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

1. ：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：

1. ：火炬文本相关内容。
2. ：实现的序列到序列（seq2seq）模型的框架。
3. ：使用PyTorch进行NLP的可解释模型。
4. ：用于pytorch的简单音频I / O.
5. ：一种跨多个扬声器生成语音的方法
6. ：用Python编写的Facebook AI研究序列到序列工具包。
7. ：PyTorch ASR实施。
8. ：PyTorch 的开源神经机器翻译
9. ：基于神经网络和spaCy huggingface.co/coref的最先进的共指消解
10. ：大规模的无监督语言建模，用于稳健的情绪分类。
11. ：多语言无监督或监督词嵌入的库
12. ：神经机器翻译框架。
13. ：WaveNet的快速生成实现
14. ：Tacotron：走向端到端语音合成。
15. ：一个基于PyTorch构建的开源NLP研究库。
16. ：文本实用程序和数据集pytorchnlp.readthedocs.io
17. ：基于FastAI的Pytorch NLP库。
18. ：深入学习Text2Speech
19. ：语言不可知的能力表征
20. ：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
21. ：通过大规模多任务学习学习通用分布式句子表示。
22. ：翻译 - PyTorch语言库。
23. ：端到端语音处理工具包espnet.github.io/espnet
24. ：Visual Question Answering的软件套件
25. ：基于短语和神经无监督的机器翻译。
26. ：jiant句子表示学习工具包。

计算机视觉：

1. ：特定于Computer Vision的数据集，转换和模型。
2. ：神经风格转移作为PyTorch中的一个类。
3. ：使用OpenFace的nn4.small2.v1.t7模型的PyTorch模块
4. ：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
5. ：子流形稀疏卷积网络。
6. ：多层卷积LSTM模块
7. ：? 使用pytorch adrianbulat.com构建2D和3D Face对齐库
8. ：用于语义分割的PyTorch。
9. ：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。
10. ：使用PyTorch微调预训练卷积神经网络。
11. ：检测器 - PyTorch的器
12. ：用于机器学习的Python图像增强库。
13. ：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：

1. ：概率编程和统计推断
2. ：使用Python和PyTorch 深度通用概率编程
3. ：Probabilistic Torch是扩展PyTorch的深层生成模型的库。
4. ：python / pytorch中的无监督学习和生成模型。
5. ：Python包，便于使用贝叶斯深度学习方法和PyTorch的变分推理。
6. ：基于PyTorch的概率编程和推理编译库。
7. ：用于运行针对ML模型的成员资格推断攻击的库。

其他库：

1. ：一些额外功能。
2. ：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。
3. ：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。
4. ： Python包装器，是Torch和星际争霸之间用于人工智能研究的桥梁。
5. ：Aorun打算和PyTorch一起成为Keras的后端。
6. ：用于实验的简单记录器。
7. ：PyTorch docset！与Dash，Zeal，Velocity或LovelyDocs一起使用。
8. ：将火炬t7模型转换为pytorch模型和源。
9. ：这个回购的目的是帮助重现研究论文的结果。
10. ：用于FFT的PyTorch包装器
12. ：这是PyTorch的CUDA扩展，它计算两个张量的Hadamard积。
13. ：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。
14. ：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。
15. ：使用PyTorch的深度推荐模型。
16. ：使用PyTorch进行压缩网​​络搜索
17. ：CuPy融合PyTorch神经网络运算
18. ：PyTorch周围的实用程序库
19. ：PyTorch模块的超简单拟合方法
20. ：的scikit-learn兼容神经网络库。
21. ：pytorch，caffe prototxt / weights和darknet cfg / weights之间
22. ：将PyTorch模型转换为Caffemodel
23. ：
24. ：训练与CNN一样快（arxiv.org/abs/1709.02755）
25. ：Torch7 - > CoreML
26. ：PyTorch深度纹理编码网络
27. ：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。
28. ：高斯过程。
29. ：通过Pair-Wise Averaging进行分布式学习。
30. ：使用PyTorch的合成梯度解耦神经接口。
