Advertisement

AlphaFold2:随架构细节公布,现为非官方PyTorch版本的复刻实现

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


简介:
本项目是AlphaFold2的非官方PyTorch版本复刻实现,在原作者公布架构细节后开发。旨在促进蛋白质结构预测技术的研究与应用。 Alphafold2-Pytorch(WIP)旨在成为一个非官方的PyTorch实现版本,利用惊人的注意网络解决CASP14问题。随着架构细节逐步公布,实施工作将逐渐推进。复制完成后,我计划在计算机上折叠所有可用的氨基酸序列,并公开发布以供学术研究使用。 如果您对这项复刻工作感兴趣,请安装相关包: ``` pip install alphafold2-pytorch ``` 用法如下:像Alphafold-1一样预测分布图,但需注意以下导入语句: ```python import torch from alphafold2_pytorch import Alphafold2 from alphafold2_pytorch.utils import MDScaling, center_distogram_torch model = Alphafold2(dim=256) ``` 请根据需要调整参数。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • AlphaFold2PyTorch
    优质
    本项目是AlphaFold2的非官方PyTorch版本复刻实现,在原作者公布架构细节后开发。旨在促进蛋白质结构预测技术的研究与应用。 Alphafold2-Pytorch(WIP)旨在成为一个非官方的PyTorch实现版本,利用惊人的注意网络解决CASP14问题。随着架构细节逐步公布,实施工作将逐渐推进。复制完成后,我计划在计算机上折叠所有可用的氨基酸序列,并公开发布以供学术研究使用。 如果您对这项复刻工作感兴趣,请安装相关包: ``` pip install alphafold2-pytorch ``` 用法如下:像Alphafold-1一样预测分布图,但需注意以下导入语句: ```python import torch from alphafold2_pytorch import Alphafold2 from alphafold2_pytorch.utils import MDScaling, center_distogram_torch model = Alphafold2(dim=256) ``` 请根据需要调整参数。
  • FixMatch-pytorchPyTorch
    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。
  • PyTorchRandAugment重pytorch-randaugment
    优质
    pytorch-randaugment是一个非官方但功能强大的PyTorch库,实现了RandAugment数据增强技术,用于提高机器学习模型在图像分类任务中的性能和泛化能力。 PyTorch-Randaugment 是 RandAugment 的非官方 PyTorch 重新实现版本。大部分代码来自其他开源项目。介绍使用 RandAugment 可以在不依赖单独代理任务的情况下,对感兴趣的数据集训练模型。通过仅调整两个超参数(N 和 M),您可以获得与 AutoAugments 性能相竞争的效果。 安装方法: ``` pip install git+https://github.com/ildoonet/pytorch-randaugment ``` 用法示例: ```python from torchvision.transforms import transforms from RandAugment import RandAugment transform_train = transforms.Compose([ transforms.RandomCrop(32, padding=4), # 其他转换步骤... ]) ```
  • RTM3D: PyTorchRTM3D
    优质
    RTM3D是一款基于PyTorch开发的非官方实现工具,专为三维重建和理解任务设计,提供高效灵活的深度学习解决方案。 RTM3D-PyTorch是ECCV 2020论文的PyTorch实现版本,它基于单眼RGB图像进行实时3D对象检测,并支持张量板。该模型使用RESNET与关键点特征金字塔网络(KFPN),可以通过设置参数--arch fpn_resnet_18来选择架构。此外,还可以通过调整use_left_cam_prob参数来控制左右摄像机的图像输入。 在公式(3)中,由于log运算符不接受负值作为输入,因此不需要对dim进行归一化处理(因为归一化的dim值可能小于0)。为了适应这一情况,我直接回归到以米为单位的绝对尺寸值。对于深度估计,使用L1损失函数,并首先将sigmoid激活应用于深度输出。 在公式(5)中,我没有采用地面真实值的绝对值而是采用了相对值。而在式(7)中,则是用argmin替代了原文中的argmax操作符。这些修改旨在优化模型性能和准确性。
  • CBDNet-pytorch: PyTorchCBDNet
    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
  • FixMatch-Pytorch代码:“FixMatch”
    优质
    这段简介可以这样写: 本项目提供了一个非官方版本的PyTorch实现代码,用于复现“FixMatch”的半监督学习方法。 FixMatch-pytorch 是一个非官方的 PyTorch 实现,在 NeurIPS 20 上发布。此实现可以重现论文中的结果(包括 CIFAR10 和 CIFAR100),并包含半监督学习与完全监督方式训练模型的结果。需要 Python 3.6、PyTorch 1.6.0、torchvision 0.7.0 和 TensorBoard 2.3.0,以及 Pillow 库。 结果如下: - 分类准确率(%) 除了论文中提到的半监督学习成果外,我们还提供了完全监督学习的额外数据(50,000个标签),仅支持全监督。此外,在具有50,000个标签的情况下,一致性正则化也得到了应用。 即使在所有标签都已提供的情况下,引入一致性正则化依然提升了分类准确度。评估模型时采用了通过SGD训练过程中的指数移动平均值(EMA)方法进行评价。 对于 CIFAR10 数据集的测试结果: - 40个标签:超+一致性只吃纸(RA),86.19±3.37 - 250个标签:同上,94.93±0.65 - 4,000个标签:同样方法,此处未给出具体数值。
