深度学习领域PyTorch项目-git源码整理

最新推荐文章于 2024-05-17 11:26:26 发布
最新推荐文章于 2024-05-17 11:26:26 发布
阅读量3.7k 收藏 63
点赞数 5
分类专栏： PyTorch

原文地址: http://www.sohu.com/a/164171974_741733
本文收集了大量基于 PyTorch 实现的代码链接，其中有适用于深度学习新手的“入门指导系列”，也有适用于老司机的论文代码实现，包括 Attention Based CNN、A3C、WGAN等等。所有代码均按照所属技术领域分类，包括机器视觉/图像相关、自然语言处理相关、强化学习相关等等。所以如果你打算入手这风行一世的 PyTorch 技术，那么就快快收藏本文吧！

PyTorch 是什么？

PyTorch即 Torch 的 Python 版本。Torch 是由 Facebook 发布的深度学习框架，因支持动态定义计算图，相比于 Tensorflow 使用起来更为灵活方便，特别适合中小型机器学习项目和深度学习初学者。但因为 Torch 的开发语言是Lua，导致它在国内一直很小众。所以，在千呼万唤下，PyTorch应运而生！PyTorch 继承了 Troch 的灵活特性，又使用广为流行的 Python 作为开发语言，所以一经推出就广受欢迎！

目录：

  1. 入门系列教程
  2. 入门实例
  3. 图像、视觉、CNN相关实现
  4. 对抗生成网络、生成模型、GAN相关实现
  5. 机器翻译、问答系统、NLP相关实现
  6. 先进视觉推理系统
  7. 深度强化学习相关实现
  8. 通用神经网络高级应用

入门系列教程

  1. PyTorch Tutorials
    https://github.com/MorvanZhou/PyTorch-Tutorial.git
    著名的“莫烦”PyTorch系列教程的源码。
  2. Deep Learning with PyTorch: a 60-minute blitz
    http://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html
    PyTorch官网推荐的由网友提供的60分钟教程，本系列教程的重点在于介绍PyTorch的基本原理，包括自动求导，神经网络，以及误差优化API。
  3. Simple examples to introduce PyTorch
    https://github.com/jcjohnson/pytorch-examples.git
    由网友提供的PyTorch教程，通过一些实例的方式，讲解PyTorch的基本原理。内容涉及Numpy、自动求导、参数优化、权重共享等。

入门实例

  1. Ten minutes pyTorch Tutorial
    https://github.com/SherlockLiao/pytorch-beginner.git
    知乎上“十分钟学习PyTorch“系列教程的源码。
  2. Official PyTorch Examples
    https://github.com/pytorch/examples
    官方提供的实例源码，包括以下内容：
    MNIST Convnets
    Word level Language Modeling using LSTM RNNs
    Training Imagenet Classifiers with Residual Networks
    Generative Adversarial Networks (DCGAN)
    Variational Auto-Encoders
    Superresolution using an efficient sub-pixel convolutional neural network
    Hogwild training of shared ConvNets across multiple processes on MNIST
    Training a CartPole to balance in OpenAI Gym with actor-critic
    Natural Language Inference (SNLI) with GloVe vectors, LSTMs, and torchtext
    Time sequence prediction - create an LSTM to learn Sine waves
  3. PyTorch Tutorial for Deep Learning Researchers
    https://github.com/yunjey/pytorch-tutorial.git
    据说是提供给深度学习科研者们的PyTorch教程←_←。教程中的每个实例的代码都控制在30行左右，简单易懂，内容如下：
    PyTorch Basics
    Linear Regression
    Logistic Regression
    Feedforward Neural Network
    Convolutional Neural Network
    Deep Residual Network
    Recurrent Neural Network
    Bidirectional Recurrent Neural Network
    Language Model (RNN-LM)
    Generative Adversarial Network
    Image Captioning (CNN-RNN)
    Deep Convolutional GAN (DCGAN)
    Variational Auto-Encoder
    Neural Style Transfer
    TensorBoard in PyTorch
  4. PyTorch-playground
    https://github.com/aaron-xichen/pytorch-playground.git
    PyTorch初学者的Playground，在这里针对一下常用的数据集，已经写好了一些模型，所以大家可以直接拿过来玩玩看，目前支持以下数据集的模型。
    mnist, svhn
    cifar10, cifar100
    stl10
    alexnet
    vgg16, vgg16_bn, vgg19, vgg19_bn
    resnet18, resnet34, resnet50, resnet101, resnet152
    squeezenet_v0, squeezenet_v1
    inception_v3