31. ：的scikit-learn兼容神经网络库
32. ：Ignite是一个高级库，可以帮助在PyTorch中训练神经网络。
33. ：阿诺德 - DOOM特工
34. ：将模型从MatConvNet转换为PyTorch
35. ：简化R-CNN的简化实施，具有竞争力的性能。
36. ：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。
37. ：一个小包，用于创建PyTorch执行图的可视化。
38. ：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。
39. ：基于PyTorch的深度学习工具箱
40. ：在实现不同的基于VAE的半监督和生成模型。
41. ：优化图集群算法的PyTorch扩展库。
42. ：基于自适应神经编译的pyTorch神经汇编编译器。
43. ：将Caffe模型转换为PyTorch。
44. ：PyTorch中的C ++扩展
45. ：类似Keras的框架和PyTorch实用程序
46. ：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。
47. ：在各个示例的级别编写PyTorch代码，然后在minibatches上高效运行它。
48. ：用于双样本测试的PyTorch库
49. ：在PyTorch模型汇总类似于model.summary()在Keras
50. ：Pytorch实现MaxPoolingLoss。
51. ：PyTorch中scVI项目的开发分支
52. ：实验性PyTorch扩展（稍后将弃用）
53. ：ELF：游戏研究的平台。
54. ：在（不仅仅是）Pytorch之上的高级库
55. ：Pytorch实施的JointVAE，一个解开连续和离散变异因子star2的框架
56. ：PyTorch中的模块化深度强化学习框架。
57. ：一个Python包，用于使用PyTorch在CPU或GPU上模拟尖峰神经网络（SNN）
58. ：作为PyTorch nn.Module的扩展实现的ProGAN包
59. ：几何深度学习扩展库
60. ：在PyTorch模块上实现+运算符，返回序列。
61. ：lagom：一种轻型PyTorch基础设施，可快速构建强化学习算法原型。
62. ：火炬手：使用PyTorch的研究人员的模型训练库。
63. ：在Pytorch中使用模型不可知元学习进行强化学习。
64. ：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
65. ：神经网络多体波函数重建
66. ：自学的深度学习项目
67. ：OpenCV实现Torchvision的图像增强
68. ：fast.ai深度学习库，课程和教程
69. ：“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
70. ：交互式深色着色的PyTorch重新实现richzhang.github.io/ideepcolor
71. ：PyTorch的一个简单，灵活且可扩展的模板。很美丽。
72. ：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
73. ：PyTorch aiqm.github.io/torchani上精确的神经网络潜力
74. ：L-BFGS的PyTorch实现。
75. ：中高斯过程的高效和模块化实现。
76. ：在pytorch中的hessian。
77. ：深度学习研究中的速度。
78. ：跳过PyTorch DataLoader中的坏项，使用Transforms as Filters等等！

教程和示例

1. ：解释不同RNN模型的教程
2. ：关于深度学习的IPython Notebook教程，重点是自然语言处理。
3. ：研究人员用pytorch学习深度学习的教程。
4. ：pytorch-exercises集合。
5. ：各种pytorch教程。
6. ：展示使用pytorch的示例的存储库
7. ：一些示例脚本。
8. ：最小教程改编自Alec Radford的Theano教程。
9. ：基于CNN的文本分类的简单实现
10. ：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）。
11. ：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。
12. ：使用PyTorch的简单生成对抗网络（GAN）。
13. ：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。
14. ： t-SNE实验
15. ：Adversarial Autoencoders（与Pytorch合作）。
16. ：适合初学者的PyTorch教程。
17. ：基于pytorch的char-RNN。
18. ：REINFORCE的PyTorch实现，这个repo支持OpenAI gym中的连续和离散环境。
19. ：轻松快速地构建您的神经网络 
20. ：几个脚本，用于说明如何在PyTorch中执行CNN和RNN
21. ：CIFAR-10/100和ImageNet上图像分类任务的统一框架。
22. ：在NumPy和PyTorch中创建的随机教程。
23. ：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。
24. ：一个关于在PyTorch中执行微调或转移学习的简短教程。
25. ：pytorch-exercises
26. ：nyu-cv-fall-2017示例
