1.使用pytorch，使用全连接层，而不是用卷积层，要求有两层隐含层2.尽一切可能提高精确率，在这里训练集上达到99.9%以上
2022/9/5 3:48:43
13.59MB
1
CNN_classification_feature_extraction该存储库是pytorch中用于分类和特征提取的CNN的实现。
Pytorch预训练的模型已被用于其解释。
该代码支持数据并行性和多GPU，提早停止和类权重。
此外，您可以选择加载预训练的权重（在ImageNet数据集上进行训练）或使用随机权重从头开始训练。
预训练的模型结构在最初一层有1000个节点。
此代码将所有模型的最初一层修改为可与每个数据集兼容。
可以使用以下模型：'resnet18','resnet34','resnet50','resnet101','resnet152','resnext50_32x4d','resnext101_32x8d','wide_resnet50_2','wide_resnet101_2','vgg11','vgg11_bn','vgg13'
Pytorch预训练的模型已被用于其解释。
该代码支持数据并行性和多GPU，提早停止和类权重。
此外，您可以选择加载预训练的权重（在ImageNet数据集上进行训练）或使用随机权重从头开始训练。
预训练的模型结构在最初一层有1000个节点。
此代码将所有模型的最初一层修改为可与每个数据集兼容。
可以使用以下模型：'resnet18','resnet34','resnet50','resnet101','resnet152','resnext50_32x4d','resnext101_32x8d','wide_resnet50_2','wide_resnet101_2','vgg11','vgg11_bn','vgg13'
2022/9/4 23:46:38
19KB
1
超高清机器视觉材料大全包括python计算机视觉、计算机视觉、计算机视觉：一种现代方法(中文版）、深度学习之PyTorch实战计算机视觉-2018
2022/9/4 8:02:25
116.66MB
1
这个代码是安装TensorRT4.0后自带的，功能也有限，所以本人在目录中搜索一下就能看到。
所以先本人找找，找不到再下载。
有些人可能不知道有这样的范例，工作碰上很麻烦。
所以这里就打包上传。
所以先本人找找，找不到再下载。
有些人可能不知道有这样的范例，工作碰上很麻烦。
所以这里就打包上传。
2022/9/4 7:32:07
56KB
1
1、 训练数据准备所有数据均放置于Sample\Build\下，其中Build为数据类型，根据本人需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照:Sample\Build\train\IMG_T1-----------------------\IMG_LABEL-----------------\val\IMG_T1-----------------------\IMG_LABEL2、 训练参数设置参数和运行皆在dp0_train.py中，主要参数包括：（1） num_epochs，训练批次（2） learning_rate，学习率（3） dataset，步骤一本人构建的数据集名称（4） band，输入数据通道数（波段数）（5） n_class,模型输出通道数（类别）设置好后点击run即可3、 训练模型位置模型结构放与net文件中，生成模型文件pt位于Checkpointspath\4、 预测使用填写参数Checkpointspath，模型位置名称Dataset，待预测数据文件夹Outputpath，输出数据文件夹
2021/11/14 23:13:06
526.96MB
1
《深度进修之Pytorch》+《PyTorch深度进修实战》+源代码.rar
2015/8/23 5:22:10
70.8MB
1
基于Pytorch实现的深度强化学习DQN算法源代码，具有超详细的正文，已经在诸多项目中得到了实际应用。
主要包含2个文件：（1）dqn.py，实现DQN只能体的结构、经验重放池、Q神经网络、学习方法等；
（2）runner.py，使用dqn.py中的智能体与环境进行交互与学习，并最终学会仿真月球车着陆游戏。
主要包含2个文件：（1）dqn.py，实现DQN只能体的结构、经验重放池、Q神经网络、学习方法等；
（2）runner.py，使用dqn.py中的智能体与环境进行交互与学习，并最终学会仿真月球车着陆游戏。
2020/1/5 5:04:31
8KB
1
HiddenLayer-面向PyTorch/Tensorflow的神经网络图和训练襟怀的轻量库
2017/11/7 14:57:20
2.76MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB