GCNII：简化版深度图卷积网络的PyTorch实现-ITADN社区

优质

简介：GCNII是简化的深度图卷积神经网络，本项目提供了其PyTorch实现代码，便于研究者和开发者理解和应用此模型。简单和深图卷积网络的PyTorch实现包含在该存储库中。依赖关系： - CUDA 10.1 - python 3.6.9 - pytorch 1.3.1 - 网络x 2.1 - scikit学习数据集包括三个基准数据集（Cora，Citeseer，Pubmed）和四个额外的数据集（Chameleon，Cornell，Texas，Wisconsin）。我们使用与Geom-GCN相同的半监督设置，并采用相同的数据预处理方法。测试精度总结如下： | 数据集 | 深度 | 公制 | | -------- | ----- | ---- | | Cora | 64 | 85.5 | | Citeseer | 8 | 62.48| | Pubmed | 32 | 73.4 | | Chameleon| 16 | 76.49| | Cornell | 16 | 80.3 | | Texas | 32 | 77.84| | Cora（全监督） | 64 | 88.49| | Wisconsin| 16 | 81.57| 以上是简化和重写的版本，去除了原文中的链接和其他联系方式。

PyTorch中卷积神经网络的简单代码实现

优质

本篇文章通过简洁明了的代码示例，介绍了如何在PyTorch框架下搭建和运行一个基础的卷积神经网络模型。适合初学者快速上手实践。二维互相关运算 ```python import torch import torch.nn as nn def corr2d(X, K): H, W = X.shape h, w = K.shape Y = torch.zeros(H - h + 1, W - w + 1) for i in range(Y.shape[0]): for j in range(Y.shape[1]): Y[i, j] = (X[i: i + h, j: j + w] * K).sum() return Y ``` 构造上图中的输入数组`X`、核数组`K`来验证二维互相关运算。

SGCN: PyTorch中的“签名图卷积网络”实现（ICDM 2018）

优质

简介：SGCN是基于PyTorch框架实现的一种新型图卷积网络模型，通过引入节点特征的符号版本增强了图数据的学习能力。该方法在国际数据挖掘大会(ICDM)上发表于2018年。 SGCN 是一种签名图卷积网络（ICDM 2018）的 PyTorch 实现。随着当今许多数据可以用图形表示，对图形数据进行神经网络建模的需求日益增长。近年来，由于其在许多任务中的卓越表现，图卷积神经网络 (GCN) 已经受到了越来越多的关注。事实证明，在诸如节点表示学习等网络分析任务中，它们可以提供显著的改进。特别是对于学习低维节点表示的任务来说，它已经显示出能够提升从链接预测和节点分类到社区检测和可视化的众多其他任务的表现。随着社交媒体的日益普及，带有正向和负向链接的签名网络变得越来越普遍。然而，由于之前的 GCN 模型主要集中在未签名的网络（或仅由正向链接组成的图形）上，并且因为负面链接带来的挑战，如何将它们应用到签名网络中尚不清楚。最主要的问题在于否定链接不仅具有与肯定链接不同的语义意义，而且其本质原理也不同。此外，它还与肯定链接之间形成了复杂的交互关系。

PyTorch-Unet: 简易实现的图像分割U-Net及全卷积网络(FCN)

优质

本项目提供了一个简易实现的PyTorch版U-Net和全卷积网络(FCN)，用于高效处理医学影像等领域的图像分割任务。该存储库包含U-Net和FCN的简单PyTorch实现，这是Ronneberger等人提出的深度学习分割方法以及Long等人提出的方法。用于训练的合成图像/掩码首先需要克隆此存储库并进入项目目录。导入所需的Python包： ```python import matplotlib.pyplot as plt import numpy as np import helper import simulation ``` 生成一些随机图像： ```python input_images, target_masks = simulation.generate_random_data(192, 192, count=3) for x in [input_images, target_masks]: print(x.shape) print(input_images.mean()) ``` 注意：代码中的最后一行`print(x.m`可能是错误的，应该为`print(input_images.mean())`以输出输入图像的平均值。

基于PyTorch的CNN卷积神经网络实现

优质

本项目采用Python深度学习框架PyTorch，构建并训练了卷积神经网络(CNN)，以解决图像分类问题，展示了CNN在图像识别任务中的高效性。本段落介绍了如何使用PyTorch实现卷积神经网络（CNN），供读者参考。我对卷积神经网络有一些认识：它是目前最流行的深度学习模型之一，由于具有局部感受野等特性，使其与人眼识别图像的方式相似，因此被广泛应用于图像识别中。我的研究领域是机械故障诊断，通常使用旋转机械设备的振动信号作为数据源。对于一维信号处理，一般有两种方法：一是直接对其进行一维卷积操作；二是将其映射到时频图上，从而转化为图像识别问题。此前我一直在用Keras搭建网络模型，最近学习了如何利用PyTorch构建CNN，并尝试编写相应的代码。实验中使用的是经典的MNIST手写数字数据集作为训练样本。

Spherical CNNs的PyTorch实现-球面卷积网络-python

优质

本项目为Spherical CNNs在Pytorch框架下的实现，专注于开发和应用球面卷积神经网络，推动三维数据处理技术的进步。 Spherical CNNs：球面卷积网络的PyTorch实现概述：该库包含一个使用PyTorch实现的用于处理旋转对称性（如全向图像、地球信号等）的球形信号卷积神经网络(Spherical Convolutional Neural Networks, Spherical CNNs)。此实现基于文献[1]中的方法，适用于在球体和SO(3)空间中工作的等变CNN。依赖项： - PyTorch（>=0.4.0） - cupy - lie_learn - pynvrtc 安装所有依赖的命令可以在新的conda环境中执行如下操作： ``` conda create --name cuda9 python=3.6 conda activate cuda9 # s2cnn deps ```

OctaveConv-PyTorch：简易拖放式的八度卷积实现

优质

简介：OctaveConv-PyTorch是一款易于使用的PyTorch库，实现了八度卷积技术，用户可以轻松地将它集成到自己的项目中以提升模型性能。在使用PyTorch实现OctaveConv的过程中，可以从resnet模块导入octResnet50，并通过`model = octResnet50()`创建模型实例来进行训练。

基于深度学习与卷积网络及Pytorch库的超分辨率图像重建实现.zip

优质

本项目采用深度学习和卷积神经网络技术，结合Python的PyTorch框架，实现了高效的超分辨率图像重建算法。我们提供深度学习、机器学习、自然语言处理及计算机视觉的实战项目源码，帮助您将理论知识转化为实际技能。如果您已经具备一定的基础知识，可以基于这些源码进行修改和扩展，实现更多功能。【期待与您同行】我们真诚地邀请您下载并使用我们的资源。

是否确定退出登录?

GCNII：简化版深度图卷积网络的PyTorch实现

全部评论 (0)