27. ：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
28.  Pytorch在cs-224n中实现各种Deep NLP模型（Stanford Univ：NLP with Deep Learning）
29. ：为欢迎MILA新生提供各种教程。
30. ：用于学习使用PyTorch进行强化学习。
31. ：在PyTorch中注意神经机器翻译的最小Seq2Seq模型
32. ： Tensor方法tensorly.github.io/dev
33. ：时间序列预测相关的例子。
34. ：在PyTorch中实现Skip-Thought Vectors。
35. ：用于视频字幕的pytorch代码。
36. ：Pytorch易于关注的胶囊网络教程。
37. ：这是“使用PyTorch学习深度学习”一书的代码item.jd.com/17915495606.html
38. ：Pytorch易于遵循的深入Q学习教程，带有干净的可读代码。
39. ：在亚特兰大二世的Jupyter Day与PyTorch加速深度学习。
40. ：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
47. ：PyTorch中文教程。
48. ：Hitchiker的PyTorch指南
49. ：使用PyTorch进行深度学习的微创。
50. ：PyTorch的一些自定义数据集示例
52. ：课程深度学习（deeplearning.ai）专业化的PyTorch实现。
53. ：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

1. ：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。
2. ：使用CuPy / PyTorch进行快速散射变换，请阅读的论文
3. ：扩展散射变换：深度混合网络。
4. ：按字符逐个学习的自动标点符号的pytorch实现。
5. ：这是的pytorch版本，原始代码在。
6. ：价值迭代网络（NIPS '16）论文的PyTorch实现
7. ：在pytorch中实施的公路网。
8. ：在pytorch中实现的NEG丢失。
9. ：循环变分自动编码器，用于生成在pytorch中实现的顺序数据。
10. ：在pytorch中实现的时间延迟NN。
11. ：Eve Optimizer的一个实现，在具有反馈的Imploving Stochastic Gradient Descent中提出，Koushik和Hayashi，2016。
12. ：基于任务的端到端模型学习。
13. ：PyTorch实现“使用条件对抗网络的图像到图像的翻译”。
14. ：单次多盒的PyTorch实现。
15. ：PyTorch实施“学习发现与生成对抗网络的跨域关系”
16. ：“学习发现与生成性对抗网络的跨域关系”的官方实施。
17. ：这是的PyTorch实现。
18. ：使用pytorch对VOC2012数据集进行像素分割。
19. ：深度Q-Learning网络。
20. ：图像字幕模型（with_finetune分支中的finetunable cnn）
21. ：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。
22. ：完全卷积网络的PyTorch实现。
23. ：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：：。
24. ：在PyTorch中实现的高速公路网络。
25. ：Pytorch实现了DeepMind的可微分神经计算机论文。
26. ：使用PyTorch为图像生成标题。
27. ：生成对抗网络的简单PyTorch实现，专注于动漫人脸绘图。
28. ：这是PyTorch中用于句子分类论文的Kim's卷积神经网络的实现。
29. ：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。
30. ：此存储库包含中的Sequence to Sequence（Seq2Seq）模型的实现
31. ：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。
32. ：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。
33. ：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。
34. ：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
35. ：PyTorch的Doom-net版本在ViZDoom环境中实现了一些RL模型。
36. ：Dosovitskiy等人的Pytorch实施FlowNet。
37. ：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。
38. ：在pytorch中的wassersteinGAN。
39. ：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。
40. ：PyTorch的快速且可微分的QP求解器。由Brandon Amos和J. Zico Kolter精心打造。
41. ：重新实现连续深度Q学习。
42. ：PyTorch实现学习通过梯度下降的梯度下降来学习。
43. ： pytorch实现，该模型使用描述的方法以及实例规范化。
44. ：在Pytorch中实现神经样式传递。
45. ：快速神经风格。
