImageNet的随机初始化的FGSM对抗训练方法的实现 使

  3. 所属分类：其它

  1. 交通标志识别：具有STN和大量数据增强功能的PyTorch中的交通标志识别（GTSRB）-源码

  2. 交通标志识别 将交通标志图像识别并分类为来自数据集的43类。 该项目是Rob Fergus领导的纽约大学计算机视觉课程的一部分，并作为Kaggle竞赛进行。 该模型是使用带有IDSIA网络修改版本的Spatial Transformer网络设计的，并使用大量增强的数据进行了训练。 该模型在Kaggle排行榜上达到了约99.5％的测试设置精度，远高于人工精度。 该项目的整个开发过程可以在阅读。 数据 从下载培训和测试文件夹 跑步 项目可以通过两种方式运行，即main.ipynb jupyter

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：230kb
    • 提供者：weixin_42129970

  1. BERTem：论文实现（ACL2019）：《填补空白：关系学习的分布相似性》-源码

  2. 实现说明 主要实现文章前半部分的工作，PyTorch实现，基于的工作，PyTorch才是世界上最屌的框架，逃脱。 实现参考 代码说明 （1）主要修改： 输出表示形式： BertForSequenceClassification 输入表示形式： BertEmbeddings 输入和输出都实现了多种策略，可以结合具体的任务，找到最佳的组合。 （2）非主要实现：examples下的关于classification的文件 （3）服务部署：基于Flask，可以在本地开启一个服务。具体实现在中。

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：363kb
    • 提供者：weixin_42104906

  1. 变形金刚：:hugging_face:变形金刚：Pytorch和TensorFlow 2.0的最新自然语言处理-源码

  2. PyTorch和TensorFlow 2.0的最新自然语言处理 :hugging_face: 变形金刚提供了数千种经过预训练的模型，可以对文本执行多种任务，例如100多种语言的分类，信息提取，问题解答，摘要，翻译，文本生成等。 其目的是使尖端的NLP易于所有人使用。 :hugging_face: Transformers提供了API，可在给定的文本上快速下载和使用那些经过预训练的模型，在您自己的数据集上对其进行微调，然后在我们的上与社区共享。 同时，每个定义架构的python模块都可以独立

  3. 所属分类：其它

  1. FCN模型实现-Pytorch+预训练VGG16

  2. FCN模型的网络与VGG16类似，之后后边将全连接层换成了卷基层，具体的网络结构与细节可以去看论文： https://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn.pdf 下边详细讲一下用Pytorch对FCN的实现： 本文参考了https://zhuanlan.zhihu.com/p/32506912 但是修改了部分代码，加上了很多新的注释，并将代码更新到Pytorch1.x 首先是读取图像 #使用的VOC数据目录 voc_root

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：284kb
    • 提供者：weixin_38725625
« 12 »