移动深度学习

Pytorch数据增强代码。 对应详解博客为<< Pytorch框架学习路径(九：transforms图像增强（一）)>>

对应详解博客为<< Pytorch框架学习路径(九：transforms图像增强（一）)>>的链接为https://blog.csdn.net/weixin_54546190/article/details/125126358?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22125126358%22%2C%22source%22%3A%22weixin_54546190%22%7D&ctrtid=hsqhW。博客中会有永久的本人录制的代码讲解视频百度网盘链接。

pytorch 实现数据增强分类 albumentations的使用

摘要 albumentations包是一种针对数据增强专门写的API，里面基本包含大量的数据增强手段，比起pytorch自带的ttransform更丰富，搭配使用效果更好。 代码和效果 import albumentations import cv2 from PIL import Image, ImageDraw import numpy as np from albumentations import (Blur,Flip,ShiftScaleRotate,GridDistortion,ElasticTransform,HorizontalFlip,CenterCrop,

Python-torchsamplepytorch的数据增强和采样

torch-sample : pytorch的数据增强和采样

pytorch 目标检测数据增强 详细讲解

摘要 目标检测中的数据增强是比较复杂，每一次改变图像同时也要考虑boxes的信息，比起目标分类更加局限性，比如翻转，左右翻转一般影响不大，但上下翻转造成的影响就截然不同。下面操作坐标点全是xyxy形式 resize操作 先来看下对比，在图片大小改变的同时也要改变boxes的位置信息，第一张是原图 我截图是一样大小，可以看出框的位置依旧准确，原图是（480，364）变化后的是（300,300），对比之前的照片清晰度明显下降，所以训练照片差距太多再好的模型也难以起到很好的效果。下面是代码实现 import math import random import torch from PIL imp

Zero-DCE:零参考深曲线估计的Pytorch实施，用于弱光图像增强

零DCE 零参考深曲线估计的Pytorch实施以实现低光图像增强（ ）。 使用活页夹访问笔记本： 在Wandb上找到培训日志： ://wandb.ai/19soumik-rakshit96/zero-dce 结果 嘈杂结果示例 引文 @article{2001.06826, Author = {Chunle Guo and Chongyi Li and Jichang Guo and Chen Change Loy and Junhui Hou and Sam Kwong and Runmin Cong}, Title = {Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement}, Year = {2020}, Eprint = {arXiv:2001

Python-序列化标注框架利用pytorch实现了高效的数据加载模块

序列化标注框架，利用pytorch实现了高效的数据加载模块

Python-OpenCV实现了Torchvision的图像增强功能

OpenCV实现了Torchvision的图像增强功能

Pytorch深度学习入门与实战课程

给大家分享一套课程——《Pytorch深度学习入门与实战》，2022年7月最新升级完整版25章，课程包升级。课程配套有完整的代码+课件+数据集下载。 Pytorch深度学习入门与实战课程是一套系统实战课程，结合了超多的经典实例，比如：图像定位实例、Unet语义分割实例、LinKnet图像语义分割实例、经典四种天气分类实例、文本分类实例、循环神经网络、Tensorboard可视化等等。

Pytorch+深度学习入门PPT

Pytorch+深度学习入门PPT

深度学习入门-Pytorch框架前馈神经网络拟合y=sinx+exp(-x)

基于pytorch进行神经网络搭建，前馈神经网络拟合函数y=sinx+exp(-x)

深度强化学习极简入门与Pytorch实战

分享视频教程——《深度强化学习极简入门与Pytorch实战》，视频+源码+课件下载！ 强化学习作为行为主义人工智能学派的典型代表，近几年与深度神经网络相结合形成的深度强化学习(DRL)，达到了令人惊叹的智能水平：2015年DQN智能体玩视频游戏超越人类水平，2017年基于PPO算法的Open Five在《Dota》游戏中战胜人类顶尖职业玩家，2019年基于DRL的AlphaStar在《星际争霸II》游戏中战胜人类顶尖职业玩家。深度强化学习为通用人工智能(AGI)带来了新的希望！ 然而，深度强化学习理论较为抽象，学习曲线陡峭，需要大量的时间和精力才能入门，很多硕士和博士往往浪费了大量时间在入门阶段，耽误了学习和科研进度。 《深度强化学习极简入门与Pytorch实战》课程的特点之一：精炼而不失重点。本门课程深入浅出，根据多年深度强化学习科研和项目实践经验，选取了强化学习入门所必须掌握的知识点，为学员构建一个最小而必要的强化学习知识体系，为后续的研究和论文专业以及工程实践打下坚实的基础。 《深度强化学习极简入门与Pytorch实战》课程的特点二：强调实战。为每个知识点精心设计设计编

