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 使用单个GPU与多个GPU进行训练与测试的方法

  2. 今天小编就为大家分享一篇pytorch 使用单个GPU与多个GPU进行训练与测试的方法，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：40kb
    • 提供者：weixin_38659527

  1. windows10环境下安装深度学习环境anaconda+pytorch+CUDA+cuDDN

  2. windows10环境下安装深度学习环境anaconda+pytorch+CUDA+cuDDN 步骤零：安装anaconda、opencv、pytorch（这些不详细说明）。复制运行代码，如果没有报错，说明已经可以了。不过大概率不行，我的会报错提示AssertionError: Torch not compiled with CUDA enabled。说明需要安装CUDA，或者安装的pytorch版本是不带CUDA的版本，需要按照以下步骤操作。 步骤一：安装CUDA 步骤二：安装cuDDN 步骤

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：292kb
    • 提供者：weixin_38601103

  1. spadRGBD-源码

  2. 稀疏到密集的火炬 此存储库由麻省理工学院的 和进行了深度回归神经网络的训练和测试，以用于 。 一个视频演示。 此仓库可用于培训和测试 基于RGB（或灰度图像）的深度预测 基于稀疏深度的深度预测 基于RGBd（即RGB和稀疏深度）的深度预测 本文的原始Torch实现可在找到。 内容 要求 此代码已通过Python 3和PyTorch 0.4.0进行了测试。 在具有CUDA GPU的计算机上安装 。 安装和其他依赖项（预处理数据集中的文件为HDF5格式）。 sudo apt-get update

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：193kb
    • 提供者：weixin_42115513

  1. deep-learning-neural-network-for-chaotic-systems-:使用yolov3，darknet，Python，PyTorch和OpenCV高级设计神经网络来预测混沌系统的结果-轮盘赌-源码

  2. 混沌系统的深度学习神经网络 介绍 iya，这将是我的高级设计项目的指南，该项目跨越普渡大学的两个学期的高级设计I（2019年Spring）和高级设计II（2019年秋季）。 该项目涉及设计和开发一个神经网络，该网络将检测轮盘的0个口袋和球，并预测轮盘比赛中球将落在哪个口袋上。 内容 设置测试 必备任务 YOLOv3 MTurk边界框实用程序 0.设置测试 这些是简单的设置过程，有助于以后创建神经网络。 这些代码大部分是用Python编写的，使用Jupyter笔记本可视化代码，或者像PyCha

  3. 所属分类：其它

  1. spp-explainability:索帕++-源码

  2. 索帕++ 该资料库以“ SoPa ++：利用混合RNN，CNN和加权有限状态神经体系结构的可解释性”为标题进行论文研究。 依存关系 该存储库的代码已通过python版本3.7.*进行了测试。 为了同步依赖关系，我们建议创建一个虚拟环境并通过pip安装相关的软件包： pip install -r requirements.txt 注意：如果您打算使用GPU，则requirements.txt的torch==1.7.0依赖项可以与CUDA版本10.2 。 如果您使用的是其他版本的CUDA，请

  3. 所属分类：其它

  1. SSAS沉淀BiasCorrection-SCMO-PyTorch：我们开发了一种新颖的深度学习模型，用于对降水数值预报进行后处理-源码

  2. SSAS：时空尺度自适应选择，以改善降水的偏差校正 我们开发了一种新颖的基于深度学习的模型，用于对降水数值预报进行后处理，称为时空尺度自适应选择。 [] [ ] [ ] 使用情况 我们提供run.sh（bash-> run.sh）以根据型号序列号（SNM）训练和测试降水校正器。 python - m torch . distributed . launch - - nproc_per_node = - - master_port = main . py - d - m -

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：644kb
    • 提供者：weixin_42134285

  1. DIRV：“ DIRV：用于端到端人对对象交互检测的密集交互区域投票”的代码（AAAI 2021）-源码

  2. DIRV：密集交互区域投票的端到端人对象交互检测 论文“ DIRV：用于端到端人对对象交互检测的密集交互区域投票”（AAAI 2021）官方代码实现。 该代码是基于的体系结构开发的。 我们衷心感谢作者的出色工作。 检查清单 V-COCO数据集的培训和测试 HICO-DET数据集的培训和测试 图像演示 视频演示 使用GPU进行推理的更有效的投票策略 先决条件 该代码已使用python 3.6，pytorch 1.5.1，torchvision 0.6.1，CUDA 10.2和Ubun