  • BicycleGAN-pytorch: PytorchBicycleGAN及其
    优质
    BicycleGAN-pytorch项目提供了PyTorch框架下BicycleGAN的完整实现,并详细记录了其架构和关键实现细节,便于研究与应用。 自行车GAN是使用Pytorch实现的火炬BicycleGAN版本。该模型在Edges2Shoes数据集上训练得到的结果图片尺寸为128 x 128,并且采用了普通鉴别器,而非有条件判别器。对于更详细的条件判别器内容,请参阅Advanced-BicycleGAN中的相关部分。 cVAE-GAN是一种图像重建技术,在此过程中,编码器能够提取出包含给定输入图像B特征的适当潜在码z。通过这种方式生成的新图像是具有与B相同特性的图片,并且该模型还训练生成器以欺骗鉴别器的能力。此外,为了在测试阶段使用来自正态分布随机采样的z值来产生新的图像,cVAE-GAN利用了KL散度。 甘氨酸是一种潜在码的重构过程,在此过程中如果许多不同的潜在代码对应于相同的输出模式,则称为“模式崩溃”。而cLR-GAN的主要目标是在输入B和生成器之间建立更稳定的关系。
  • TableNet
    优质
    TableNet非官方实现版是一款基于深度学习技术的数据表格处理工具,尽管不是官方发布版本,但其在数据提取和转换方面的功能强大且灵活,适合需要高效处理复杂表格数据的研究者和技术人员使用。 ICDAR 2019论文的非正式实施:TableNet是一种用于从扫描文档图像进行端到端表检测和表格数据提取的深度学习模型。 概述: TableNet是由TCS Research年度团队在2019年提出的一种现代深度学习架构。其主要目标是通过手机或相机从扫描的表格中准确地提取信息。 他们提供了一种解决方案,包括精确识别图像中的表格区域,并随后检测和提取这些表格行与列的信息。 体系结构: 该模型基于Long等人提出的用于语义分割的语言设计。编码器-解码器网络被用作全卷积网络(FCN)架构以进行表提取。在使用TableNet之前,需要先通过Tesseract OCR对图像进行预处理和修改。 运行方法: 首先安装所需的依赖项:`pip install -r requirements.txt` 然后下载Marmot数据集,并按照说明文档中的指示操作来运行模型。
  • FastAutoAugmentPyTorch(Python
    优质
    简介:本文提供FastAutoAugment算法的官方PyTorch实现代码,助力于图像分类任务中的数据增强处理。 **Python FastAutoAugment官方PyTorch实现详解** 在机器学习领域,数据增强是一种非常重要的技术,用于扩大训练集的多样性,从而提升模型的泛化能力。Fast AutoAugment是数据增强的一种高效策略,它通过自动搜索算法来寻找最优的数据增强策略。本段落将深入探讨Fast AutoAugment的基本原理及其在PyTorch中的官方实现。 ### 1. Fast AutoAugment简介 Fast AutoAugment是一种基于自动机器学习(AutoML)的方法,旨在自动化地发现最佳数据增强策略。传统的数据增强方法如随机旋转、裁剪和翻转等通常需要人工设定参数,而Fast AutoAugment的目标是通过搜索算法找到最优的参数组合以最大化模型性能。 ### 2. 工作原理 Fast AutoAugment由两个主要部分组成:子政策(Sub-policies)和控制器(Controller)。子政策是由一系列操作组成的序列,每个操作都有特定的概率和强度。控制器负责生成并评估这些子策略,并通过强化学习优化整个策略的性能。 ### 3. PyTorch实现 `fast-autoaugment-master`是Fast AutoAugment在PyTorch环境下的官方实现版本,包含以下主要部分: - **Policy Search**: 负责生成和评估子政策,使用基于RNN的控制器进行强化学习。 - **Data Augmentation Operations**: 实现了各种数据增强操作如剪切、缩放以及色彩调整等。 - **Training Loop**: 设计了一个训练循环,包括模型训练、应用数据增强策略及性能评估步骤。 - **Utils**: 提供了一些辅助函数,例如日志记录、参数设置和结果可视化。 ### 4. 使用流程 1. 安装依赖:首先确保已安装PyTorch和其他必要的库如torchvision。 2. 配置参数:修改配置文件以设定模型类型、数据集及搜索策略等参数。 3. 运行搜索:运行搜索算法,让控制器生成并评估不同的子政策,并记录最佳性能的策略。 4. 训练模型:使用找到的最佳策略对训练数据进行增强,并用这些增强的数据来训练模型。 5. 评估结果:计算验证集或测试集中模型的表现,对比不同策略的效果。 ### 5. 实战应用 Fast AutoAugment适用于各种图像识别任务,例如ImageNet分类和COCO对象检测等。通过使用这个官方实现版本,开发者可以快速集成到自己的项目中并提高有限数据条件下模型的性能表现。 ### 6. 总结 作为数据增强领域的重大进展之一,Fast AutoAugment通过自动化搜索最优策略减少了人工调参的工作量。PyTorch提供的官方实现在理解与应用方面更加便捷。掌握这一技术对于提升机器学习模型在处理图像任务时的表现具有显著帮助作用。
  • PyTorch-LiteFlowNet:与Caffe兼容PyTorch重新
    优质
    简介:PyTorch-LiteFlowNet是基于PyTorch框架对LiteFlowNet模型的重制版本,确保了其与原生Caffe版本的功能和性能一致,为深度学习开发者提供了更多灵活性。 这是使用PyTorch对LiteFlowNet的个人重新实现。如果您要利用这项工作,请引用相关文献。另外,请确保遵守作者的规定。如果使用此特定实现,请适当确认。 关于原始Caffe版本,可以参考相应的文档或资源获取更多信息。 设置: 相关层是用CuPy在CUDA中实现的,因此安装CuPy是必需的步骤之一。可以通过`pip install cupy`来安装它,或者根据CuPy存储库中的说明使用提供的方法进行安装。如果想通过Docker运行,请查阅相关的pull请求以开始操作。 使用方法: 要在自己的图像对上运行此代码,请按照以下命令执行。可以选择三种不同的模型版本,在选择时请参考各型号的详细信息。 python run.py [options]