Pytorch-RL-CPP：带有增强学习算法的C ++实现的存储库（Pytorch）

Pytorch-RL-CPP：带有增强学习算法的C ++实现的存储库（Pytorch）

深度学习+FashionMNIST图像分类+数据集、代码+Pytorch入门

数据集介绍：FashionMNIST数据集中包含已经预先划分好的训练集和测试集，其中训练集共60,000张图像，测试集共10,000张图像。每张图像均为单通道黑白图像，大小为28*28pixel，分属10个类别。 适用人群：深度学习、Pytorch初学者 适用场景：深度学习、Pytorch入门

Python深度学习之用Pytorch实现CIFAR-10数据集的训练模型。

这个项目是我在学习Pytorch的时候做的一个简单的CIFAR-10数据集的训练模型，里面每一步都有详细的注释介绍，很适合深度学习小白下载学习。其中包含我模型训练的代码，也包含模型测试的代码，大家可以修改参数进行测试。 1、train.py 是我训练模型的代码 2、nn_module.py 是我神经网络模型的代码 3、test.py 是我测试模型的代码 4、images 是我用来测试的图片 5、myModule_19.pth 是我训练20次后得到的模型

人工智能_深度学习_ResNet网络_使用Pytorch实现ResNet50进行跨年龄人脸识别_Pytorch

使用Pytorch实现ResNet50进行跨年龄人脸识别

Pytorch深度学习（4） — BN层及ResNet + DenseNet实现

Pytorch深度学习（4） — BN层及ResNet + DenseNet实现1.批量归一化(BN)2.ResNet2.1 残差块2.2 ResNet 模型实现结构：3.DenseNet 稠密连接网络3.1 稠密块（DenseBlock）3.3 过滤层（transition_block）3.4 DenseNet模型总实现 1.批量归一化(BN) nn.BatchNorm2d(6) — 卷积层使用，超参数为输出通道数 nn.BatchNorm1d(120) – 全连接层使用，超参数为输出单元个数 2.ResNet 2.1 残差块 输入为X + Y，因而X Y的输出通道要一致 可以用1*1

深度强化学习DQN算法源码【Pytorch实现·超详细注释】

基于Pytorch实现的深度强化学习DQN算法源代码，具有超详细的注释，已经在诸多项目中得到了实际应用。主要包含2个文件：（1）dqn.py，实现DQN只能体的结构、经验重放池、Q神经网络、学习方法等；（2）runner.py，使用dqn.py中的智能体与环境进行交互与学习，并最终学会仿真月球车着陆游戏。

Pytorch生物医学视觉深度学习入门与实战--豪华版

Pytorch生物医学视觉深度学习入门与实战--豪华版课程分享，课程包括图像分类，语义分割，目标检测三大领域，共7个完整项目！提供所有的代码和数据下载！

Pytorch深度学习入门与实战视频教程2022

《Pytorch深度学习入门与实战》视频教程，2022年最新升级版，课程简明易懂，非常适合初学pytorch的朋友，提供代码+课件+数据集下载。 课程结合了超多的经典实例，比如：图像定位实例、Unet语义分割实例、LinKnet图像语义分割实例、经典四种天气分类实例、文本分类实例、循环神经网络、Tensorboard可视化等等。

深度学习 神经网络 Pytorch 动物三分类问题数据集

train --  （ants：124张图片；bees：121张图片；wasp(黄蜂)：130张图片）         val    -- （ants：70张图片；bees：83张图片；wasp(黄蜂)：86张图片）

Qt 5实现串口调试助手 （源工程文件、0积分下载）

基于Qt 5实现串口调试助手，程序仅供参考，修改了之前十六进制接收0xA0--0xFF有误的问题，新增了窗口自适应（ui文件设置栅格），文件详情可看博客链接https://blog.csdn.net/m0_51294753/article/details/121405661。