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：433kb
    • 提供者：weixin_42133899

  1. ban-vqa：用于视觉问题回答的双线性注意力网络-源码

  2. 双线性注意力网络 该存储库是用于视觉问题回答和Flickr30k实体任务的的实现。 对于视觉问题回答任务，我们的单个模型达到70.35 ，而15个模型的整体达到71.84 （测试标准，VQA 2.0）。 对于Flickr30k Entities任务，我们的单个模型的Recall 1、5和10分别达到69.88 / 84.39 / 86.40 （略好于原始论文）。 有关详细信息，请参阅我们的。 该存储库基于 hengyuan-hu的并受其启发。 我们衷心感谢您分享代码。 更新 使用torch

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：847kb
    • 提供者：weixin_42109125

  1. 奥托甘-源码

  2. 奥托甘 纸： 。 数据： 再现性审查 AutoGAN已在ICCV 2019上发布。根据``中的指南，本文的功能列出如下。 产品特点 评论 出版年份 2019年 第一年尝试 -- 场地类型 会议 严谨与经验 经验 有附录 没有 看起来令人生畏 没有 可读性 好 算法难度 高 伪码 是 主要话题 NAS，GAN 样题 没有 计算指定 没有 指定的超参数 部分的 需要计算 是 作者回复 呐 可用代码 是 页数 11 出版地点 国际CCV 参考编号 73 数方程 3 号码证明 0

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：126mb
    • 提供者：weixin_42099987

  1. pytorch模型提示超出内存RuntimeError: CUDA out of memory.

  2. 跑模型时出现RuntimeError: CUDA out of memory.错误 查阅了许多相关内容，原因是：GPU显存内存不够 简单总结一下解决方法： 将batch_size改小。 取torch变量标量值时使用item()属性。 可以在测试阶段添加如下代码： with torch.no_grad(): # 停止自动反向计算梯度 参考： https://wisdomai.xyz/tool/pytorch/archives/2301 https://ptorch.com/news/160

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：27kb
    • 提供者：weixin_38552305

  1. pytorch 使用单个GPU与多个GPU进行训练与测试的方法

  2. 如下所示： device = torch.device(cuda:0 if torch.cuda.is_available() else cpu)#第一行代码 model.to(device)#第二行代码 首先是上面两行代码放在读取数据之前。 mytensor = my_tensor.to(device)#第三行代码 然后是第三行代码。这句代码的意思是将所有最开始读取数据时的tersor变量copy一份到device所指定的GPU上去，之后的运算都在GPU上进行。需要注意的是这句话并不像前面

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：43kb
    • 提供者：weixin_38529486

  1. 使用PyTorch实现MNIST手写体识别代码

  2. 实验环境 win10 + anaconda + jupyter notebook Pytorch1.1.0 Python3.7 gpu环境（可选） MNIST数据集介绍 MNIST 包括6万张28×28的训练样本，1万张测试样本，可以说是CV里的“Hello Word”。本文使用的CNN网络将MNIST数据的识别率提高到了99%。下面我们就开始进行实战。 导入包 import torch import torch.nn as nn import torch.nn.functional as

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：54kb
    • 提供者：weixin_38691055

  1. torch-audiomentations:PyTorch中的快速音频数据增强。 受到听觉启发的启发。 对深度学习有用-源码

  2. PyTorch中的音频数据增强。 受启发。 支持CPU和GPU-速度是重中之重 支持批量多声道（或单声道）音频 变换扩展了nn.Module ，因此它们可以集成为pytorch神经网络模型的一部分 大多数变换是可区分的 三种模式： per_batch ， per_example和per_channel 跨平台兼容性 麻省理工学院许可 争取高测试覆盖率 设置 pip install torch-audiomentations 用法示例 import torch from torch_aud

  3. 所属分类：其它