46. ：通过Leon A. Gatys，Alexander S. Ecker和Matthias Bethge开发的神经风格算法（）介绍PyTorch。
47. ：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。
48. ：PyTorch中的YOLOv2。
49. ：pytorch中的注意力转移，请阅读的论文。
50. ： PyTorch实现。
51. ：Deformable Convolution的PyTorch实现。
52. ：PyTorch执行的：边界平衡点创成对抗性的网络。
53. ：树LSTM实现。
54. ：Dmitry Ulyanov，Andrea Vedaldi和Victor Lempitsky的论文“Adversarial Generator-Encoder Networks”的代码，可以在找到
55. ：使用重现ResNet-V3（深度神经网络的聚合残差变换）。
56. ：使用pytorch和visdom深度强化学习
57. ：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。
58. ：用于未配对和成对图像到图像转换的PyTorch实现。
59. ：PyTorch在PyTorch中实现Advantage异步演员评论算法（A3C）
60. ：Pytorch实现价值迭代网络（NIPS 2016年最佳论文）
61. ：用于实时传输的多样式生成网络的PyTorch实现
62. ：pytorch-deeplab-resnet-model。
63. ：“PointNet：用于3D分类和分割的点集的深度学习”的pytorch实现
64. ：基础预训练模型和数据集（MNIST，SVHN，CIFAR10，CIFAR100，STL10，AlexNet，VGG16，VGG19，ResNet，Inception，SqueezeNet）。
65. ：神经图灵机（NTM）和可分辨神经计算机（DNC）与pytorch和visdom。
66. ：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。
67. ：用于域转移（最小）的PyTorch实现CycleGAN和SGAN。
68. ：pytorch-yolo2
69. ：在Pytorch中使用合成梯度实现解耦神经接口
70. ：文章“改进Wasserstein GAN训练”的实施。
71. ：使用seq2seq +注意在PyTorch中进行Intent解析和插槽填充
72. ：的噪声对比度估计算法的实现。工作，但效率不高。
73. ：PyTorch中的Molecular AutoEncoder
74. ：“关于生成对抗网络中批量和权重标准化的影响”的代码
75. ：PyTorch的polygamma，lgamma和beta函数的实现
76. ：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”
77. ：为Atari 2600实施A3C LSTM的强化学习。
78. ：为PyTorch的模型动物园（torchvision）转移学习枪战
79. ：计算机视觉的神经消息传递
80. ：Grator-CAM的Pytorch实现
81. ：PyTorch实施信任区域政策优化（TRPO）
82. ：PyTorch通过有意义的扰动实现可解释解释
83. ：PyTorch中用于凸组合线性IAF和Householder Flow的代码，JM Tomczak和M. Welling 
84. ：Pytorch实现的“关系推理的简单神经网络模块”（关系网络）
85. ：视觉问题回答
86. ：交易还是不交易？谈判对话的端到端学习
87. ：神经网络中分布式实例的原理检测。
88. ：逐步冻结层加速神经网络训练。
89. ：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。
90. ：Pytorch实施的“前瞻思维：一次构建和训练神经网络一层” 
91. ：PyTorch实现Context编码器
92. ：变形金刚模型的PyTorch实现在“注意就是你所需要的一切”中。
93. ：使用OpenFace的nn4.small2.v1.t7模型的PyTorch模块
94. ：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
95. ：使用PyTorch进行序列到序列学习
96. ：arxiv.org/abs/1704.03477的pytorch实现
97. ：PyTorch实现[1611.06440]修剪卷积神经网络进行资源有效推理
98. ：阅读维基百科以解答开放域问题的pytorch实现。
99. ：自动调整动量SGD优化器
100. ：SampleRNN的PyTorch实现：无条件端到端神经音频生成模型。
101. ：具有AE稳定性的更深的DCGAN
102. ：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
103. ：论文的代码“VSE ++：改进的视觉语义嵌入”
104. ：分布式近端策略优化的Pytorch实现：arxiv.org/abs/1707.02286
105. ：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
106. ：DenseNets的内存高效实现
107. ：时间段网络（TSN）。
108. ：一种有效探索神经架构的实验技术。
109. ：PyTorch中的RetinaNet
110. ：支持ICCV 2017论文“生物图像合成的GAN”的实施。
