Pytorch implementation of face attention network

本代码参考自https://colab.research.google.com/drive/1mMUKnvM_Byu8wEcJpFSYGnniPPhIOD7N?usp=sharing。

ResNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，pytorch上可运行

GoogLeNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，pytorch上可运行

博客地址： 超分辨网络SRCNN的Pytorch实现 https://tinycool.blog.csdn.net/article/details/124581407#comments_23475484

这个项目是我在学习Pytorch的时候做的一个简单的CIFAR-10数据集的训练模型，里面每一步都有详细的注释介绍，很适合深度学习小白下载学习。其中包含我模型训练的代码，也包含模型测试的代码，大家可以修改参数进行测试。 1、train.py 是我训练模型的代码 2、nn_module.py 是我神经网络模型的代码 3、test.py 是我测试模型的代码 4、images 是我用来测试的图片 5、myModule_19.pth 是我训练20次后得到的模型

本项目已包含花分类数据集和训练好的AlexNet.pth模型，可直接进行花分类预测，代码共分5部分： 1. 数据预处理：划分数据集  2. 加载自定义数据集 3. 建立Alexnet模型  4. 模型训练  5. 模型的评估和使用训练好的模型进行图片分类 本文代码简单易懂，有较具体的注释，只需具备基础的python知识，便可以顺序通读。

DQN-PyTorch 实现PyTorch 目录： 项目结构： ├── agents | └── dqn.py # the main training agent for the dqn ├── graphs | └── models | | └── dqn.py | └── losses | | └── huber_loss.py # contains huber loss definition ├── datasets # contains all dataloaders for the project ├── utils # utilities folder containing input extraction, replay memory, config parsing, etc | └── assets | └── replay_memory.py |

Numpy wxPython pytorch torchvision PIL Usage: $ python StyleTransferGui.py button: content img:选择内容图片 style img:选择风格图片 Start:启动风格转换程序 Model Choice:选择模型 Preferences->hyper parameter:设置训练超参数

更新 2021/03/27: （1）发布语义分割的预训练模型，其中PointNet++可以达到53.5%的mIoU。 (2) 发布预训练模型用于分类和部分分割log/。 2021/03/20：更新分类代码，包括： (1) 添加训练ModelNet10数据集的代码。使用--num_category 10. (2) 添加仅在 CPU 上运行的代码。使用--use_cpu. (3) 增加离线数据预处理代码，加速训练。使用--process_data. (4) 添加用于均匀采样训练的代码。使用--use_uniform_sample. 2019/11/26: (1) 修复了之前代码中的一些错误并增加了数据增强技巧。现在只用1024分就可以达到92.8%！ (2) 增加了测试代码，包括分类和分割，以及可视化的语义分割。 (3) 将所有模型整理成./models文件，方便使用。