Advertisement

该文本提供PyTorch版本的实现。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
请留意采样-火炬，以下为本文的PyTorch实现。该存储库是基于先前以TensorFlow编写的论文所进行的移植。原始存储库中的代码已被重新编写为PyTorch 1.4.0版本。其中最具挑战性的部分是重构从高分辨率图像中提取补丁的功能。最初的版本依赖于专门的C/C++文件，我已在本地Python环境中完成了此操作。由于可能涉及嵌套的循环结构，因此该方法可能效率较低，且运行速度相对较慢。我曾尝试并行执行补丁提取的过程，但这样做增加了显著的开销，实际上并未提升速度。此外，我还致力于确保正确计算期望值的部分得到有效实现，并为此设计了一个自定义的backward()函数，力求避免任何潜在错误。该代码库已经针对原始文件中提及的两项任务——Mega-MNIST和交通标志检测任务——进行了测试。定性分析表明其结果与原始工作具有相当程度的可比性；然而，定性分析也揭示了此代码库中存在一些错误。已经有几位用户向我反馈，他们无法成功地使…

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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) ```
     
  • TableNet的PyTorch实现: OCR_tablenet版本
    优质
    OCR_tablenet是基于PyTorch框架对TableNet模型的实现，专为表格识别与结构化设计，适用于文档分析和信息提取任务。 表格网该库由一个Pytorch实施组成。要进行培训或预测，请首先通过运行以下代码安装需求：`pip install -r requirements.txt`。为了训练模型，您只需要使用可以根据需要配置的train.py文件即可。 marmot.py和tablenet.py是继承自Pytorch Lightning模块的组件，分别对应LightningDataModule和LightningModule类。进行预测时，可以利用已经预先训练好的权重，并通过以下命令执行： `python predict.py --model_weights= --image_path=` 或者使用默认图像直接运行： `python predict.py` 以简化操作过程。
     
  • PointNet2_PyTorch: PointNet++的PyTorch实现版本
    优质
    简介：PointNet2_PyTorch是PointNet++的PyTorch版实现，适用于点云理解任务，支持多种数据集与模型架构，便于研究和开发。 Pointnet2/Pointnet++ PyTorch 项目状态：未维护。由于时间有限，我没有更新此代码的计划，并且不会响应问题。 该项目是用 PyTorch 编写的 Pointnet2/Pointnet++ 版本，支持多 GPU 使用和 PyTorch 版本 >= 1.0.0 的环境。对于旧版本的 PyTorch 支持，请参考官方发布的模型定义和超参数（在 tensorflow 中）。 注意：Pointnet++ 所使用的自定义操作目前仅在使用 CUDA 的 GPU 上受支持。该项目已通过 Python {3.6, 3.7} 版本进行测试，安装依赖项时请运行 `pip install -r requirements.txt` 命令，并且该 repo 已经用 PyTorch {1.4, 1.5} 进行了测试。它可能适用于比 1.5 更新的版本，但这不能保证。
     
  • FixMatch-pytorch：非官方的PyTorch版本实现
    优质
    FixMatch-pytorch是由社区维护的一个非官方项目，提供了用PyTorch框架实现的FixMatch半监督学习算法。此代码库旨在为机器学习爱好者和研究者提供一个易于使用的实验平台。 这是FixMatch的非官方PyTorch实现。Tensorflow的官方实现在另一处提供。 该代码仅在使用RandAugment的情况下适用于FixMatch。 结果如下： CIFAR10数据集： 标签数量：40，250，4000 论文（RA）的结果为：86.19±3.37, 94.93±0.65, 95.74±0.05 本代码实现结果为：93.60, 95.31, 95.77 CIFAR100数据集： 标签数量：400，2500，10000 论文（RA）的结果为：51.15±1.75, 71.71±0.11, 77.40±0.12 本代码实现结果为：57.50, 72.93, 78.12 使用以下选项进行训练--amp --opt_level O2 --wdecay 0.001。 用法： 通过CIFAR-10数据集的4000个标记数据来训练模型。
     
