闪电战-火炬动物园中的贝叶斯层 BLiTZ是一个简单且可扩展的库，用于在PyTorch上创建贝叶斯神经网络层（基于“）。 通过使用BLiTZ图层和utils，您可以以不影响图层之间的交互的简单方式（例如，就像使用标准PyTorch一样）添加非证书并收集模型的复杂性成本。 通过使用我们的核心权重采样器类，您可以扩展和改进此库，从而以与PyTorch良好集成的方式为更大范围的图层添加不确定性。 也欢迎拉取请求。 我们的目标是使人们能够通过专注于他们的想法而不是硬编码部分来应用贝叶斯深度学习。 Rodamap： 为不同于正态的后验分布启用重新参数化。 指数 贝叶斯层的目的 贝叶斯层上的权重采样 有可能优化我们的可训练重量 的确，存在复杂度成本函数随其变量可微分的情况。 在第n个样本处获得整个成本函数 一些笔记和总结 引用 参考 安装 要安装BLiTZ，可以使用pip命令： pip

元伪标签 安装套件 pip3 install SOTA-SSL 用法 import torch from SOTA_SSL_Models import SimSiam from torchvision import models model = SimSiam(args) 笔记 我发现直接使用SimCLR增强有时会导致模型崩溃。 这可能是由于SimCLR增强太强的事实。 在预热阶段采用MoCo增强会有所帮助。 数据集 data/ imagenet/ train/ ... n021015556/ .. n021015556_

半监督分层递归图神经网络用于城市范围内的停车位可用性预测 这是SHARE体系结构的Pytorch实现，如论文《。 如果您在研究中利用SHARE模型，请引用以下内容： @article{zhang2019semi, title={Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction}, author={Zhang, Weijia and Liu, Hao and Liu, Yanchi and Zhou, Jingbo and Xiong, Hui}, booktitle={Proceedings of the Thirty-Fourth AAAI Conference on Artificial Intelligen

大家现在跳舞（火炬） 伯克利AI实验室的的PyTorch实施。 包括姿势归一化以外的所有功能。 其他实现： EverybodyDanceNow转载于pytorch pytorch-EverybodyDanceNow 还要检查以便从单眼图像中进行3D人体网格估计。 环境 Ubuntu 18.04（但是16.04也应该很好） Python 3.6 CUDA 9.0.176 PyTorch 0.4.1发布2 对于其他必需的软件包，请使用pip install -r requirements进行快速安装。 由于姿态估计器是在Keras中实现的，因此该项目需要tensorflow> 1.9.0。 如果使用独立的Keras软件包，请在./pose_estimator/compute_coordinates_for_video.py更改相应的导入命令。 但是，您将无法以这种方式使

带文本生成器的GPT2-Pytorch 更好的语言模型及其含义 我们的模型称为GPT-2（是的继承者），仅经过培训即可预测40GB的互联网文本中的下一个单词。 由于我们担心该技术的恶意应用，因此我们不会发布经过训练的模型。 作为负责任公开的一项实验，我们将发布一个供研究人员进行实验的以及一份。 来自 该存储库是有关Pytorch中带有压缩代码的文本生成器的简单实现GPT-2 原始曲目是 。 您也可以阅读有关gpt-2的论文， 。 为了理解更详细的概念，我建议您阅读有关变压器模型的论文。 我在Pytorch中实现了GPT-2的良好实现， ，您可以在havingface存储库中看到更多详细的实现。 变形金刚（自我关注）论文：只 OpenAi-GPT的第一篇论文： 请参阅有关GPT-2和Paper的 快速开始 在Pytorch中下载GPT2预训练模型，该模型已经完成了face / pytorch-pretrained-BERT的制作！ （感谢分享！这有助于我将tensorflow（ckpt）文件传输到Pytorch模型的问题！） $ git clone https://g

PyTorch的影响功能 这是ICML2017最佳论文中对影响函数的PyTorch重新实现：Pang Wei Koh和Percy Liang。 参考实现可以在这里找到： 。 乐于助人 路线图 v0.2 v0.3 v0.4 为什么要使用影响函数？ 影响函数可帮助您根据数据集调试深度学习模型的结果。 当测试单个测试图像时，您可以然后计算哪些训练图像在分类结果上具有最大的结果。 因此，您可以轻松地在数据集中找到标签错误的图像，或将数据集稍微压缩为对您的单个测试数据集很重要的最具影响力的图像。 这样可以提高预测准确性，减少训练时间并减少内存需求。 有关更多详细信息，请参见此处链接的原始论文。 当然，只要您有监督学习的问题，影响力功能当然也可以用于图像以外的数据。 要求 Python 3.6或更高版本 PyTorch 1.0或更高版本 NumPy 1.12或更高版本 要运行测试，进一步

带有噪声学生的自我训练可改善ImageNet分类

RandLA-Net-pytorch 该存储库包含的实现。 我们现在仅支持SemanticKITTI数据集。 （欢迎大家共同发展，提高公关意识） 我们的模型几乎与原始实现一样好。 （验证集：我们的52.9％的mIoU与原始的53.1％） 我们将pretrain-model放置在目录中。 表现 验证集结果（seq 08） 与原始实施比较 模型 密欧 原始Tensorflow 0.531 我们的Pytorch实施 0.529 每课时 密欧 车 自行车 摩托车 卡车 其他车辆 人 骑自行车的人 电单车司机 路 停车处 人行道 其他地面 建造 栅栏 植被 树干 地形 极 交通标志 52.9 0.919 0.122 0.290 0.660 0.444 0.515 0.676 0.000 0.912 0.421 0.759 0.001 0.878 0.354