贝叶斯神经网络 以下近似推理方法的Pytorch实现： 我们还提供以下代码： 先决条件 火炬 脾气暴躁的 Matplotlib 该项目是用python 2.7和Pytorch 1.0.1编写的。 如果CUDA可用，它将自动使用。 这些模型也不会太大，因此也可以在CPU上运行。 用法 结构体 回归实验 我们对用 生成的玩具数据集和真实数据（六个）进行了均方差和异方差回归实验。 Notebooks / classification /（ModelName）_（ExperimentType）.ipynb ：包含在（ExperimentType）上使用（ModelName）进行的实验，即同调/异

主要为大家详细介绍了pytorch实现CNN卷积神经网络，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

用pytorch实现了基于方面的情感分析中的一些经典模型，比如atae-lstm、acsa、bilstm_att_g等。 atae_lstm 77.86/65.59 68.34/62.64 acsa_gcae 78.12/65.59 70.85/64.66 bilstm_att_g 76.34/63.65 69.91/63.20 ram 78.66/66.66 73.82/68.80 tnet 78.93/63.65 72.57/65.13

IoU预测的概率锚分配用于对象检测 姜金和熙锡李。 这是基于和 Probabilistic Anchor Assignment with IoU Prediction for Object Detection的PyTorch实现（）。 笔记 现在，该代码支持PyTorch 1.6 。 在可以使用PAA。非常感谢的出色工作！ 介绍 在对象检测中，确定将哪些锚分配为正样本或负样本（称为锚分配）已被公认为是可以严重影响模型性能的核心过程。在本文中，我们提出了一种新颖的锚点分配策略，该策略根据模型的学习状态将锚点自适应地分为正样本和负样本，用于地面真值边界框，从而能够以概率方式推理出分离。为此，我们首先计算以模型为条件的锚点的分数，并对这些分数拟合概率分布。然后使用根据锚概率分为正样本和负样本的锚对模型进行训练。此外，我们调查了培训和测试目标之间的差距，并建议预测检测到的盒子的交集在交集上，以作为

Pytorch实现深度行人重新识别方法

1. 基于pytorch实现的代码，GPU版（cpu也能跑，但是会out of memory）； 2. 包含所用的数据集KolektorSDD电子转换器表面裂痕的图片，论文原文和代码（训练好的模型大于1G了...csdn的资源大小限制，不能上传，如果有需要请留言）； (抱歉，我前段时间整理资料的时候误放了，最近我再找找，如果找到了我会传到网盘，然后把链接贴到这里。大家先不要浪费积分下载了) 3. 关于本资源的具体介绍可参考我的博文

neural abstractive summarization (seq2seq copy (or pointer network) coverage) in pytorch on CNN/Daily Mail

WaveNet的Pytorch实现

各种GAN的PyTorch实现集合

fmpytorch 在Cython中PyTorch实现分解机模块