  • FastSpeech2的PyTorch实现：快速版本
    优质
    本项目提供FastSpeech2的PyTorch实现，旨在加速文本到语音转换过程，适用于研究和开发。 Fastspeech 2 FastSpeech 非官方PyTorch实现。此仓库基于FastSpeech的实现进行开发，在此版本中我尝试复制论文中的详细设置，并在必要时做出一些调整以优化模型性能，欢迎提出任何建议与改进意见。 音频预处理采用Nvidia的tacotron 2方法完成，并使用特定声码器来合成语音信号。以下是项目详情： 代码要求：所有代码均基于Python 3.6.2编写。 安装Pytorch： 在安装pytorch之前，请通过运行以下命令检查您的Cuda版本： ```bash nvcc --version ``` 然后按照官方指导进行PyTorch的安装，例如使用pip install torch torchvision。在此仓库中，我将Pytorch 1.6.0用于支持bucketize功能（此函数在之前的pytorch版本中不存在）。 其他依赖库：请通过运行以下命令来安装项目所需的额外包： ```bash pip install -r requirements.txt ``` 为了使用TensorBoard进行日志记录，请确保已正确配置了相关环境。
     
  • BiLSTM-CRF-NER-PyTorch: 本仓库提供针对命名实体识别任务的BiLSTM-CRF模型的PyTorch实现。
    优质
    本仓库提供了基于PyTorch框架的BiLSTM-CRF模型，专门用于执行命名实体识别任务，助力自然语言处理领域的发展。 使用BiLSTM-CRF模型的命名实体识别任务的PyTorch解决方案。此存储库包含了一个用于命名实体识别任务的BiLSTM-CRF模型的PyTorch实现。项目的代码结构如下： ``` ├── pyner| │ └── callback| │ | └── lrscheduler.py │ | └── trainingmonitor.py │ ... └── config └── basic_config.py # 用于存储模型参数的配置文件 └── dataset ```
     
  • StyleGAN2-PyTorch：在PyTorch中分析与提升StyleGAN（版本2）图像质量的实现
    优质
    简介：本项目基于PyTorch实现并优化了StyleGAN2模型，致力于深入分析其生成机制及提高图像合成的质量。 在PyTorch中实现并改进StyleGAN 2的图像质量（注意：我尽量接近官方实施，但可能遗漏了一些细节，请谨慎使用此实现）。我已经测试过以下环境： - PyTorch版本1.3.1 - CUDA版本10.1 或 10.2 用法如下： 首先创建lmdb数据集： ``` python prepare_data.py --out LMDB_PATH --n_worker N_WORKER --size SIZE1，SIZE2，SIZE3，... DATASET_PATH ``` 这会将图像转换为jpeg并预先调整其大小。此实现不使用渐进式增长，但如果您想尝试其他分辨率，请使用带有逗号分隔列表的大小参数来创建多个分辨率数据集。 然后您可以在分布式设置中训练模型： ``` python -m torch.distributed.launch --nproc_per_node=N_PROCESSORS main.py ```
     
  • GSL库2.8版本的DLL和LIB文件仅提供64位版本
    优质
    GSL库2.8版本现已发布，此次更新仅支持64位系统，并提供了对应的动态链接库(DLL)及静态库(LIB)文件。 GNU Scientific Library (GSL) 是为 C 和 C++ 程序员提供的一个数值库，它是 GNU 通用公共许可证下的自由软件。 该库提供了广泛的数学程序，包括随机数生成器、特殊函数以及最小二乘法拟合等。总共有超过 1000 个函数，并且有一个全面的测试套件支持。 此资源适用于 Visual C++ 2022 版本的工程，在内部 gsl-2.8-VS-x64 目录下包含了 GSL 库版本 2.8 的 DLL 文件和 LIB 文件。仅在 Visual C++ 2022 版本上进行了测试，未在其他版本上进行过测试。 此版本为最新的 V2.8 版本。
     
  • Pytorch中Word2Vec的文本数据实现
    优质
    本文介绍了如何在PyTorch框架下使用Word2Vec模型对文本数据进行处理和向量化表示，为自然语言处理任务提供支持。 这段文字包含三个文件：text8.dev.txt、text8.test.txt 和 text8.train.txt。