PyTorch-CapsuleGNN: PyTorch版的CapsuleGNN

5星

浏览量: 0

大小:None

文件类型：None

简介：
PyTorch-CapsuleGNN是基于PyTorch框架实现的CapsuleGNN库，适用于图神经网络领域研究和应用，提供高效、灵活的胶囊机制与图数据处理能力。胶囊网络的PyTorch版本的所有代码均适用于此项目。该项目依赖于Python 3.7、Torch和Scikit-learn库。主要可运行文件是main.py，其中定义了Capsule GNN模型（在model.py中），以及用于训练和测试模型的trainer方法（在trainer.py中）。

全部评论 (0)

还没有任何评论哟~

客服

PyTorch-CapsuleGNN: PyTorch版的CapsuleGNN

优质

PyTorch-CapsuleGNN是基于PyTorch框架实现的CapsuleGNN库，适用于图神经网络领域研究和应用，提供高效、灵活的胶囊机制与图数据处理能力。胶囊网络的PyTorch版本的所有代码均适用于此项目。该项目依赖于Python 3.7、Torch和Scikit-learn库。主要可运行文件是main.py，其中定义了Capsule GNN模型（在model.py中），以及用于训练和测试模型的trainer方法（在trainer.py中）。

Pytorch版DCGAN：DCGAN的Pytorch实现

优质

本项目提供了一个基于PyTorch框架的深度卷积生成对抗网络（DCGAN）的实现方案。通过利用PyTorch的强大功能和灵活性，该项目能够高效地训练生成模型以产生高质量的图像数据。派托克-DCGAN 是 DCGAN 的 Pytorch 实现。可以通过更改 DB 变量来选择不同的数据集。若想使用已保存的模型生成图像，请将 LOAD_MODEL 设置为 True 并将 EPOCHS 设定为 0。支持的数据集包括 LSUN 教堂、西莉亚和 MNIST 数据集。

DenseCap-PyTorch：简化的PyTorch版本

优质

DenseCap-PyTorch提供了一个精简且易于使用的PyTorch框架，用于实现密集-captioning模型。此项目简化了原始代码，便于研究者快速上手和进行实验。皮尔托奇的Densecap 简化pytorch版本可以发出或直接通过其他方式联系我。密集帽（DenseCap）是一种从图像中检测区域，并用简短句子描述每个区域的技术。我们的模型代码直接继承了GeneralizedRCNN，旨在使其易于理解和使用。因此，区域检测器部分与原始论文有所不同。该实现应该可以在具有12GB内存的单个GTX 1080Ti GPU上进行训练。所需环境为Python 3.7和pytorch 1.4.0，另外还需要安装torchvision 0.5.0、h5py、tqdm以及DataLoader的预取版本以加快培训速度。我们使用nlgeval来计算Meteor得分，但可以修改validate.py文件以采用其他方法（例如coco-）。

PyTorch-GLOW: OpenAI GLOW的PyTorch版本

优质

PyTorch-GLOW是基于OpenAI GLOW的实现，完全用PyTorch构建。它提供了一种快速、灵活的方法来执行高质量的语音合成和音频处理任务，适用于各种研究与开发场景。辉光项目使用Pytorch实现了OpenAI生成模型。此仓库提供了一种用于堆叠可逆转换的模块化方法。运行代码： ``` python train.py ``` 例如： ``` CUDA_VISIBLE_DEVICES=0 python train.py --depth 10 --coupling affine --batch_size 64 --print_every 100 --permutation conv ``` 待办事项包括： - 多GPU支持。如果性能是您的主要问题，建议尝试Pytorch实现。 - 支持更多数据集 - 实现LU分解的可逆卷积。该存储库不再维护。如果有需要可以提出问题，但响应可能较慢。

Dynamic-Convolution-Pytorch: Pytorch!!! Pytorch!!! Pytorch!!!...