111. ：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。
112. ：cython中的分解机器模块的PyTorch实现。
113. ：2017年CVPR中“定向响应网络”一文的PyTorch实现。
114. ：MAML的PyTorch实现：arxiv.org/abs/1703.03400
115. ：Pytorch版本中生成模型的集合。
116. ：Pytorch在CVPR'17中实施了VQA Chllange研讨会的获奖者。
117. ：PyTorch实现了Tacotron语音合成模型。
118. ：PSPNet分段网络的PyTorch实现
119. ：使用任务感知语言模型增强序列标记
120. ：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
121. ：关于Still Box数据集的PyTorch DepthNet培训。
122. ：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）
123. ：在PyTorch中嵌入Control实现。
124. ：用于动作识别的3D ResNets。
125. ：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。
126. ：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。
127. ：来自Zalando 的数据集的各种实验 。
128. ：SphereFace的PyTorch实现。
129. ：从的分类DQN的PyTorch实现。
130. ：pytorch ntm实现。
131. ：在PyTorch中屏蔽RCNN。
132. ：图形ConvNets，NIPS'16的PyTorch实现
133. ：基于Xinlei Chen的tf-faster-rcnn的更快的RCNN检测框架的pytorch实现。
134. ：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。
135. ：用于语义分割/场景解析的Pytorch实现
136. ：准回归神经网络的PyTorch实现 - 比NVIDIA的cuDNN LSTM快16倍
137. ：PyTorch中的Skipgram负抽样。
138. ：来自Tinghui Zhou等人的Pytorch版本的SfmLearner。
139. ：实现。
140. ：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。
141. ：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。
142. ：用于图像字幕的自我关键序列训练的非官方pytorch实现。
143. ：图形卷积网络。
144. ：可分辨的神经计算机，用于Pytorch
145. ：用CelebA快照推断“GAN渐进式增长”的PyTorch。
146. ：Pytorch实现Hinton的胶囊之间的动态路由。
147. ：PyramidNets的PyTorch实现（Deep Pyramidal Residual Networks，arxiv.org  / 1610.02915）
148. ：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
149. ：为关键词识别谷歌的TensorFlow细胞神经网络的PyTorch重新实现。
150. ：PyTorch实现的“Deep CORAL：Deep Domain Adaptation的相关对齐”，ECCV 2016
151. ：用于2D人体姿势估计的PyTorch工具包。
152. ：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”
153. ：彩虹：结合深层强化学习的改进
154. ：此存储库具有Compact Bilinear Pooling的纯Python实现和PyTorch的Count Sketch。
155.  :( Yang Gao，et al。）Compact Cilinear Pooling的Pytorch实现。
156. ：Pytorch实施的论文“优化作为少数镜头学习的模型”
157. ：“meProp的代码：用于加速深度学习和减少过度拟合的Sparsified Back传播”。
158. ：单镜头不变脸部检测器的PyTorch实现。
159. ：使用GEM进行连续学习：梯度情景记忆。
160. ：Pytorch实施的论文DeblurGAN：使用条件对抗网络的盲运动去模糊。
161. ：StarGAN：用于多域图像到图像转换的统一生成对抗网络。
162. ：NIPS 2017纸张胶囊间动态路由的PyTorch实现。
163. ：CondenseNet：使用学习集团卷积的高效密集网络。
164. ：使用神经网络进行图像恢复但没有学习。
165. ：使用PyTorch进行深度学习头部姿势估计。
166. ：此代码具有“随机擦除数据扩充”一文的源代码。
167. ：推子网络：通过滑动属性操纵图像 - NIPS 2017
168. ：FlowNet 2.0：使用Deep Networks进行光流估计的演进
169. ：使用条件GAN合成和操作2048x1024图像tcwang0509.github.io/pix2pixHD
170. ：PyTorch中的SmoothGrad实现
171. ：PyTorch中RetinaNet的实现。
172. ：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。
