在线实例分类器细化（OICR）的多实例检测网络的PyTorch实现 如何开始 git clone http://www.github.com/jd730/OICR-pytorch 依存关系 Python 3.5或更高版本 火炬0.4.0（不是0.4.1） CUDA 8.0或更高 资料准备 PASCAL_VOC 07 + 12 ：请按照中的说明准备VOC数据集。 实际上，您可以参考其他任何人。 下载数据后，在文件夹data /中创建软链接。 选择性搜寻 wget https://dl.dropboxusercontent.com/s/orrt7o6bp6ae0tc/selective_search_data.tgz tar -xvf selective_search_data.tgz rm -rf selective_search_data.tgz 将selective_search_

pytorch实现基于LSTM的高速公路车辆轨迹预测源码+数据集.zip 第1步：轨迹数据滤波，将原始US101和I-80的原始数据放入下图文件夹，运行代码"trajectory_denoise.py"，结果如下： image 第2步：移除不必要特征以及添加新特征，运行代码"preprocess.py"，结果如下： image 第3步：根据需要添加横、纵向速度和加速度特征，运行代码"add_v_a.py"，结果如下： image 第4步：按照滑动窗口法提取所需8s轨迹序列，运行代码"final_DP.py"，结果如下： image 第5步：最终合并US101和I-80数据集，为保证数据的均衡性以及充分利用数据集，随机采样10组数据集，每组按照6:2:2的比例划分训练集、测试集和验证集；运行代码"merge_data.py". 模型训练及测试 MTF-LSTM模型训练，运行代码"MTF-LSTM.py" MTF-LSTM-SP模型训练，运行代码"MTF-LSTM-SP.py" 本文训练好的MTF-LSTM和MTF-LSTM-SP模型保存在文件夹/algorithm

深度包 博客文章中的详细信息： : 如何使用 克隆项目 下载我在创建的训练和测试集，或者如果您想从头开始处理数据，请下载。 使用docker镜像运行python代码： docker run -it \ -v /path/to/the/code:/data \ mhwong2007/deep_packet \ bash 如果要运行Jupyter笔记本，请使用以下命令： docker run -it \ -v /path/to/the/code:/data \ -p 8888:8888 \ mhwong2007/deep_packet \ jupyter lab --no-browser --ip=0.0.0.0 --port=8888 --NotebookApp.token= ' ' --allow-root 如果要自己构建环境，请在安装依赖项和库 数据预处理 python pr

pytorch实现文本情感分析详细教程 关键词：python，情感分析，英文文本分类，Bi-LSTM 训练集准确度高达98%，验证集准确度最高达到82%，数据集来自竞赛平台DataCastle，竞赛链接为：https://challenge.datacastle.cn/v3/cmptDetail.html?spm=5176.12282016.0.0.31ed52e3oG2G01&id=359，本代码可以帮助大家获取前70的排名成绩，后续可以进行二次修改，有望冲击前50。

1.深度学习实现中草药(中药材)识别《Pytorch实现中药材(中草药)分类识别(含训练代码和数据集)》 https://blog.csdn.net/guyuealian/article/details/129880963 2.中草药(中药材)图片数据集(Chinese-Medicine-163)： https://blog.csdn.net/guyuealian/article/details/129883396

基于pytorch实现的堆叠自编码神经网络，包含网络模型构造、训练、测试 主要包含训练与测试数据（.mat文件）、模型（AE_ModelConstruction.py、AE_Train.py）以及测试例子（AE_Test.py） 其中ae_D_temp为训练数据，ae_Kobs3_temp为正常测试数据，ae_ver_temp为磨煤机堵煤故障数据，数据集包含风粉混合物温度等14个变量 在程序中神经网络的层数和每层神经元个数没有固定，可根据使用者的输入值来构造神经网络，方便调试 autoencoder类在初始化时有三个参数，第一个是网络输入值，第二个是SAE编码过程的层数(编码、解码过程层数相同)，第三个是是否添加BN层 这里为了构造方便，给每层神经元的个数与层数建立一个关系：第一层神经元的个数为2^(layer数+2)，之后逐层为上一层的1/2

Question_Answering_on_SQuAD 用于提问和回答的Dyanamic Coattention网络。 要求： tqdm 张量板 Gensim 实施论文： 方法： DCN，也称为动态共同注意网络，是用于问答的端到端神经网络。 DCN由共同注意编码器和动态指针解码器组成。 共同注意编码器首先将问题和段落融合在一起，以生成一个面向问题的段落表示，称为大衣注意力编码，并将其馈送到动态指针解码器。 Dyanamic指针解码器由Maxout网络和Highway网络组成。 解码器输出两个值，分别是它在段落中预测的答案的开始索引和结束索引。 以DCN +的形式对上述方法进行了改进。 DCN的一个缺点是它仅具有一个单层的Coattention编码器。 DCN +由堆叠的涂层层组成，可帮助涂层编码器对输入进行更深入的表示。 已进行的另一项改进是将当前层的涂布强度输出与前一层的剩余输出

用PyTorch实现MNIST手写数字识别（整套流程，附对应源码文件）简单小例子 环境配置 在开始之前，我们需要进行一些环境配置，包括安装PyTorch、numpy和matplotlib等必要的Python库。 安装Anaconda 我们可以从官网下载适合自己系统的Anaconda安装包，安装时需要勾选添加环境变量选项。 创建环境 在Anaconda Prompt中输入以下命令： conda create --name pytorch_env python=3.8 该命令将创建一个名为pytorch_env的环境，并使用Python 3.8版本。

An implementation of Deep Recursive Residual Network for Super Resolution (DRRN), CVPR 2017

Neural IMage Assessment的一个PyTorch实现