【深度学习】资源:最全的 Pytorch 资源大全
发布日期:2021-09-18 21:55:52
浏览次数:2
分类:技术文章
本文共 15976 字,大约阅读时间需要 53 分钟。
Pytorch资源大全
目录
Pytorch及相关库
- :Python中的张量和动态神经网络,具有强大的GPU加速功能。
NLP和语音处理:
- :火炬文本相关内容。
- :实现的序列到序列(seq2seq)模型的框架。
- :使用PyTorch进行NLP的可解释模型。
- :用于pytorch的简单音频I / O.
- :一种跨多个扬声器生成语音的方法
- :用Python编写的Facebook AI研究序列到序列工具包。
- :PyTorch ASR实施。
- :PyTorch 的开源神经机器翻译
- :基于神经网络和spaCy huggingface.co/coref的最先进的共指消解
- :大规模的无监督语言建模,用于稳健的情绪分类。
- :多语言无监督或监督词嵌入的库
- :神经机器翻译框架。
- :WaveNet的快速生成实现
- :Tacotron:走向端到端语音合成。
- :一个基于PyTorch构建的开源NLP研究库。
- :文本实用程序和数据集pytorchnlp.readthedocs.io
- :基于FastAI的Pytorch NLP库。
- :深入学习Text2Speech
- :语言不可知的能力表征
- :用于扬声器分类的神经构建块:语音活动检测,扬声器变化检测,扬声器嵌入
- :通过大规模多任务学习学习通用分布式句子表示。
- :翻译 - PyTorch语言库。
- :端到端语音处理工具包espnet.github.io/espnet
- :Visual Question Answering的软件套件
- :基于短语和神经无监督的机器翻译。
- :jiant句子表示学习工具包。
计算机视觉:
- :特定于Computer Vision的数据集,转换和模型。
- :神经风格转移作为PyTorch中的一个类。
- :使用OpenFace的nn4.small2.v1.t7模型的PyTorch模块
- :快速将您的图像分类模型与最先进的模型(如DenseNet,ResNet,......)进行比较
- :子流形稀疏卷积网络。
- :多层卷积LSTM模块
- :? 使用pytorch adrianbulat.com构建2D和3D Face对齐库
- :用于语义分割的PyTorch。
- :这是RoIAlign的PyTorch版本。此实现基于crop_and_resize,并支持CPU和GPU上的前向和后向。
- :使用PyTorch微调预训练卷积神经网络。
- :检测器 - PyTorch的器
- :用于机器学习的Python图像增强库。
- :该库包含用于球形信号的SO(3)等变CNN的PyTorch实现(例如全向摄像机,地球上的信号)s
概率/生成库:
- :概率编程和统计推断
- :使用Python和PyTorch 深度通用概率编程
- :Probabilistic Torch是扩展PyTorch的深层生成模型的库。
- :python / pytorch中的无监督学习和生成模型。
- :Python包,便于使用贝叶斯深度学习方法和PyTorch的变分推理。
- :基于PyTorch的概率编程和推理编译库。
- :用于运行针对ML模型的成员资格推断攻击的库。
其他库:
- :一些额外功能。
- :与lua torch不同,PyTorch在其核心中具有autograd,因此不需要使用torch.nn模块的模块化结构,可以轻松分配所需的变量并编写利用它们的函数,这有时更方便。此repo包含此功能方式的模型定义,某些模型具有预训练权重。
- :该软件包提供一组转换和数据结构,用于从内存或内存不足数据中进行采样。
- : Python包装器,是Torch和星际争霸之间用于人工智能研究的桥梁。
- :Aorun打算和PyTorch一起成为Keras的后端。
- :用于实验的简单记录器。
- :PyTorch docset!与Dash,Zeal,Velocity或LovelyDocs一起使用。
- :将火炬t7模型转换为pytorch模型和源。
- :这个回购的目的是帮助重现研究论文的结果。
- :用于FFT的PyTorch包装器
- :这是PyTorch的CUDA扩展,它计算两个张量的Hadamard积。
- :该模块以张量板格式保存PyTorch张量以供检查。目前支持张量板中的标量,图像,音频,直方图功能。
- :GPyTorch是一个高斯过程库,使用PyTorch实现。它专为轻松创建灵活的模块化高斯过程模型而设计,因此您无需成为使用GP的专家。
