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::Dataloader中的迭代器和生成器应用详解

  2. 主要介绍了pytorch::Dataloader中的迭代器和生成器应用详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

  3. 所属分类：其它

    • 发布日期：2020-09-18
    • 文件大小：74kb
    • 提供者：weixin_38728277

  1. 使用pytorch进行图像的顺序读取方法

  2. 产生此次实验的原因：当我使用pytorch进行神经网络的训练时，需要每次向CNN传入一组图像，并且这些图片的存放位置是在两个文件夹中： A文件夹：图片1a，图片2a，图片3a……图片1000a B文件夹：图片1b, 图片2b，图片3b……图片1000b 所以在每个循环里，我都希望能从A中取出图片Na,同时从B文件夹中取出对应的图片Nb。 测试一：通过pytorch官方文档中的dataloader搭配python中的迭代器iterator dataset = dset.ImageFolder(

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：49kb
    • 提供者：weixin_38731761

  1. pytorch梯度剪裁方式

  2. 我就废话不多说，看例子吧！ import torch.nn as nn outputs = model(data) loss= loss_fn(outputs, target) optimizer.zero_grad() loss.backward() nn.utils.clip_grad_norm_(model.parameters(), max_norm=20, norm_type=2) optimizer.step() nn.utils.clip_grad_norm_ 的参数： par

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：33kb
    • 提供者：weixin_38700790

  1. 2020/02/17 学习总结

  2. 每天进步一点点呀，要慢慢积累，加油。 1、阅读了论文《Multinomial Distribution Learning for Effective Neural Architecture Search》。论文提出的Performance ranking hypothesis，从想法到写作技巧都值得学习。 2、python的iter()的用法，感觉很方便的样子。 train_loader里是采样得到的几批数据，用iter()函数将train_loader里的数据按批次生成迭代器。 3、pyto

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：38kb
    • 提供者：weixin_38710557

  1. EasyRL:EasyRL-源码

  2. EasyRL 概述 近年来，我们目睹了强化学习（RL）的许多令人瞩目的进步，包括AlphaGo，OpenAI Five等。对于实际应用，我们已经成功地将RL应用到了许多电子商务场景中，例如基于会话的学习进行排名，与有监督的学习范式相比，RL的交互性提高了其应用的门槛，因为从业者必须 实现复杂的学习算法，而不是简单地从TensorFlow（TF）/ PyTorch中选择一种损失，模型和优化器 当考虑分布式设置时，处理数据（状态，动作，奖励等）和模型参数的通信 此仓库以独立和分布式模式提供了许多广泛

  3. 所属分类：其它

    • 发布日期：2021-03-22
    • 文件大小：708kb
    • 提供者：weixin_42139252

  1. pytorch_geometric_temporal:PyTorch Geometric的时间扩展库-源码

  2. | | PyTorch几何态是时间（动态）扩展文库。 该库包含来自各种已发表研究论文的各种动态和时间几何深度学习，嵌入以及时空回归方法。此外，它还提供了易于使用的数据集加载器和迭代器，用于动态和时间图以及gpu支持。它还附带了许多带有时间和动态图的基准数据集（您也可以创建自己的数据集）。 引用 如果您发现PyTorch Geometric Temporal和新的数据集对您的研究有用，请考虑添加以下引用： misc { pytorch_geometric_temporal , au

  3. 所属分类：其它

  1. Natural-Language-Processing-源码

  2. 自然语言处理 bentrevett的pytorch教程。 하였고정수，한국어로설명을다。 讲解 1- Pytorch的torchtext的照片。 torchtext데이데이스（IMDb数据集）current递归神经网络（RNN）영화의가가정적인리뷰인지，부정적인리뷰인지를다。 加载数据，创建训练/测试/验证拆分，构建词汇表，创建数据迭代器，定义模型并实施训练/评估/测试循环。 performance이가학습하기튜토리얼이므로性能가좋지않습니다。 2- 1구현한工作流程변형하여정확도

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：360kb
    • 提供者：weixin_42159267

  1. Vision-Systems-Lab:MLP，DCNN，深度卷积自动编码器，LSTM，GRU，ResNets，DCGAN-波恩大学的CudaVision实验室（SS19）-源码

  2. 视觉系统实验室：在GPU上学习计算机视觉[自述文件未定期更新] 作者：Saikat Roy， 波恩大学CudaVision实验室（SS19）的存储库（主要）在PyTorch，Python3和Jupyter笔记本电脑上实现。 该项目从神经网络的基础开始，并延伸到更深层次的模型。 以下项目包含在相应的文件夹中： 项目1：Softmax回归（无autograd / Pytorch张量） 涉及使用softmax回归和手动梯度计算对MNIST数据集进行分类。 经过5次简单的迭代运行后，训练和测试集

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：14mb
    • 提供者：weixin_42116921

  1. lightweight-gan:在Pytorch的ICLR 2021中提出的“轻量级” GAN的实现。 可以在一两天内进行训练的高分辨率图像生成-源码

  2. 训练12小时后512x512鲜花，1 gpu 训练12小时后256x256朵鲜花，1 gpu 比萨 ``轻巧''GAN 在Pytorch的ICLR 2021中提出的实现。 本文的主要贡献是发生器中的跳层激励，以及鉴别器中的自动编码自监督学习。 引用单行摘要“在经过数小时培训的情况下，可以在1024 g分辨率的数百张图像上融合在单个gpu上”。 安装 $ pip install lightweight-gan 使用 一个命令 $ lightweight_gan --data ./path/t

