工程流程 本文档实现了R-CNN算法进行目标检测的完整过程，包括 数据集创建 卷积神经网络训练 分类器训练 边界框回归器训练 目标检测器实现 本仓库最终实现一个汽车类别目标检测器 模块构成 区域建议生成：selectivesearch算法实现，生成类别独立的区域建议 特征提取：卷积神经网络AlexNet实现，从每个区域建议中提取固定长度的特征向量 线性SVM实现，输入特征向量，输出每类成绩 使用类指定的边界框回归器计算候选建议的坐标偏移 非最大抑制方法实现，得到最终的候选建议 关于区域建议算法selectivesearch实现，在训练阶段使用高质量模式，在测试阶段使用快速模式

pytorch图注意网络 这是Veličković等人提出的图注意力网络（GAT）模型的火炬实施。 （2017， ）。 回购协议最初是从分叉的。 有关GAT（Tensorflow）的官方存储库，请访问 。 因此，如果您在研究中利用pyGAT模型，请引用以下内容： @article{ velickovic2018graph, title="{Graph Attention Networks}", author={Veli{\v{c}}kovi{\'{c}}, Petar and Cucurull, Guillem and Casanova, Arantxa and Romero, Adriana and Li{\`{o}}, Pietro and Bengio, Yoshua}, journal={International Conference on Learning

对抗图书馆 该库包含与PyTorch中实施的对抗性攻击有关的各种资源。 它针对寻求最新攻击实施方案的研究人员。 编写代码是为了最大程度地提高效率（例如，通过偏爱PyTorch的底层函数），同时保持简单性（例如，避免抽象）。 因此，大多数库（尤其是攻击）都是使用纯函数实现的（只要有可能）。 在着重于攻击的同时，该库还提供了一些与对抗性攻击有关的实用程序：距离（SSIM，CIEDE2000，LPIPS），可见回调，预测，损失和辅助功能。 最值得注意的是，来自utils/attack_utils.py的功能run_attack对具有给定输入和标签且具有固定批处理大小的模型进行了攻击，并报告了与复杂性相关的指标（运行时和向前/向后传播）。 依存关系 该库的目标是使用最新版本的PyTorch进行更新，以便可以定期更新依赖项（可能会导致重大更改）。 pytorch> = 1.7.0 火炬视觉>

元伪标签 安装套件 pip3 install SOTA-SSL 用法 import torch from SOTA_SSL_Models import SimSiam from torchvision import models model = SimSiam(args) 笔记 我发现直接使用SimCLR增强有时会导致模型崩溃。 这可能是由于SimCLR增强太强的事实。 在预热阶段采用MoCo增强会有所帮助。 数据集 data/ imagenet/ train/ ... n021015556/ .. n021015556_

利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，svm或者随机森林等进行分类，模型蒸馏，一个完整的代码。 实现功能： 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，加权与投票融合 利用flask + redis实现模型云端api部署（tag v1） c++ libtorch的模型部署 使用tta测试时增强进行预测（tag v1） 添加label smooth的pytorch实现（标签平滑）（tag v1） 添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类（tag v1）。 可视化特征层。 转载：https://github.com/lxztju/pytorch_classification

图片GPT 图像GPT的PyTorch实施基于像素的纸张生成式预训练和随附的。 模型生成的来自测试集的半图像的完成。 输入第一列； 最后一栏是原始图片 iGPT-S已在CIFAR10上进行了预培训。 由于该模型仅在CIFAR10而非所有ImageNet上进行了训练，因此完成程度相当差。 在制品 GPU上的批量k均值用于量化更大的数据集（当前使用sklearn.cluster.MiniBatchKMeans 。） BERT样式的预训练（当前仅支持生成。） 从OpenAI加载预训练的模型。 重现至少iGPT-S结果。 根据他们的，最大的模型iGPT-L（1.4 M参数）接受了2500 V100天的培训。 通过大大减少注意力头的数量，层数和输入大小（这会成倍地影响模型大小），我们可以在不到2小时的时间一台NVIDIA 2070上在上训练自己的模型（26 K参数）。 分类微调 采

网格网 使用PyTorch实现GridNet

RECCON：识别对话中的情感原因 该存储库包含论文“的数据集和模型的pytorch实现。 任务概述 给定一个用情感E标记的话语U，任务是从对话历史记录H中提取因果跨度S（包括话语U），该因果跨度S足以表示情感E的原因。 数据集 原始带注释的数据集可以在data/original_annotation文件夹中的json文件中找到。 可以在data/subtask1/和data/subtask2/文件夹中找到带有因果提取和因果情感任务的负面示例的数据集。 资料格式 DailyDialog和IEMOCAP的注释和对话可从 。json获得。 JSON文件中的每个实例都分配了一个标识符（例如“ tr_10180”），该标识符是一个列表，其中包含针对每种话语的以下各项的字典： 钥匙 价值 turn 话语指数从1.开始 speaker 目标话语的说话者。 utterance 话语文字。

GoEmotions火炬手 使用实现Pytorch实现 什么是GoEmotions 数据集以28种情感标记为58000个Reddit评论 钦佩，娱乐，愤怒，烦恼，批准，关怀，困惑，好奇心，欲望，失望，不赞成，厌恶，尴尬，兴奋，恐惧，感激，悲伤，喜悦，爱，紧张，乐观，骄傲，意识到，缓解，后悔，悲伤，惊喜+中立 训练细节 使用基于bert-base-cased （与论文的代码相同） 在本文中，使用了3种分类法。 我还使用用于分类hierarchical grouping和ekman新分类标签制作了数据。 原始GoEmotions （27种情感+中性） 分层分组（正，负，模棱两可+中性） 艾克曼（愤怒，厌恶，恐惧，喜悦，悲伤，惊奇+中立） 词汇 我已分别将[unused1] ， [unused2]替换为[NAME]和[RELIGION] 。 [PAD] [NAME] [RELIGI

深度学习中的GAM注意力机制pytorch实现版本