【SystemVerilog】路科验证V2学习笔记（全600页）.pdf

SystemVerilog的听课学习笔记，包括讲义截取、知识点记录、注意事项等细节的标注。 目录如下： 第一章 SV环境构建常识 1 1.1 数据类型 1 四、二值逻辑 4 定宽数组 9 foreach 13 动态数组 16 队列 19 关联数组 21 枚举类型 23 字符串 25 1.2 过程块和方法 27 initial和always 30 function逻辑电路 33 task时序电路 35 动态 静态变量 39 1.3 设计例化和连接 45 第二章 验证的方法 393 动态仿真 395 静态检查 397 虚拟模型 403 硬件加速 405 效能验证 408 性能验证 410 第三章 SV组件实现 99 3.1 接口 100 什么是interface 101 接口的优势 108 3.2 采样和数据驱动 112 竞争问题 113 接口中的时序块clocking 123 利于clocking的驱动 133 3.3 测试的开始和结束 136 仿真开始 139 program隐式结束 143 program显式结束 145 软件域program 147 3.4 调试方法 150 第四章 验证的计划 166 4.1 计划概述 166 4.2 计划的内容 173 4.3 计划的实现 185 4.4 计划的进程评估 194 第五章 验证的管理 277 6.1 验证的周期检查 277 6.2 管理三要素 291 6.3 验证的收敛 303 6.4 问题追踪 314 6.5 团队建设 321 6.6 验证的专业化 330 第六章 验证平台的结构 48 2.1 测试平台 49 2.2 硬件设计描述 55 MCDF接口描述 58 MCDF接口时序 62 MCDF寄存器描述 65 2.3 激励发生器 67 channel initiator 72 register initiator 73 2.4 监测器 74 2.5 比较器 81 2.6 验证结构 95 第七章 激励发生封装：类 209 5.1 概述 209 5.2 类的成员 233 5.3 类的继承 245 三种类型权限 protected/local/public 247 this super 253 成员覆盖 257 5.4 句柄的使用 263 5.5 包的使用 269 第八章 激励发生的随机化 340 7.1 随机约束和分布 340 权重分布 353 条件约束 355 7.2 约束块控制 358 7.3 随机函数 366 7.4 数组约束 373 7.5 随机控制 388 第九章 线程与通信 432 9.1 线程的使用 432 9.2 线程的控制 441 三个fork...join 443 等待衍生线程 451 停止线程disable 451 9.3 线程的通信 458 第十章 进程评估：覆盖率 495 10.1 覆盖率类型 495 10.2 功能覆盖策略 510 10.3 覆盖组 516 10.4 数据采样 524 10.5 覆盖选项 544 10.6 数据分析 550 第十一章 SV语言核心进阶 552 11.1 类型转换 552 11.2 虚方法 564 11.3 对象拷贝 575 11.4 回调函数 584 11.5 参数化的类 590 第十二章 UVM简介 392 8.2 UVM简介 414 8.3 UVM组件 420 8.4 UVM环境 425

AutoSAR标准协议4.2.2

AutoSAR标准协议规范4.2.2，里面包含了AutoSAR组织所规定的AutoSAR架构的标准规范协议原文档。对AutoSAR的学习有一定的借鉴意义

光伏-储能并网系统仿真.rar

该文件是清华大学储能课的期末大作业。用SIMULINK搭建了一个完整的光伏-储能并网系统。我的博客中介绍了系统实现的具体方法，欢迎查看！

NPPJSONViewer.zip

NodePad++ JSON格式化插件

GD32替换STM32注意事项.pdf

GD32 介绍与 STM32 兼容性汇总。STM32的代码直接在GD32上运行需要小部分的修改。按教程做对应修改就行哈。

XCP协议的规范文档

XCP协议的原规范文档，主要包含了Part1-5共5个部分，其中第三部分又分为CAN、以太网和Sxl等。对于XCP协议的开发者和学习者有借鉴意义

VS2015安装证书，JavaScript_ProjectSystem.msi，JavaScript_LanguageService.msi

vs2015.iso包安装，不然会卡在安装包丢失或损坏

CANoe通过CAPL脚本实现自动测试

现在汽车行业用vector的工具进行自动测试，但是该自动测试模板很少，本案例是分享CAPL脚本自动化测试的模板，和自动控制测试步骤的XML模板，使用过程可以通过本人分享的文档来实现工程的建立到自动测试的完成。通过CAPL脚本+XML控制测试步骤，实现自动测试，生成测试报告。

蓝牙BLE协议中文版.pdf

蓝牙BLE协议中文版，帮助初学者更快掌握协议内容。协议为SIG官方协议的中文版，所有协议内容均与英文原版协议内容保持一致