  3. 所属分类：其它

  1. catalyst-info-源码

  2. 加快DL研发 用于深度学习研究和开发的PyTorch框架。 它的开发侧重于可重复性，快速实验和代码/想法重用。 能够研究/开发新事物，而不是编写另一个常规火车循环。 打破循环-使用催化剂！ 项目。 。 ： -实验记录和可视化 -加速的深度学习研究与开发 -方便的深度学习模型服务 。 您可以通过或下一版本的主题 :winking_face: 另请查看我们维护的 内容 催化剂信息＃5。 回呼 催化剂版本： 19.11日期： 2019-11-07 大家好你们好！ 现在是11月，有一个新版本

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：822kb
    • 提供者：weixin_42150745

  1. perceiver-pytorch:在Pytorch中实现感知器（具有迭代注意的一般感知）-源码

  2. 感知器-火炬 在Pytorch中实现 （具有迭代注意的一般感知） 安装 $ pip install perceiver-pytorch 用法 import torch from perceiver_pytorch import Perceiver model = Perceiver ( num_fourier_features = 6 , # number of fourier features, with original value (2 * K + 1) depth

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：70kb
    • 提供者：weixin_42144366

  1. PytorchToCaffe：从Pytorch模型到Caffe模型，支持pytorch 0.3、0.3.1、0.4、0.4.1、1.0、1.0.1、1.2、1.3。请注意，只有pytorch 1.1有一些错误-源码

  2. 由于我们使用的pytorch模型基本上是动态图结构，因此动态图的问题在于，一旦前向不完整，就无法确定图结构，并且caffe是静态图框架，这将导致模型从pytorch转换为caffe到caffe。遇到很多问题，并且pytorch版本迭代非常快，因此不再建议使用此仓库。如果要将pytorch转换为caffe，建议通过此仓库使用pytorch-> onnx-> caffe 。 该代码主要来自 。感谢hahnyuan的贡献。 神经网络工具：转换器和分析器 提供用于pytorch和caffe

  3. 所属分类：其它

    • 发布日期：2021-02-20
    • 文件大小：203kb
    • 提供者：weixin_42131618

  1. snkr-finder：Sneaker Finder的Nbdev重构（Insights数据科学sprint项目）-源码

  2. 搜寻器 该模块处理创建和执行一个简单工具的过程，该工具可以查找称为“ Sneaker Finder”的类似运动鞋。 该存储库是使用fastai API和nbdev构建的，并且是作为在keras / tensorflow中执行的Insight Data Science sprint项目的一部分而启动的项目的完整重构。 目标： - learning PyTorch frameworks - learn fastai api - iterate on and extend simple POC "s

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：43mb
    • 提供者：weixin_42134234

  1. sagemaker-debugger：Amazon SageMaker Debugger提供的功能可以在训练机器学习作业期间保存张量并分析这些张量-源码

  2. Amazon SageMaker调试器 目录 总览 自动执行机器学习培训作业的调试过程。 在训练工作中，Debugger允许您使用Debugger内置功能Hook和Rule来运行自己的训练脚本（零脚本更改经验）以捕获张量，可以灵活地构建自定义的Hook和Rule以根据需要配置张量，以及通过保存在存储桶中，通过灵活而强大的API，使张量可用于分析。 在训练作业期间， smdebug库通过从S3存储桶调用保存的张量来为Debugger供电。 smdebug检索并过滤从调试器生成的张量，例如渐变，权

  3. 所属分类：其它

  1. gradslam：gradslam是PyTorch的开源可区分的密集SLAM库。-源码

  2. 总览 gradslam是一个完全可区分的密集SLAM框架。 它为密集的SLAM系统提供了可区分的构建块的存储库，例如可区分的非线性最小二乘法求解器，可区分的ICP（迭代最近点）技术，可区分的射线广播模块和可区分的映射/融合块。 可以使用这些块来构造SLAM系统，该系统允许渐变从系统的输出（地图，轨迹）一直流到输入（原始颜色/深度图像，参数，校准等）。 rgbdimages = RGBDImages ( colors , depths , intrinsics ) slam = PointFus

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：22mb
    • 提供者：weixin_42126865

  1. 点燃：高级库，可帮助您灵活透明地训练和评估PyTorch中的神经网络-源码

  2. TL; DR Ignite是一个高级库，可帮助您灵活透明地训练和评估PyTorch中的神经网络。 点击图片查看完整的代码 产品特点 同时确保最大程度的控制和简化 库方法，无程序控制反转-在需要的位置和时间使用ignite 适用于指标，实验管理器和其他组件的可扩展API 目录 为什么点燃？ Ignite是一个提供三个高级功能的库： 极其简单的引擎和事件系统 开箱即用的指标可轻松评估模型 内置处理程序以组成训练流水线，保存工件并记录参数和度量 简化的培训和验证循环 在历元和迭代中不再需要

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：13mb
    • 提供者：weixin_42109598

  1. torchnlp：基于PyTorch和TorchText构建的易于使用的NLP库-源码

  2. 火炬手 TorchNLP是用于NLP任务的深度学习库。 它基于PyTorch和TorchText构建，旨在提供可跨任务使用的可重用组件。 当前，它可以用于具有双向LSTM CRF模型和Transformer网络模型的命名实体识别（NER）和分块任务。 它可以支持使用任何数据集。 不久将添加更多任务 高水平的工作流程 定义NLP任务 扩展Model类并实现forward()和loss()方法以分别返回预测和损失 使用HParams类轻松定义模型的超参数 使用 API定义一个数据函数以返回数据集迭代

  3. 所属分类：其它

  1. Pytorch技巧:DataLoader的collate_fn参数使用详解

  2. DataLoader完整的参数表如下： class torch.utils.data.DataLoader( dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None) DataLoader在数据集上提

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：49kb
    • 提供者：weixin_38716460