图像、视觉、CNN相关实现

  1. PyTorch-FCN
    https://github.com/wkentaro/pytorch-fcn.git
    FCN(Fully Convolutional Networks implemented) 的PyTorch实现。
  2. Attention Transfer
    https://github.com/szagoruyko/attention-transfer.git
    论文 “Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer” 的PyTorch实现。
  3. Wide ResNet model in PyTorch
    https://github.com/szagoruyko/functional-zoo.git
    一个PyTorch实现的 ImageNet Classification 。
  4. CRNN for image-based sequence recognition
    https://github.com/bgshih/crnn.git
    这个是 Convolutional Recurrent Neural Network (CRNN) 的 PyTorch 实现。CRNN 由一些CNN，RNN和CTC组成，常用于基于图像的序列识别任务，例如场景文本识别和OCR。
  5. Scaling the Scattering Transform: Deep Hybrid Networks
    https://github.com/edouardoyallon/pyscatwave.git
    使用了“scattering network”的CNN实现，特别的构架提升了网络的效果。
  6. Conditional Similarity Networks (CSNs)
    https://github.com/andreasveit/conditional-similarity-networks.git
    《Conditional Similarity Networks》的PyTorch实现。
  7. Multi-style Generative Network for Real-time Transfer
    https://github.com/zhanghang1989/PyTorch-Style-Transfer.git
    MSG-Net 以及 Neural Style 的 PyTorch 实现。
  8. Big batch training
    https://github.com/eladhoffer/bigBatch.git
    《Train longer, generalize better: closing the generalization gap in large batch training of neural networks》的 PyTorch 实现。
  9. CortexNet
    https://github.com/e-lab/pytorch-CortexNet.git
    一个使用视频训练的鲁棒预测深度神经网络。
  10. Neural Message Passing for Quantum Chemistry
    https://github.com/priba/nmp_qc.git
    论文《Neural Message Passing for Quantum Chemistry》的PyTorch实现，好像是讲计算机视觉下的神经信息传递。

对抗生成网络、生成模型、GAN相关实现

  1. Generative Adversarial Networks (GANs) in PyTorch
    https://github.com/devnag/pytorch-generative-adversarial-networks.git
    一个非常简单的由PyTorch实现的对抗生成网络
  2. DCGAN & WGAN with Pytorch
    https://github.com/chenyuntc/pytorch-GAN.git
    由中国网友实现的DCGAN和WGAN，代码很简洁。
  3. Official Code for WGAN
    https://github.com/martinarjovsky/WassersteinGAN.git
    WGAN的官方PyTorch实现。
  4. DiscoGAN in PyTorch
    https://github.com/carpedm20/DiscoGAN-pytorch.git
    《Learning to Discover Cross-Domain Relations with Generative Adversarial Networks》的 PyTorch 实现。
  5. Adversarial Generator-Encoder Network
    https://github.com/DmitryUlyanov/AGE.git
    《Adversarial Generator-Encoder Networks》的 PyTorch 实现。
  6. CycleGAN and pix2pix in PyTorch
    https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix.git
    图到图的翻译，著名的 CycleGAN 以及 pix2pix 的PyTorch 实现。
  7. Weight Normalized GAN
    https://github.com/stormraiser/GAN-weight-norm.git
    《On the Effects of Batch and Weight Normalization in Generative Adversarial Networks》的 PyTorch 实现。