优质

Dynamic-Convolution-Pytorch 是一个专注于使用PyTorch框架实现动态卷积神经网络的项目。通过灵活调整卷积操作，该项目旨在提升模型在图像识别任务中的性能与效率。 Dynamic Convolution: Attention over Convolution Kernels (CVPR-2020)非官方实现代码Pytorch!!! Pytorch!!! Pytorch!!! 动态3D/2D卷积及一些模型的准确率。2020年8月30日，基本完成动态2D和3D卷积功能。下一步：构建一些基础模型并测试其准确性。若在代码实现过程中遇到问题，可以先查看Issue中的一些修改建议。dy_vgg11: 0.9033, raw_vgg11: 0.8929

AnimeGANv2-PyTorch: AnimeGANv2的PyTorch版本实现

优质

AnimeGANv2-PyTorch是基于PyTorch框架实现的AnimeGANv2代码库，用于将照片风格转换成日式漫画风格，提供模型训练和预处理工具。 PyTorch实现从原始存储库转换权重（需要TensorFlow 1.x） ``` git clone https://github.com/TachibanaYoshino/AnimeGANv2 python convert_weights.py ``` 推理： ``` python test.py --input_dir [image_folder_path] --device [cpu/cuda] ``` 这是经过转换的模型的结果样式（从左到右：输入图像，原始TensorFlow结果，PyTorch结果）。脸部模型是从带有L2 + VGG + GAN损失和CelebA-HQ图像中提取出来的。有关推断，请参见test_faces.ipynb文件。注意：不包含训练代码，在RTX3090 + PyTorch1.7.1上进行了测试，由于转换后的权重结果略有不同。

TransGAN-PyTorch: [WIP] PyTorch版本的TransGAN实现

优质

TransGAN-PyTorch是一个正在开发中的项目，致力于提供一个基于PyTorch框架的TransGAN实现。此代码库旨在为研究者和开发者提供灵活且高效的生成对抗网络实验环境。 TransGAN-PyTorch 是 PyTorch 实现的 TransGAN 论文原始文件。安装方法是通过 pip 安装软件包： ``` pip install transgan-pytorch ``` 使用时，需要导入 torch 和 TransGAN 模块，并实例化一个 TransGAN 对象。代码示例如下： ```python import torch from transgan_pytorch import TransGAN tgan = TransGAN(...) z = torch.rand(100) # 随机噪声 pred = tgan(z) ```

CBDNet-pytorch: 非官方的PyTorch版本CBDNet

优质

CBDNet-pytorch是一个非官方维护的项目，提供了使用PyTorch框架实现的CBDNet代码库。该项目旨在为希望在PyTorch环境中工作的研究人员和开发者提供便利。 CBDNet-火炬CBDNet的非官方PyTorch实现。更新2021.04.02：该代码可能存在一些实现错误，请谨慎使用。欢迎提交拉请求。 2020.12.04：我们使用新的数据集训练了CBDNet模型，PSNR（DND基准）从38.06提升到了39.63。快速开始指南： - 下载数据集和预训练的模型。 - 将文件解压缩到data文件夹和save_model文件夹中，如下所示： ~/ data/ SIDD_train/ Syn_train/ DND/ images_srgb/ 保存模型路径为：~/ save_model/ checkpoint.pth.tar 训练模型： python tr

SeqGAN-pytorch：“SeqGAN”的精简版PyTorch实现

优质

SeqGAN-pytorch是基于PyTorch框架对SeqGAN模型进行的简化实现，便于研究者快速上手与二次开发。 SeqGAN-火炬PyTorch实现的“ SeqGAN：具有策略梯度的序列生成对抗网络”。（于兰涛等）要求： pytorch v0.4.1 Python 3.6 该代码基于其他人的实现，我进行了一些更改，以便在命令行中使用python train.py来运行此代码。

PyTorch版的Yolov2

优质

本项目为基于PyTorch框架实现的YOLOv2目标检测模型，优化了原始版本的性能与速度，适用于实时图像分析和视频监控等应用场景。 YOLOv2的PyTorch版本可以实现目标检测等多种功能，并且能够运行出相应的结果。