- :使用PyTorch的深度推荐模型。
- :使用PyTorch进行压缩网络搜索
- :CuPy融合PyTorch神经网络运算
- :PyTorch周围的实用程序库
- :PyTorch模块的超简单拟合方法
- :的scikit-learn兼容神经网络库。
- :pytorch,caffe prototxt / weights和darknet cfg / weights之间
- :将PyTorch模型转换为Caffemodel
- :
- :训练与CNN一样快(arxiv.org/abs/1709.02755)
- :Torch7 - > CoreML
- :PyTorch深度纹理编码网络
- :PyTorch-CTC是PyTorch的CTC(连接主义时间分类)波束搜索解码的实现。C ++代码从TensorFlow中大量借用,并进行了一些改进以增加灵活性。
- :高斯过程。
- :通过Pair-Wise Averaging进行分布式学习。
- :使用PyTorch的合成梯度解耦神经接口。
- :的scikit-learn兼容神经网络库
- :Ignite是一个高级库,可以帮助在PyTorch中训练神经网络。
- :阿诺德 - DOOM特工
- :将模型从MatConvNet转换为PyTorch
- :简化R-CNN的简化实施,具有竞争力的性能。
- :generative_zoo是一个存储库,它在PyTorch中提供了一些生成模型的工作实现。
- :一个小包,用于创建PyTorch执行图的可视化。
- :Cogitare - Python中的一个现代,快速,模块化的深度学习和机器学习框架。
- :基于PyTorch的深度学习工具箱
- :在实现不同的基于VAE的半监督和生成模型。
- :优化图集群算法的PyTorch扩展库。
- :基于自适应神经编译的pyTorch神经汇编编译器。
- :将Caffe模型转换为PyTorch。
- :PyTorch中的C ++扩展
- :类似Keras的框架和PyTorch实用程序
- :用于NVIDIA Jetson TX1 / TX2的深层强化学习库,包括PyTorch,OpenAI Gym和Gazebo机器人模拟器。
- :在各个示例的级别编写PyTorch代码,然后在minibatches上高效运行它。
- :用于双样本测试的PyTorch库
- :在PyTorch模型汇总类似于
model.summary()
在Keras - :Pytorch实现MaxPoolingLoss。
- :PyTorch中scVI项目的开发分支
- :实验性PyTorch扩展(稍后将弃用)
- :ELF:游戏研究的平台。
- :在(不仅仅是)Pytorch之上的高级库
- :Pytorch实施的JointVAE,一个解开连续和离散变异因子star2的框架
- :PyTorch中的模块化深度强化学习框架。
- :一个Python包,用于使用PyTorch在CPU或GPU上模拟尖峰神经网络(SNN)
- :作为PyTorch nn.Module的扩展实现的ProGAN包
- :几何深度学习扩展库
- :在PyTorch模块上实现+运算符,返回序列。
- :lagom:一种轻型PyTorch基础设施,可快速构建强化学习算法原型。
- :火炬手:使用PyTorch的研究人员的模型训练库。
- :在Pytorch中使用模型不可知元学习进行强化学习。
- :来自神经算术逻辑单元的NAC / NALU的基本pytorch实现,作者:trask et.al arxiv.org/pdf/1808.00508.pdf
- :神经网络多体波函数重建
- :自学的深度学习项目
- :OpenCV实现Torchvision的图像增强
- :fast.ai深度学习库,课程和教程
- :“密集对象网络的代码:通过机器人操作学习密集视觉对象描述符”arxiv.org/pdf/1806.08756.pdf
- :交互式深色着色的PyTorch重新实现richzhang.github.io/ideepcolor
- :PyTorch的一个简单,灵活且可扩展的模板。很美丽。
- :OpenChem:用于计算化学和药物设计研究的深度学习工具包mariewelt.github.io/OpenChem
- :PyTorch aiqm.github.io/torchani上精确的神经网络潜力
- :L-BFGS的PyTorch实现。
- :中高斯过程的高效和模块化实现。
- :在pytorch中的hessian。
- :深度学习研究中的速度。
- :跳过PyTorch DataLoader中的坏项,使用Transforms as Filters等等!