机器翻译、问答系统、NLP相关实现

  1. DeepLearningForNLPInPytorch
    https://github.com/rguthrie3/DeepLearningForNLPInPytorch.git
    一套以 NLP 为主题的 PyTorch 基础教程。本教程使用Ipython Notebook编写，看起来很直观，方便学习。
  2. Practial Pytorch with Topic RNN & NLP
    https://github.com/spro/practical-pytorch
    以 RNN for NLP 为出发点的 PyTorch 基础教程，分为“RNNs for NLP”和“RNNs for timeseries data”两个部分。
  3. PyOpenNMT: Open-Source Neural Machine Translation
    https://github.com/OpenNMT/OpenNMT-py.git
    一套由PyTorch实现的机器翻译系统。（包含，Attention Model）
  4. Deal or No Deal? End-to-End Learning for Negotiation Dialogues
    https://github.com/facebookresearch/end-to-end-negotiator.git
    Facebook AI Research 论文《Deal or No Deal? End-to-End Learning for Negotiation Dialogues》的 PyTorch 实现。
  5. Attention is all you need: A Pytorch Implementation
    https://github.com/jadore801120/attention-is-all-you-need-pytorch.git
    Google Research 著名论文《Attention is all you need》的PyTorch实现。Attention Model（AM）。
  6. Improved Visual Semantic Embeddings
    https://github.com/fartashf/vsepp.git
    一种从图像中检索文字的方法，来自论文：《VSE++: Improved Visual-Semantic Embeddings》。
  7. Reading Wikipedia to Answer Open-Domain Questions
    https://github.com/facebookresearch/DrQA.git
    一个开放领域问答系统DrQA的PyTorch实现。
  8. Structured-Self-Attentive-Sentence-Embedding
    https://github.com/ExplorerFreda/Structured-Self-Attentive-Sentence-Embedding.git
    IBM 与 MILA 发表的《A Structured Self-Attentive Sentence Embedding》的开源实现。

先进视觉推理系统

  1. Visual Question Answering in Pytorch
    https://github.com/Cadene/vqa.pytorch.git
    一个PyTorch实现的优秀视觉推理问答系统，是基于论文《MUTAN: Multimodal Tucker Fusion for Visual Question Answering》实现的。项目中有详细的配置使用方法说明。
  2. Clevr-IEP
    https://github.com/facebookresearch/clevr-iep.git
    Facebook Research 论文《Inferring and Executing Programs for Visual Reasoning》的PyTorch实现，讲的是一个可以基于图片进行关系推理问答的网络。

深度强化学习相关实现

  1. Deep Reinforcement Learning withpytorch & visdom
    https://github.com/onlytailei/pytorch-rl.git
    多种使用PyTorch实现强化学习的方法。
  2. Value Iteration Networks in PyTorch
    https://github.com/onlytailei/Value-Iteration-Networks-PyTorch.git
    Value Iteration Networks (VIN) 的PyTorch实现。
  3. A3C in PyTorch
    https://github.com/onlytailei/A3C-PyTorch.git
    Adavantage async Actor-Critic (A3C) 的PyTorch实现。