173. ：PyTorch实现的文章混合：超越PyTorch中的经验风险最小化。
174. ：用于内存优化的DNN培训的就地激活BatchNorm
175. ：用于3D人体姿势估计的PyTorch实现
176. ：中VQA的神经模块网络。
177. ：来自“线性时间神经机器翻译”论文的 Pytorch实现
178. ：vqa，自下而上注意力，pytorch
179. ：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。
180. ：ReSeg的PyTorch实现（arxiv.org/pdf/1511.07053.pdf）
181. ：PyTorch中的二元随机神经元。
182. ：实时多人姿态估计项目的PyTorch实现。
183. ：用于学习对象，关系和物理的交互网络的Pytorch实现。
184. ：Pytorch实施论文“嘈杂的自然梯度作为变分推理”。
185. ：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）。
186. ：使用深度内部学习的1712.06087“零射击”超分辨率的PyTorch实现
187. ： Deep Image Prior（Ulyanov等，2017）的图像重建方法的实现。
188. ：pytorch实现注意力就是你所需要的。
189. ：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
190. ：使用PyTorch中的LSTM进行风速预测（arxiv.org/pdf/1707.08110.pdf）
191. ：Canonical Appearance Transformations
192. ：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
193. ：Pytorch Paper for Paper：学习比较：少数人学习的关系网络。
194. ：PyTorch实施NIPS-17论文“用于学习分层表示的Poincaré嵌入”。
195. ：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。
196. ：门控图序列神经网络（GGNN）的PyTorch实现。
197. ：这是使用pytorch进行深度视觉交互网络的一种实现
198. ：PyTorch实现的对抗补丁。
199. ：在实现少数镜头学习的原型网络（arxiv.org/abs/1703.05175）
200. ：在PyTorch中使用Wasserstein GAN（arxiv.org/abs/1711.08998）实现视觉特征归因。
201. ：具有级联细化网络的摄影图像合成 - Pytorch实现
202. ：PyTorch实现“通过参数共享进行高效的神经架构搜索”。
203. ：神经IMage 的PyTorch实现。
204. ：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。
205. ：照片般逼真的图像样式化的封闭形式解决方案
206. ：基于pytorch的Deep-Image-Analogy的python实现。
207. ：PyTorch for Person re-ID。
208. ：扩张RNN。
209. ： Pytorch实现。
210. ：用于生成正交多项式的TensorFlow和PyTorch图层。
211. ：超分辨率深度递归残差网络（DRRN）的实现，CVPR 2017
212. ：洗发水的实施。
213. ：PyTorch实现神经IMage评估。
214. ：序列建模基准和时间卷积网络locuslab / TCN
215. ：此存储库包含用于再现Deep Continuous Clustering纸张结果的源代码和数据。
216. ：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
217. ：PyTorch实现GAN的逐步增长，以提高质量，稳定性和变异性。
218. ：PyTorch实现“非自回归神经机器翻译”
219. ：生成对抗网络的PyTorch实现。
220. ：在Torrence和Compo（1998）中发现的小波分析的PyTorch实现
221. ： MADE（Masked Autoencoder Density Estimation）实现
222. ：来自序列数据的循环潜变量模型的变分RNN（VRNN）的Pytorch实现。
223. ：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。
224. ：PyTorch实现基于卷积网络的文本到语音合成模型
225. ：Pointer Sentinel混合模型的实现，如Stephen Merity等人的论文所述。
226. ：Tacotron 2 - PyTorch实现，具有比实时推断更快的速度。
227. ：实现Accelerated SGD算法的pytorch代码。
228. ：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。）
229. ：卷积2D知识图嵌入
230. ：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。
231. ：参考实现。
232. ：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。
233. ：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。