教程和示例
- :解释不同RNN模型的教程
- :关于深度学习的IPython Notebook教程,重点是自然语言处理。
- :研究人员用pytorch学习深度学习的教程。
- :pytorch-exercises集合。
- :各种pytorch教程。
- :展示使用pytorch的示例的存储库
- :一些示例脚本。
- :最小教程改编自Alec Radford的Theano教程。
- :基于CNN的文本分类的简单实现
- :pytorch网络微调的例子,对于kaggle比赛Dogs vs. Cats Redux:Kernels Edition。目前在排行榜上排名第27(0.05074)。
- :这是深度卷积网络在各种数据集(ImageNet,Cifar10,Cifar100,MNIST)上的完整培训示例。
- :使用PyTorch的简单生成对抗网络(GAN)。
- :该存储库旨在通过提供Torch表层的PyTorch实现列表,帮助前Torchies更加无缝地过渡到PyTorch的“无容器”世界。
- : t-SNE实验
- :Adversarial Autoencoders(与Pytorch合作)。
- :适合初学者的PyTorch教程。
- :基于pytorch的char-RNN。
- :REINFORCE的PyTorch实现,这个repo支持OpenAI gym中的连续和离散环境。
- :轻松快速地构建您的神经网络
- :几个脚本,用于说明如何在PyTorch中执行CNN和RNN
- :CIFAR-10/100和ImageNet上图像分类任务的统一框架。
- :在NumPy和PyTorch中创建的随机教程。
- :快速PyTorch介绍和教程。目标是计算机视觉,图形和机器学习研究人员渴望尝试新的框架。
- :一个关于在PyTorch中执行微调或转移学习的简短教程。
- :pytorch-exercises
- :nyu-cv-fall-2017示例
- :通过循环推理和跳过过滤连接进行语音分离 - PyTorch实现。演示:js-mim.github.io/mss_pytorch
- Pytorch在cs-224n中实现各种Deep NLP模型(Stanford Univ:NLP with Deep Learning)
- :为欢迎MILA新生提供各种教程。
- :用于学习使用PyTorch进行强化学习。
- :在PyTorch中注意神经机器翻译的最小Seq2Seq模型
- : Tensor方法tensorly.github.io/dev
- :时间序列预测相关的例子。
- :在PyTorch中实现Skip-Thought Vectors。
- :用于视频字幕的pytorch代码。
- :Pytorch易于关注的胶囊网络教程。
- :这是“使用PyTorch学习深度学习”一书的代码item.jd.com/17915495606.html
- :Pytorch易于遵循的深入Q学习教程,带有干净的可读代码。
- :在亚特兰大二世的Jupyter Day与PyTorch加速深度学习。
- :PyTorch4教程:演员评论家/近端政策优化/宏碁/ ddpg /双人决斗ddpg /软演员评论家/生成对抗模仿学习/后见之明体验重播
- :PyTorch中文教程。
- :Hitchiker的PyTorch指南
- :使用PyTorch进行深度学习的微创。
- :PyTorch的一些自定义数据集示例
- :课程深度学习(deeplearning.ai)专业化的PyTorch实现。
- :这是一个如何在Python中训练MNIST网络并使用pytorch 1.0在c ++中运行它的示例
论文的实现
- :这实现了Esteban Real等人大规模演化图像分类器的结果网络之一。
- :使用CuPy / PyTorch进行快速散射变换,请阅读的论文
- :扩展散射变换:深度混合网络。
- :按字符逐个学习的自动标点符号的pytorch实现。
- :这是的pytorch版本,原始代码在。
- :价值迭代网络(NIPS '16)论文的PyTorch实现
- :在pytorch中实施的公路网。
- :在pytorch中实现的NEG丢失。
- :循环变分自动编码器,用于生成在pytorch中实现的顺序数据。
- :在pytorch中实现的时间延迟NN。
- :Eve Optimizer的一个实现,在具有反馈的Imploving Stochastic Gradient Descent中提出,Koushik和Hayashi,2016。
- :基于任务的端到端模型学习。
- :PyTorch实现“使用条件对抗网络的图像到图像的翻译”。
- :单次多盒的PyTorch实现。
- :PyTorch实施“学习发现与生成对抗网络的跨域关系”
- :“学习发现与生成性对抗网络的跨域关系”的官方实施。
- :这是的PyTorch实现。
- :使用pytorch对VOC2012数据集进行像素分割。
- :深度Q-Learning网络。
- :图像字幕模型(with_finetune分支中的finetunable cnn)
- :V-Net的Pytorch实现:用于体积医学图像分割的完全卷积神经网络。
- :完全卷积网络的PyTorch实现。
- :PyTorch中实现的CIFAR10 / 100的WideResNets。这种实现需要的GPU内存少于官方Torch实现所需的内存::。