通用神经网络高级应用

  1. PyTorch-meta-optimizer
    https://github.com/ikostrikov/pytorch-meta-optimizer.git
    论文《Learning to learn by gradient descent by gradient descent》的PyTorch实现。
  2. OptNet: Differentiable Optimization as a Layer in Neural Networks
    https://github.com/locuslab/optnet.git
    论文《Differentiable Optimization as a Layer in Neural Networks》的PyTorch实现。
  3. Task-based End-to-end Model Learning
    https://github.com/locuslab/e2e-model-learning.git
    论文《Task-based End-to-end Model Learning》的PyTorch实现。
  4. DiracNets
    https://github.com/szagoruyko/diracnets.git
    不使用“Skip-Connections”而搭建特别深的神经网络的方法。
  5. ODIN: Out-of-Distribution Detector for Neural Networks
    https://github.com/ShiyuLiang/odin-pytorch.git
    这是一个能够检测“分布不足”（Out-of-Distribution)样本的方法的PyTorch实现。当“true positive rate”为95％时，该方法将DenseNet（适用于CIFAR-10）的“false positive rate”从34.7％降至4.3％。
  6. Accelerate Neural Net Training by Progressively Freezing Layers
    https://github.com/ajbrock/FreezeOut.git
    一种使用“progressively freezing layers”来加速神经网络训练的方法。
  7. Efficient_densenet_pytorch
    https://github.com/gpleiss/efficient_densenet_pytorch.git
    DenseNets的PyTorch实现，优化以节省GPU内存。
        <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/markdown_views-ea0013b516.css">
            </div>
JessieCode
关注
  • 5
    点赞
  • 踩
  • 63
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Python-使用SqueezeNet轻量级实施Pytorch中的神经风格
08-11
使用SqueezeNet轻量级实施Pytorch中的神经风格
深度学习音乐可视化开源项目deep-music-visualizer源代码
08-23
`requirements.txt`文件列出了项目运行所必需的Python库，比如`numpy`用于数值计算，`tensorflow`或`pytorch`作为深度学习框架，`librosa`进行音频处理，以及`matplotlib`或`pandas`用于数据可视化。 `.git`文件...
pytorch项目实战-分类模型李宏毅 21 机器学习第二次作业代码详解
最新发布
weixin_47332746的博客
05-17 790
本章节主要是对代码架构进行梳理学习，便于读者在深度学习代码部分有一个系统的认识，作为学习笔记供各位入门。具体的代码参考了李宏毅老师机器学习第二次作业的baseline，有微小出入不影响阅读。如有问题欢迎讨论。模型所使用的数据是通过对声音信息进行预处理得到的，这些数据被保存为npy文件格式，因此在加载这些数据时我们主要依赖NumPy包。每一行数据代表一个唯一的音频特征，整个数据集的形状为(1229932, 429)，表示有1229932条数据样本，每个样本都有429个特征。
pytorch最全预训练模型下载与调用
热门推荐
Jorbo_Li的博客
05-21 3万+
pytorch预训练模型下载与调用 torchvision.models 官方预训练模型调用代码：https://github.com/pytorch/vision/tree/master/torchvision/models 官方文档地址 ：https://pytorch.org/docs/master/torchvision/models.html 预训练模型下载: Classification 分类 AlexNet model_urls = { 'alexnet': 'https://down
小土堆学习——python官网torchvision中数据集下载
