MobileNet V2的PyTorch实施 + Release of next generation of MobileNet in my repo *mobilenetv3.pytorch* + Release of advanced design of MobileNetV2 in my repo *HBONet* [ICCV 2019] + Release of better pre-trained model. See below for details. 如Mark Sandler，Andrew Howard，Menglong Zhu，Andrey Zhmoginov和Liang-Chieh Chen所讲的，使用框架对ILSVRC2012基准进行了。 此实现提供了一个示例过程，用于训练和验证任何流行的深度神经网络体系结构，并集成了模块化数据处理，训练，日志记录和可视化。

细节增强的matlab代码预训练的EfficientDet-D0网络用于物体检测 该存储库为MATLAB:registered:提供了预训练的EfficientDet-D0 [1]对象检测网络。 要求 MATLAB:registered:R2021a或更高版本 深度学习工具箱:trade_mark: 计算机视觉工具箱:trade_mark: 适用于ONNX Model Format:trade_mark:支持包的深度学习工具箱转换器 概述 该存储库提供经过训练可检测不同物体类别（包括人，汽车，交通信号灯等）的EfficientDet-D0网络。该预训练模型使用COCO 2017 [3]数据集进行训练，该数据集具有80个不同的物体类别。 EfficientDet-D0很大程度上遵循一级对象检测器范例，并使用预定义的锚点来检测对象。 借助通过快速归一化增强的加权双向特征金字塔网络，它利用了来自不同级别骨干网络的便捷，快速的多尺度特征融合。 入门 将此存储库下载或克隆到您的计算机，然后在MATLAB:registered:中打开它。 设置 将路径添加到源目录。 addpath('src'); 下载预训练的网络 使用下面的帮助程序来下载预训练的网络。 model = helper.downloadPretrainedEff

Pretrained-Unilm-Chinese 中文版unilm预训练语言模型 Table of Contents Background 最近由于公司业务的需要，做了一些基于预训练seq2seq模型的文本生成式任务，研究了、、之后，发现unilm这风格的seq2seq非常优雅。但是作者只开源了英文版的预训练模型，在git上也没找到合适的中文版unilm的预训练模型以及预训练代码，于是自己写了一个tensorflow版本。本项中预训练基于tensorflow-gpu==1.14.0，后续的微调任务基于。 Pretrain Training Data 简体中文维基百科数据，处理成一行一行句子对的形式。 Input Mask And Attention Mask 在一条数据中随机mask15%的token，被mask的token中80%用[MASK]表示，10%从vocab中随机选择一个tok

内包含ResNet50网络模型，模型预训练参数（.h5文件，基于tf2），以及一项使用tf2实现的对ResNet50的网络结构和预训练参数的分开调用。

Pretrained model for C3D: need 3 : c3d-pretrained.zip, c3d-pretrained.z01, c3d-pretrained.z02 for uncompress. because of the limit of 240M of CSDN.

:warning: 结帐分支以查看pyannote.audio 2.0 中的内容： 一个更小更干净的代码库 Python-first API（不过，旧的pyannote-audio CLI 仍然可用） 多 GPU 和 TPU 训练 使用数据增强 模特主持 音频注释的食谱 基于在线 使用pyannote-audio神经说话者分类 pyannote.audio是一个用 Python 编写的用于说话人分类的开源工具包。 基于机器学习框架，它提供了一组可训练的端到端神经构建块，可以组合和联合优化来构建说话人分类管道： pyannote.audio还带有涵盖了语音活动检测、说话人变化检测、重叠语音检测和说话人嵌入的广泛领域： 安装 pyannote.audio在 Linux 和 macOS 上仅支持 Python 3.7（或更高版本）。 它可能适用于 Windows，但没有任何保证，也没有任何计划添加对

基于pytorch的中文语言模型预训练 ACL2020最佳论文有一篇论文提名奖，《不要停止预训练：使语言模型适应领域和任务》。本文涉及很多语言模型预训练的实验，系统的分析了语言模型预训练对子任务的效果提升情况。有几个主要方面： 在目标领域的数据集上继续预训练（DAPT）可以提高效果；目标领域的语料与RoBERTa的原始预训练语料越不相关，DAPT效果则提升更明显。 在具体任务的数据集上继续预训练（TAPT）可以十分“廉价”地提升效果。 结合两者（先进行DAPT，再进行TAPT）可以进一步提升效果。 如果能获取更多的，任务相关的无标注数据继续预训练（Curated-TAPT），效果则最佳。 如果

ONNX模型动物园 是一种开放标准格式，用于表示机器学习模型。 ONNX得到了许多合作伙伴的支持，这些合作伙伴已经在许多框架和工具中实现了该功能。 ONNX模型动物园是由像您这样的社区成员提供的ONNX格式的经过预训练的最新模型的集合。 每个模型都有用于进行模型训练并根据训练后的模型进行推断。 这些笔记本是用Python编写的，包括指向训练数据集的链接以及对描述模型体系结构的原始论文的引用。 我们已经在进行了标准化，以存储ONNX模型文件。 要下载ONNX模型，请导航至相应的Github页面，然后单击右上角的Download按钮。 楷模 请阅读下面的部分，以获取有关ONNX模型库（.onn

变压器模型：MATLAB中的深度学习变压器模型

inception_v3 google官方预训练模型，由于网络和一些原因，google资源下载不易，特此分享，方便大家下载，节省寻找时间