- :在PyTorch中实现的高速公路网络。
- :Pytorch实现了DeepMind的可微分神经计算机论文。
- :使用PyTorch为图像生成标题。
- :生成对抗网络的简单PyTorch实现,专注于动漫人脸绘图。
- :这是PyTorch中用于句子分类论文的Kim's卷积神经网络的实现。
- :使用百度Warp-CTC实现DeepSpeech2。创建基于DeepSpeech2架构的网络,使用CTC激活功能进行培训。
- :此存储库包含中的Sequence to Sequence(Seq2Seq)模型的实现
- :这是在深度强化学习的异步方法中描述的A3C的PyTorch实现。由于PyTorch有一个简单的方法来控制多进程内的共享内存,我们可以轻松实现像A3C这样的异步方法。
- :这是DenseNet-BC架构的PyTorch实现,如G. Huang,Z。Liu,K。Weinberger和L. van der Maaten的文章Densely Connected Convolutional Networks中所述。这个实现的CIFAR-10 +错误率为4.77,其中100层DenseNet-BC的增长率为12.他们的官方实现和许多其他第三方实现的链接可以在GitHub上的liuzhuang13 / DenseNet repo中找到。
- :PyTorch nn.Modules的权重初始化方案。这是@kaixhin对Torch7的流行nninit的一个端口。
- :这是的PyTorch实现。该项目主要基于py-faster-rcnn和TFFRCNN。有关R-CNN的详细信息,请参阅文章更快的R-CNN:通过区域提案网络实现实时目标检测由邵少卿,何开明,Ross Girshick,孙健
- :PyTorch的Doom-net版本在ViZDoom环境中实现了一些RL模型。
- :Dosovitskiy等人的Pytorch实施FlowNet。
- :在pytorch中实现Squeezenet,在CIFAR10数据上实现####预训练模型计划在cifar 10上训练模型并添加块连接。
- :在pytorch中的wassersteinGAN。
- :此存储库由Brandon Amos和J. Zico Kolter提供,并包含PyTorch源代码,用于在我们的论文OptNet中重现实验:可区分优化作为神经网络中的一层。
- :PyTorch的快速且可微分的QP求解器。由Brandon Amos和J. Zico Kolter精心打造。
- :重新实现连续深度Q学习。
- :PyTorch实现学习通过梯度下降的梯度下降来学习。
- : pytorch实现,该模型使用描述的方法以及实例规范化。
- :在Pytorch中实现神经样式传递。
- :快速神经风格。
- :通过Leon A. Gatys,Alexander S. Ecker和Matthias Bethge开发的神经风格算法()介绍PyTorch。
- :价值迭代网络(VIN)的PyTorch实现:清洁,简单和模块化。Visdom中的可视化。
- :PyTorch中的YOLOv2。
- :pytorch中的注意力转移,请阅读的论文。
- : PyTorch实现。
- :Deformable Convolution的PyTorch实现。
- :PyTorch执行的:边界平衡点创成对抗性的网络。
- :树LSTM实现。
- :Dmitry Ulyanov,Andrea Vedaldi和Victor Lempitsky的论文“Adversarial Generator-Encoder Networks”的代码,可以在找到
- :使用重现ResNet-V3(深度神经网络的聚合残差变换)。
- :使用pytorch和visdom深度强化学习
- :与传统的计算机视觉方法相比,使用深度神经网络复制LeafSnap来测试准确性。
- :用于未配对和成对图像到图像转换的PyTorch实现。
- :PyTorch在PyTorch中实现Advantage异步演员评论算法(A3C)
- :Pytorch实现价值迭代网络(NIPS 2016年最佳论文)
- :用于实时传输的多样式生成网络的PyTorch实现
- :pytorch-deeplab-resnet-model。
- :“PointNet:用于3D分类和分割的点集的深度学习”的pytorch实现
- :基础预训练模型和数据集(MNIST,SVHN,CIFAR10,CIFAR100,STL10,AlexNet,VGG16,VGG19,ResNet,Inception,SqueezeNet)。
- :神经图灵机(NTM)和可分辨神经计算机(DNC)与pytorch和visdom。
- :使用Pytorch的最小但实用的图像分类器Pipline,ResNet18上的Finetune,在自己的小数据集上获得99%的准确度。
- :用于域转移(最小)的PyTorch实现CycleGAN和SGAN。
- :pytorch-yolo2
- :在Pytorch中使用合成梯度实现解耦神经接口
- :文章“改进Wasserstein GAN训练”的实施。
- :使用seq2seq +注意在PyTorch中进行Intent解析和插槽填充
- :的噪声对比度估计算法的实现。工作,但效率不高。
- :PyTorch中的Molecular AutoEncoder