qq_45804675的博客
11-06 1337
其中root代表你的数据集下载保存的位置，train为True则表示这是训练集，False代表是测试集，download为True表示自动下载，False表示非自动下载。5.使用tensorboard展示图片：需要先把所有PIL格式的图片通过transforms的Compose方法转换为Tensor格式，再去进行展示。注：点击运行后如果下载速度过慢，可选择手动下载，通过迅雷加速下载，下载后手动导入root设定的目录下，即可使用。原因是我在编写代码时忘记了数据集中包括了图片和标签，代码直接编写为下面这样。
pytorch-openpose-master_pytorchopen_人体姿态_pytorch-openpose_身体识别_深
09-11
该项目利用深度学习技术，特别是PyTorch框架，来识别图像中的人体姿态，包括头部和身体的关键点位置。此外，它还结合了OpenCV库进行图像预处理，以提高识别的准确性和效率。 【描述】揭示了这个项目是作者在研究生...
基于pytorch的医疗命名实体识别项目源码.zip
12-26
这个项目的核心是利用深度学习模型解决医疗领域的自然语言处理问题，通过PyTorch的强大功能实现高效的训练和推理。理解并运行这些源码，可以帮助我们深入掌握医疗文本的处理技巧和深度学习模型的应用。同时，这样的...
基于DeepPupilNet深度学习网络的眼睛定位算法仿真-源码
09-30
眼睛定位是计算机视觉领域中的一个重要任务，特别是在生物识别、驾驶员疲劳监测、人机交互等应用场景中。...深入理解这个项目不仅有助于提升深度学习技术的掌握，还能增强在计算机视觉领域的实践能力。
基于PyTorch的车辆检测与车牌识别融合技术设计源码
04-04
该系统基于PyTorch深度学习框架，使用开源模型yolov4进行模板检测，yolov5进行车牌检测，以及LPRNet进行车牌识别。适合用于学习和实践Python和Shell技术，以及开发车辆检测和车牌识别相关的系统。
三天循序渐进掌握PyTorch教程（附带完整源码及数据集）
06-09
《深度学习框架PyTorch：入门与实践》教程及全部源码及训练数据。 第二章介绍如何安装PyTorch和配置学习环境。 第三章介绍了PyTorch中多维数组Tensor和动态图autograd/Variable的使用，并配以例子。 第四章介绍了PyTorch中神经网络模块nn的基础用法，同时讲解了神经网络中“层”，“损失函数”，“优化器”等，最后带领读者用不到50行的代码搭建出曾夺得ImageNet冠军的ResNet。 第五章介绍了PyTorch中数据加载，GPU加速，持久化和可视化等相关工具。 第六章结合Kaggle中一个经典的比赛，实现一个深度学习中比较简单的图像二分类问题。 第七章为读者讲解了当前最火爆的生成对抗网络（GAN），带领读者从头实现一个动漫头像生成器，能够利用GAN生成风格多变的动漫头像。 第八章为读者讲解了风格迁移的相关知识，并带领读者实现风格迁移网络 第九章为读者讲解了一些自然语言处理的基础知识，并讲解了CharRNN的原理。而后利用收集了几万首唐诗，训练出了一个可以自动写诗歌的小程序。 第十章为读者介绍了图像描述任务，并以最新的AI Challenger比赛的。
pytorch搭建squeezenet网络的整套工程（升级版）
weixin_45354497的博客
11-09 1042
针对squeezenet网络的升级版本，效果更好。
从零开始，Squeezenet在Pytorch+Opencv上的实现（一）：数据集的制作
CSDN_Doubao的博客
07-18 692
  项目的初衷：虽然做二分类用SVM就基本能够满足功能需求，但因为Squeezenet网络模型足够小，所以想试一下在嵌入式运行速率和精确度是否能够比拟SVM从而尝试替代   功能实现：制作自定义的车位数据集在Pytorch上进行训练，以onnx文件形式在opencv上进行调用实现车位场景和非车位场景的二分类 1.数据集的制作   首先看一下我拿到的数据集样子以及标签方式： 数据标签：有效车位场景为1，无效车位场景为-1   从上图可以看出，一开始拿到的数据集图片是大小不一的，图片名称虽然是从0开始排起，
torch 下载很慢，pip 安装github上的库很慢，改成http即可
防搞活机的博客
03-12 871
pip安装太慢，把https改成http
深入浅出PyTorch——PyTorch可视化
qq_51167531的博客
11-25 2416
PyTorch可视化
Transformer源码详解（Pytorch版本）逐行讲解
Queen_sy的博客
11-01 1万+
下面的PAD表示填充，填充就是当句子长度不满足max_len时候，会填充pad。## 这里有两个数据进行输入，一个是enc_inputs 形状为[batch_size, src_len]，主要是作为编码段的输入，一个dec_inputs，形状为[batch_size, tgt_len]，主要是作为解码端的输入。一定需要注意的是这里得到的矩阵形状是batch_size x len_q x len_k，我们是对k中的pad符号进行标识，并没有对q中的做标识，因为没必要（尚未理解，有理解的小伙伴评论私信奥）