234. ：用于神经网络的可区分堆栈的PyTorch实现。
235. ：多Agent通信中的紧急翻译代码。
236. ：用于视觉问答的双线性注意网络。
237. ：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。
238. ：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。
239. ：的Fréchet初始距离（FID得分）
240. ：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
241. ：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）
242. ：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。
243. ：SRDenseNet-pytorch（ICCV_2017）
244. ：论文代码“GAN实际上哪些训练方法能够融合？（ICML 2018）”
245. ：Mask RCNN架构的PyTorch实现，作为使用PyTorch的介绍
246. ：压缩视频动作识别
247. ：ImageNet上PNASNet-5的PyTorch实现。
248. ：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
249. ：Pytorch使用DiCE实现LOLA（arxiv.org/abs/1709.04326）（arxiv.org/abs/1802.05098）
250. ：生成查询网络（GQN），如“神经场景表示和渲染”中所述
251. ：在PyTorch中实现HMAX视觉模型。
252. ：尝试成为FCN（完全控制网络）中最简单，最容易使用的pytorch实现
253. ：使用PyTorch绑定实现快速序列传感器。
254. ：中对抗变分优化的实现。
255. ：{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}。
256. ：McDonnel的具有1位权重的宽剩余网络的PyTorch实现（ICLR 2018）
257. ：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
258. ：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。
259. ：实现一个无限的泊松加权卷积和
260. ：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
261. ：普遍关注：用于序列到序列预测的2D卷积网络
262. ：：PyTorch的培训和推理pjreddie.com/darknet/yolo
263. ：Pytorch实现的DeepDream计算机视觉算法。
264. ：用于密度估计的算法的PyTorch实现
265. ：分位数回归DQN是最小工作实例
266. ：中DeepMind关系递归神经网络的一种实现。
267. ：Deep Extreme Cut 
268. ：Google Billion Word Dataset的PyTorch语言模型。
269. ：用Pytorch编写的softmax输出的噪声对比度估计
270. ：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。
271. ：具有自适应推理图的卷积网络的PyTorch实现。
272. ：这是本文的pytorch实现 - Deep Networks的Axiomatic Attribution。
273. ：Maltorv的Pytorch实现。275，：用于序列建模的Trellis Networks

Pytorch其他

1. ：The Incredible PyTorch：一系列有关PyTorch的教程，论文，项目，社区等的精选列表。
2. ：集合，例如Tensorflow，Keras和Pytorch中的GAN，VAE。
3. ：reddit上的一个信息性线程。
5. ：类似于
6. ：使用神经网络（使用PyTorch）的力量像鲍勃罗斯一样画画！
7. ：完全用于Pytorch的多功能杂项
8. ：为Mujoco健身房环境实施A3C。
9. 。
10. ：使用PyTorch实现的奇妙ChatBot。
11. ：Malmo Collaborative AI Challenge - Team Pig Catcher
12. ：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
13. ：一个非营利性社区运行，为期5天的深度学习。
14. ：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。
15. ：Gomoku的AlphaZero算法的实现（也称为Gobang或连续五个）
16. ：物体检测，分割和姿态估计的回购。
17.  reid：Pytorch实施深层人员重新识别方法。
18. ：PyTorch模板项目
19. 在文本和视觉中构建神经网络模型的实用指南。 
20. ：比较Tensorflow中编写的层与Pytorch中编写的层之间的输出。
21. ：Haskell中的张量和神经网络
22. 深度学习教你如何使用Python和PyTorch实现深度学习算法。
23. ：PyTorch - Python + Nim
24. ：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！