- :“关于生成对抗网络中批量和权重标准化的影响”的代码
- :PyTorch的polygamma,lgamma和beta函数的实现
- :用于生成结果的代码“更长时间训练,更好地概括:缩小神经网络大批量训练中的泛化差距”
- :为Atari 2600实施A3C LSTM的强化学习。
- :为PyTorch的模型动物园(torchvision)转移学习枪战
- :计算机视觉的神经消息传递
- :Grator-CAM的Pytorch实现
- :PyTorch实施信任区域政策优化(TRPO)
- :PyTorch通过有意义的扰动实现可解释解释
- :PyTorch中用于凸组合线性IAF和Householder Flow的代码,JM Tomczak和M. Welling
- :Pytorch实现的“关系推理的简单神经网络模块”(关系网络)
- :视觉问题回答
- :交易还是不交易?谈判对话的端到端学习
- :神经网络中分布式实例的原理检测。
- :逐步冻结层加速神经网络训练。
- :Zhao,Kim,Zhang,Rush和LeCun 的“用于生成离散结构的正则化自动编码器”的代码。
- :Pytorch实施的“前瞻思维:一次构建和训练神经网络一层”
- :PyTorch实现Context编码器
- :变形金刚模型的PyTorch实现在“注意就是你所需要的一切”中。
- :使用OpenFace的nn4.small2.v1.t7模型的PyTorch模块
- :具有强化学习的神经组合优化的PyTorch实现。95. :神经情景控制(NEC)的PyTorch实现
- :使用PyTorch进行序列到序列学习
- :arxiv.org/abs/1704.03477的pytorch实现
- :PyTorch实现[1611.06440]修剪卷积神经网络进行资源有效推理
- :阅读维基百科以解答开放域问题的pytorch实现。
- :自动调整动量SGD优化器
- :SampleRNN的PyTorch实现:无条件端到端神经音频生成模型。
- :具有AE稳定性的更深的DCGAN
- :使用生成对抗网络实现照片真实单图像超分辨率的pytorch实现方法:1609.04802v2
- :论文的代码“VSE ++:改进的视觉语义嵌入”
- :分布式近端策略优化的Pytorch实现:arxiv.org/abs/1707.02286
- :PyTorch实现我们的耦合VAE-GAN算法用于无监督的图像到图像转换
- :DenseNets的内存高效实现
- :时间段网络(TSN)。
- :一种有效探索神经架构的实验技术。
- :PyTorch中的RetinaNet
- :支持ICCV 2017论文“生物图像合成的GAN”的实施。
- :在ICCV 2017中的文章“通过对抗性学习进行语义图像合成”的PyTorch实现。
- :cython中的分解机器模块的PyTorch实现。
- :2017年CVPR中“定向响应网络”一文的PyTorch实现。
- :MAML的PyTorch实现:arxiv.org/abs/1703.03400
- :Pytorch版本中生成模型的集合。
- :Pytorch在CVPR'17中实施了VQA Chllange研讨会的获奖者。
- :PyTorch实现了Tacotron语音合成模型。
- :PSPNet分段网络的PyTorch实现
- :使用任务感知语言模型增强序列标记
- :Pytorch实施论文“我们在多大程度上解决了2D和3D人脸对齐问题?(以及230,000个3D面部标志的数据集)”,ICCV 2017
- :关于Still Box数据集的PyTorch DepthNet培训。
- :PyTorch版本的文章'用于单图像超分辨率的增强型深度残留网络'(CVPRW 2017)
- :在PyTorch中嵌入Control实现。
- :用于动作识别的3D ResNets。
- :这是我们的EMNLP 2017论文“使用模拟人体反馈进行强盗神经机器翻译的强化学习”的代码回购,它在神经编码器 - 解码器模型之上实现了A2C算法,并在模拟噪声奖励下对组合进行基准测试。
- :使用Kronecker因子近似(ACKTR)进行深度强化学习的Advantage Actor Critic(A2C),近端策略优化(PPO)和可扩展信任域方法的PyTorch实现。
- :来自Zalando 的数据集的各种实验 。
- :SphereFace的PyTorch实现。
- :从的分类DQN的PyTorch实现。
- :pytorch ntm实现。
- :在PyTorch中屏蔽RCNN。
- :图形ConvNets,NIPS'16的PyTorch实现
- :基于Xinlei Chen的tf-faster-rcnn的更快的RCNN检测框架的pytorch实现。
- :DeepMoji模型的pyTorch实现:用于分析情绪,情绪,讽刺等的最先进的深度学习模型。
- :用于语义分割/场景解析的Pytorch实现
- :准回归神经网络的PyTorch实现 - 比NVIDIA的cuDNN LSTM快16倍
- :PyTorch中的Skipgram负抽样。
- :来自Tinghui Zhou等人的Pytorch版本的SfmLearner。
- :实现。
- :一个完整的pytorch实现的skipgram模型(带子采样和负采样)。使用Spearman的秩相关性来测试嵌入结果。
