pytorch-fcn PyTorch实现。 要求 > = 0.2.0 > = 0.1.8 > = 6.1.5 安装 git clone https://github.com/wkentaro/pytorch-fcn.git cd pytorch-fcn pip install . # or pip install torchfcn 训练 参见。 准确性 在10fdec9 。 模型 实作 时代 迭代 平均IU 预训练模型 FCN32 -- -- 63.63 FCN32 我们的 11 96000 62.84 FCN16 -- -- 65.01 FCN16 我们的

PyTorch 实现的NEAT (NeuroEvolution of Augmenting Topologies)神经进化算法

Pytorch实现前馈神经网络fnn和卷积神经网络cnn，基于mnist数据集进行训练测试，实现手写数字识别，可以自定义28*28图片进行测试。详细。

一个自动标点符号的pytorch实现逐字逐句学习

主要介绍了利用PyTorch实现VGG16教程，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

SMOTE：综合少数族裔过采样技术 关于 如果分类标签的分布不均等，则数据集将处于不平衡状态，因此，在诸如欺诈检测之类的大量现实世界中，常见的问题是100到1的不平衡。 已经进行了大量尝试来解决该问题。 然而，这个问题仍然被广泛讨论并且是研究的活跃领域。 这是SMOTE的Pytorch实现。 纸 SMOTE：综合少数族裔过采样技术： : 算法

行人再识别Person-reID的Pytorch实现

压缩文件中视频和代码齐全，其中包含python基础、pytorch基础等入门课程及代码；还有神经网络、卷积神经网络（CNN）、循环神经网络（LSTM）、生成对抗网络（GAN）、强化学习（RL）等进阶课程及代码。不用再到处找课程、找源码，一压缩包内容包入门。

LeNet模型1. LeNet模型2. PyTorch实现2.1 模型实现2.2 获取数据与训练 1. LeNet模型 LeNet分为卷积层块和全连接层块两个部分。下面我们分别介绍这两个模块。 卷积层块里的基本单位是卷积层后接平均池化层：卷积层用来识别图像里的空间模式，如线条和物体局部，之后的平均池化层则用来降低卷积层对位置的敏感性。 卷积层块由两个这样的基本单位重复堆叠构成。在卷积层块中，每个卷积层都使用5×55 \times 55×5的窗口，并在输出上使用sigmoid激活函数。第一个卷积层输出通道数为6，第二个卷积层输出通道数则增加到16。 全连接层块含3个全连接层。它们的输出个数分别

基于Pytorch实现的MASR中文语音识别模型（1300小时数据集） 源码地址：https://github.com/yeyupiaoling/MASR