pytorch 实时物体检测
Yonggie的博客
12-20 1562
前言 使用了pytorch自己提供的maskrcnn_resnet50_fpn，也就是说，不过是调用人家训练好的代码而已，当个玩具了，供大家参考。 github项目 其实主要的代码量在结果的显示上，并不是模型的调用上。 这个是github项目链接. 效果： 实现思路 模型调用，这个就不必细说了。 使用opencv读图片 然后转化成torch能吃进去的数据， input到模型中，得到返回值。根据模型的返回值，一一把label标注到原图片中 然后显示图片 下面的是主要代码： 不能直接运行，只是思路，完整的
Datawhale-《深入浅出Pytorch》第一、二章
weixin_44881305的博客
06-14 233
Datawhale第38期六月份组队学习《深入浅出pytorch》
pytorch-yolov3源码下载
08-24
### 回答1： 如果你想下载pytorch-yolov3源码，这里提供两种途径。第一种是从Github下载源码，这需要先安装Git。在终端输入以下指令： ``` git clone https://github.com/eriklindernoren/PyTorch-YOLOv3.git ``` 这将在当前目录下创建一个名为“PyTorch-YOLOv3”的文件夹，并将源码下载到该文件夹中。 第二种途径是在Github页面上直接下载压缩包。打开链接（https://github.com/eriklindernoren/PyTorch-YOLOv3），点击“Code”按钮，选择“Download ZIP”，将压缩包下载到本地。 下载完毕后，解压源码并进入该文件夹，在终端输入以下指令即可安装所需依赖： ``` pip install -r requirements.txt ``` 接着你可以通过以下指令进行训练或推理： ``` python train.py --data data/customdata/custom.data --batch-size 10 --epochs 100 --img-size 416 --cfg cfg/yolov3-custom.cfg --weights weights/yolov3.weights ``` ``` python detect.py --image-folder data/samples/ --cfg cfg/yolov3-custom.cfg --weights weights/yolov3-custom.pt ``` 其中，--data指定训练集路径，--batch-size指定批量大小，--epochs指定训练次数，--img-size指定图像大小，--cfg指定配置文件路径，--weights指定权重文件路径。对于detect.py，--image-folder指定待预测图片文件夹，--cfg和--weights同上。 ### 回答2： 要下载pytorch-yolov3源码，可以采取以下步骤： 1. 打开互联网浏览器，搜索pytorch-yolov3源码。 2. 在搜索结果中找到合适的代码存储库或网站，如GitHub、GitLab等。 3. 点击该存储库的链接，进入项目主页。 4. 在项目主页上找到代码的下载选项，通常是一个绿色的“Download”按钮或类似的指示。 5. 点击下载按钮，并选择保存代码的位置。可能需要等待一段时间，直到下载完成。 6. 一旦下载完成，解压缩源码文件。可以使用文件解压缩工具，如WinRAR、7-Zip等。 7. 打开解压缩后的文件夹，其中应该包含pytorch-yolov3源码的所有文件和文件夹。 8. 确认您已经安装了适用于pytorch的Python运行时环境。如果没有，请先安装pytorch和其他必要的依赖项。 9. 接下来，您可以使用任何您喜欢的文本编辑器或集成开发环境（IDE）打开源码文件。 10. 您可以阅读、修改和运行源码，或者将其用作您自己项目的基础。 希望以上步骤能帮助您成功下载pytorch-yolov3源码并进行后续的使用和探索。如果有任何问题，请随时提问。 ### 回答3： 要下载PyTorch-YOLOv3源码，可以按照以下步骤进行操作。 首先，打开GitHub网站，并搜索PyTorch-YOLOv3。找到相应的仓库后，点击进入。 在仓库主页上，找到并点击绿色的按钮，上面标有“Code”字样。点击后会弹出一个下拉菜单，在菜单中选择“Download ZIP”。 接下来，等待一段时间，直到ZIP文件下载完成。下载完成后，可以在电脑上的默认下载文件夹中找到这个ZIP文件。 找到ZIP文件后，双击打开它，将会解压缩成一个文件夹。进入解压后的文件夹，你将能够看到PyTorch-YOLOv3的所有源代码文件。 可以使用任何文本编辑器或者Python开发环境来打开和查看这些源代码文件。你可以在源码中学习和理解PyTorch-YOLOv3的实现细节，也可以根据自己的需求进行修改和拓展。 当然，这只是简单介绍如何下载PyTorch-YOLOv3的源码。如果你想要更深入地了解和使用这个项目，建议查阅官方文档或者相关教程，这样能够获得更详细的指导和指示。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值