- :用于再现StackGAN_v2的Pytorch实现结果StackGAN ++:堆叠生成对抗网络的逼真图像合成由Han Zhang *,Tao Xu *,Hongsheng Li,Shaoting Zhang,Xiaoangang Wang,Xiaolei Huang,Dimitris Metaxas。
- :用于图像字幕的自我关键序列训练的非官方pytorch实现。
- :图形卷积网络。
- :可分辨的神经计算机,用于Pytorch
- :用CelebA快照推断“GAN渐进式增长”的PyTorch。
- :Pytorch实现Hinton的胶囊之间的动态路由。
- :PyramidNets的PyTorch实现(Deep Pyramidal Residual Networks,arxiv.org / 1610.02915)
- :来自“物理层深度学习简介”论文的无线电变压器网络的PyTorch实现。arxiv.org/abs/1702.00832
- :为关键词识别谷歌的TensorFlow细胞神经网络的PyTorch重新实现。
- :PyTorch实现的“Deep CORAL:Deep Domain Adaptation的相关对齐”,ECCV 2016
- :用于2D人体姿势估计的PyTorch工具包。
- :使用PyTorch和ParlAI实施EMNLP 2017论文“自然语言不会在Multi-Agent对话中自然出现”
- :彩虹:结合深层强化学习的改进
- :此存储库具有Compact Bilinear Pooling的纯Python实现和PyTorch的Count Sketch。
- :( Yang Gao,et al。)Compact Cilinear Pooling的Pytorch实现。
- :Pytorch实施的论文“优化作为少数镜头学习的模型”
- :“meProp的代码:用于加速深度学习和减少过度拟合的Sparsified Back传播”。
- :单镜头不变脸部检测器的PyTorch实现。
- :使用GEM进行连续学习:梯度情景记忆。
- :Pytorch实施的论文DeblurGAN:使用条件对抗网络的盲运动去模糊。
- :StarGAN:用于多域图像到图像转换的统一生成对抗网络。
- :NIPS 2017纸张胶囊间动态路由的PyTorch实现。
- :CondenseNet:使用学习集团卷积的高效密集网络。
- :使用神经网络进行图像恢复但没有学习。
- :使用PyTorch进行深度学习头部姿势估计。
- :此代码具有“随机擦除数据扩充”一文的源代码。
- :推子网络:通过滑动属性操纵图像 - NIPS 2017
- :FlowNet 2.0:使用Deep Networks进行光流估计的演进
- :使用条件GAN合成和操作2048x1024图像tcwang0509.github.io/pix2pixHD
- :PyTorch中的SmoothGrad实现
- :PyTorch中RetinaNet的实现。
- :这个项目是一个更快的R-CNN实现,旨在加速对更快的R-CNN对象检测模型的训练。
- :PyTorch实现的文章混合:超越PyTorch中的经验风险最小化。
- :用于内存优化的DNN培训的就地激活BatchNorm
- :用于3D人体姿势估计的PyTorch实现
- :中VQA的神经模块网络。
- :来自“线性时间神经机器翻译”论文的 Pytorch实现
- :vqa,自下而上注意力,pytorch
- :YOLOv2是最受欢迎的单级物体探测器之一。该项目采用PyTorch作为提高生产力的开发框架,并利用ONNX将模型转换为Caffe 2到有利于工程的部署。
- :ReSeg的PyTorch实现(arxiv.org/pdf/1511.07053.pdf)
- :PyTorch中的二元随机神经元。
- :实时多人姿态估计项目的PyTorch实现。
- :用于学习对象,关系和物理的交互网络的Pytorch实现。
- :Pytorch实施论文“嘈杂的自然梯度作为变分推理”。
- :James Kirkpatrick等人提出的弹性重量合并(EWC)的实现。克服2016年神经网络中的灾难性遗忘(10.1073 / pnas.1611835114)。
- :使用深度内部学习的1712.06087“零射击”超分辨率的PyTorch实现
- : Deep Image Prior(Ulyanov等,2017)的图像重建方法的实现。
- :pytorch实现注意力就是你所需要的。
- :这是针对任务导向语言接地的AAAI-18纸张门控注意结构的PyTorch实现
- :使用PyTorch中的LSTM进行风速预测(arxiv.org/pdf/1707.08110.pdf)
- :Canonical Appearance Transformations
- :从“优化生成网络的潜在空间”一文中生成潜在优化的最小PyTorch实现
- :Pytorch Paper for Paper:学习比较:少数人学习的关系网络。
- :PyTorch实施NIPS-17论文“用于学习分层表示的Poincaré嵌入”。
- :这是PyTorch实现的“信任区域策略优化(TRPO)”,具有精确的Hessian向量积而不是有限差分近似。
- :门控图序列神经网络(GGNN)的PyTorch实现。
- :这是使用pytorch进行深度视觉交互网络的一种实现
- :PyTorch实现的对抗补丁。
- :在实现少数镜头学习的原型网络(arxiv.org/abs/1703.05175)
- :在PyTorch中使用Wasserstein GAN(arxiv.org/abs/1711.08998)实现视觉特征归因。
- :具有级联细化网络的摄影图像合成 - Pytorch实现
- :PyTorch实现“通过参数共享进行高效的神经架构搜索”。
- :神经IMage 的PyTorch实现。
- :近端反向传播 - 一种神经网络训练算法,采用隐式梯度步骤而不是显式梯度步骤。
- :照片般逼真的图像样式化的封闭形式解决方案
- :基于pytorch的Deep-Image-Analogy的python实现。
- :PyTorch for Person re-ID。
- :扩张RNN。
- : Pytorch实现。
- :用于生成正交多项式的TensorFlow和PyTorch图层。
- :超分辨率深度递归残差网络(DRRN)的实现,CVPR 2017
- :洗发水的实施。
- :PyTorch实现神经IMage评估。
- :序列建模基准和时间卷积网络locuslab / TCN
- :此存储库包含用于再现Deep Continuous Clustering纸张结果的源代码和数据。
- :代码:通过迭代修剪将多个任务添加到单个网络arxiv.org/abs/1711.05769
- :PyTorch实现GAN的逐步增长,以提高质量,稳定性和变异性。
- :PyTorch实现“非自回归神经机器翻译”
- :生成对抗网络的PyTorch实现。
- :在Torrence和Compo(1998)中发现的小波分析的PyTorch实现
- : MADE(Masked Autoencoder Density Estimation)实现
- :来自序列数据的循环潜变量模型的变分RNN(VRNN)的Pytorch实现。
- :Pytorch实施ICLR 2018论文物理过程的深度学习:整合先前的科学知识。
- :PyTorch实现基于卷积网络的文本到语音合成模型
- :Pointer Sentinel混合模型的实现,如Stephen Merity等人的论文所述。
- :Tacotron 2 - PyTorch实现,具有比实时推断更快的速度。
- :实现Accelerated SGD算法的pytorch代码。
- :使用PyTorch实现QANet(EM / F1 = 70.5 / 77.2,在一个1080Ti卡上20个epoches后约20个小时。)
- :卷积2D知识图嵌入
- :本文的实施结构性自我意识句子嵌入,发布于2017年ICLR:arxiv.org/abs/1703.03130。
- :参考实现。
- :Detectron的pytorch实现。既可以从头开始训练,也可以直接从预训练的Detectron重量推断。
- :基于R2Plus1D基于卷积的ResNet架构的PyTorch实现,该文件在“动态识别的时空卷积近观”中有所描述。
- :用于神经网络的可区分堆栈的PyTorch实现。
- :多Agent通信中的紧急翻译代码。
- :用于视觉问答的双线性注意网络。
- :这是TensorFlow代码的PyTorch实现,由OpenAI的论文“生成预训练提高语言理解”提供,由Alec Radford,Karthik Narasimhan,Tim Salimans和Ilya Sutskever提供。
- :使用深度学习进行文本到面的生成。该项目结合了最近的两个架构StackGAN和ProGAN,用于从文本描述中合成面部。
- :的Fréchet初始距离(FID得分)
- :PyTorch中用于凸组合线性IAF和Householder Flow的代码,JM Tomczak和M. Welling jmtomczak.github.io/deebmed.html
- :CoordConv的Pytorch实现在'卷入神经网络的有趣失败和CoordConv解决方案'论文中引入。(arxiv.org/pdf/1807.03247.pdf)
- :在CVPR 2018中发布的“卷积网络中用于成本可调推理和改进正则化的随机下采样”的实施。
- :SRDenseNet-pytorch(ICCV_2017)
- :论文代码“GAN实际上哪些训练方法能够融合?(ICML 2018)”
- :Mask RCNN架构的PyTorch实现,作为使用PyTorch的介绍
- :压缩视频动作识别
- :ImageNet上PNASNet-5的PyTorch实现。
- :来自神经算术逻辑单元的NAC / NALU的基本pytorch实现arxiv.org/pdf/1808.00508.pdf
- :Pytorch使用DiCE实现LOLA(arxiv.org/abs/1709.04326)(arxiv.org/abs/1802.05098)
- :生成查询网络(GQN),如“神经场景表示和渲染”中所述
- :在PyTorch中实现HMAX视觉模型。
- :尝试成为FCN(完全控制网络)中最简单,最容易使用的pytorch实现
- :使用PyTorch绑定实现快速序列传感器。
- :中对抗变分优化的实现。
- :{for-occurrence特征学习从骨架数据学习用于动作识别和分层聚合检测}的pytorch重新实现}。
- :McDonnel的具有1位权重的宽剩余网络的PyTorch实现(ICLR 2018)
- :Code for Piggyback:通过学习掩盖权重使单个网络适应多个任务arxiv.org/abs/1801.06519
- :Pytorch实现我们的高分辨率(例如2048x1024)逼真的视频到视频转换方法。
- :实现一个无限的泊松加权卷积和
- :PyTorch实现“透明设计:缩小视觉推理中性能和可解释性之间的差距”arxiv.org/abs/1803.05268
- :普遍关注:用于序列到序列预测的2D卷积网络
- ::PyTorch的培训和推理pjreddie.com/darknet/yolo
- :Pytorch实现的DeepDream计算机视觉算法。
- :用于密度估计的算法的PyTorch实现
- :分位数回归DQN是最小工作实例
- :中DeepMind关系递归神经网络的一种实现。
- :Deep Extreme Cut
- :Google Billion Word Dataset的PyTorch语言模型。
- :用Pytorch编写的softmax输出的噪声对比度估计
- :注释,可理解和可视化解释的PyTorch实现:VAE,BIRVAE,NSGAN,MMGAN,WGAN,WGANGP,LSGAN,DRAGAN,BEGAN,RaGAN,InfoGAN,fGAN,FisherGAN。
- :具有自适应推理图的卷积网络的PyTorch实现。
- :这是本文的pytorch实现 - Deep Networks的Axiomatic Attribution。
- :Maltorv的Pytorch实现。275,:用于序列建模的Trellis Networks
Pytorch其他
- :The Incredible PyTorch:一系列有关PyTorch的教程,论文,项目,社区等的精选列表。
- :集合,例如Tensorflow,Keras和Pytorch中的GAN,VAE。
- :reddit上的一个信息性线程。
- :类似于
- :使用神经网络(使用PyTorch)的力量像鲍勃罗斯一样画画!
- :完全用于Pytorch的多功能杂项
- :为Mujoco健身房环境实施A3C。
- 。
- :使用PyTorch实现的奇妙ChatBot。
- :Malmo Collaborative AI Challenge - Team Pig Catcher
- :一种模型,它采用图像并生成处理源代码以重新生成该图像
- :一个非营利性社区运行,为期5天的深度学习。
- :使用PyTorch / Keras和许多PyTorch技巧的卫星图像标记代码。讨价还价的比赛。
- :Gomoku的AlphaZero算法的实现(也称为Gobang或连续五个)
- :物体检测,分割和姿态估计的回购。
- reid:Pytorch实施深层人员重新识别方法。
- :PyTorch模板项目
- 在文本和视觉中构建神经网络模型的实用指南。
- :比较Tensorflow中编写的层与Pytorch中编写的层之间的输出。
- :Haskell中的张量和神经网络
- 深度学习教你如何使用Python和PyTorch实现深度学习算法。
- :PyTorch - Python + Nim
- :自驾车辆代码。
反馈:如果您有任何想法或者您希望将任何其他内容添加到此列表中,请随时提供。
本项目地址:
转载地址:https://blog.csdn.net/ChenVast/article/details/83268564 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!
发表评论
最新留言
很好
[***.229.124.182]2024年04月09日 21时17分33秒
关于作者
喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!
推荐文章
unity AssetBundle的资源管理
2019-04-27
【转】Unity中HideInInspector和SerializeField一起使用
2019-04-27
单例模板类
2019-04-27
Unity与java相互调用
2019-04-27
android截屏代码
2019-04-27
unity NGUI图文混排
2019-04-27
Unity项目优化
2019-04-27
Unity3D Shader 入门
2019-04-27
MSDK手Q邀请透传参数问题:url编解码与base64编解码
2019-04-27
svn提交的一个坑
2019-04-27
eclipse识别不了模拟器解决办法
2019-04-27
unity mesh合并
2019-04-27
谈谈类之间的关联关系与依赖关系
2019-04-27
unity5.x assetbundle打包和加载
2019-04-27
C#用正则表达式去匹配被双引号包起来的中文
2019-04-27
lua table排序
2019-04-27
Unity发布的ios包在iphone上声音是从听筒里出来的问题
2019-04-27
UIScrollView复用节点示例
2019-04-27
Unity 5 AudioMixer
2019-04-27