mixmatch-pytorch:用PyTorch实现MixMatch

preview
共14个文件
py：11个
gitignore：1个
txt：1个
Python
需积分: 49 6 下载量 185 浏览量 2021-05-24 04:48:52 上传 评论 1 收藏 6KB ZIP 举报
资源详情
资源评论
评论 收藏
CodeWizardess
  • 粉丝: 15
  • 资源: 4691
上传资源 快速赚钱
voice
center-task 前往需求广场，查看用户热搜

相关推荐

zip

MixMatch-pytorch:“ MixMatch-半监督学习的整体方法”的代码

混合搭配 这是MixMatch的非官方PyTorch实现。 Tensorflow的官方实现在。 现在只有在CIFAR-10上的实验可用。 该存储库认真执行了官方实施的重要细节，以重现结果。 要求 Python 3.6+ PyTorch 1.0 torchvision 0.2.2（旧版本与此代码不兼容） 张量板 进步 matplotlib 麻木 用法 火车 通过CIFAR-10数据集的2
zip

Mix n Match-开源

俄罗斯方块风格的积木游戏。 将有色块放到网格上，并将新块的颜色分量添加到（或取消）现有块中的分量。 创建一个由3个或更多块组成的行会导致这些块被消除。
zip

Tricks-of-Semi-supervisedDeepLeanring-Pytorch:PseudoLabel 2013，增值税，PI模型，Tempens，MeanTeacher，ICT，MixMatch，FixMatch

半监督的深学习技巧-皮尔托奇（Pytorch） 该存储库实现以下半监督式深度学习方法： PseudoLabel 2013 ：用于深度神经网络的简单有效的半监督学习方法（ICMLW 2013） PI＆Tempens ：半监督学习的时间集合（ICLR 2017） MeanTeacher ：卑鄙的老师是更好的榜样（NIPS 2017） 增值税：虚拟对抗训练：有监督和半监督学习的正规化方法（TPAM
zip

pytorch_mixup:混合的PyTorch实现

混合的PyTorch实现 用法 $ python main.py --block_type basic --depth 110 --use_mixup --mixup_alpha 1 --outdir results CIFAR-10的结果 模型 测试错误（1次运行） ResNet-preact-56 w / Mixup alpha = 0.5（160 epochs） 5.55 ResNe
star 5星 · 资源好评率100%
zip

MVSNet_pytorch:MVSNet的PyTorch实现

MVSNet的非官方Pytorch实现 。 姚瑶，罗子欣，李世伟，田芳，龙泉。 ECCV2018。MVSNet是一种深度学习体系结构，用于从非结构化多视图图像推断深度图。 这是MVSNet的非官方Pytorch实现 如何使用 环境 python 3.6（Anaconda） pytorch 1.0.1 训练 下载预处理的（固定的训练摄像机，从 ），并将其上拉为MVS_TRANING文件夹 在tr
zip

pytorch_wrn:WRN的PyTorch实现

WRN的PyTorch实施 用法 $ python main.py --depth 28 --widening_factor 10 --outdir results CIFAR-10的结果 模型 测试错误（3次运行的中位数） 测试错误（纸上） 训练时间 WRN-28-10 4.03 4.00（5次中位数） 16h10m 注意此模型使用批处理大小64（纸上为128）进行训练。 参考 S
star 5星 · 资源好评率100%
zip

pytorch_resnext:ResNeXt的PyTorch实现

ResNeXt的PyTorch实现 用法 $ python main.py --depth 29 --cardinality 4 --base_channels 64 --outdir results CIFAR-10的结果 模型 测试错误（3次运行的中位数） 测试错误（纸上） 训练时间 ResNeXt-29 4x64d 3.89 〜3.75（来自图7） 31h17m ResNeXt
zip

treelstm.pytorch:PyTorch中的Tree LSTM实现

树形结构的长期短期记忆网络 这是Tree-LSTM的实现，如Kai Sheng Tai，Richard Socher和Christopher Manning在论文《中所述。 在使用SICK数据集的语义相似性任务上，此实现达到： 皮尔逊系数： 0.8492和MSE： 0.2842使用超参数--lr 0.010 --wd 0.0001 --optim adagrad --batchsize 25
zip

PyTorch半监督学习工具包.zip

A Semi-Supervised Learning suite using PyTorch. The implementation of SSL methods are based on https://github.com/google-research/mixmatch Currently, the following methods are implemented: ...
rar

NLP数据增强方法综述：EDA、BT、MixMatch、UDA.rar

NLP数据增强方法综述：EDA、BT、MixMatch、UDA.rar
star 5星 · 资源好评率100%
pdf

NLP数据增强方法综述：EDA、BT、MixMatch、UDA.pdf

NLP数据增强方法综述：EDA、BT、MixMatch、UDA.pdf
default

半监督学习领域经典论文MixMatch

论文中提出一种监督方法, 其引入一个单一的损失, 将伪标签和一致性正则方法统一于其中. MixMatch 为未标记数据引入了一个统一的损失项, 可以无缝地降低熵, 同时保持一致性并与传统的正则化技术保持兼容.
zip

SemiSupervisedLearning:在三个数据集（MNIST，CIFAR-10和SVHN）上执行的4 + 1半监督学习模型

半监督学习楷模梯形图网络（带有自动编码器） 临时集合（与CNN） 锐化的临时合奏（带有CNN）（基于临时合奏） 卑鄙的老师（与CNN） MixMatch（带有CNN）结果在results.xlsx查看results.xlsx
zip

pytorch_random_erasing:PyTorch实现的RandomErasing

PyTorch随机擦除的实现 用法 $ python main.py --block_type basic --depth 110 --use_random_erase --random_erase_prob 0.5 --random_erase_area_ratio_range '[0.02, 0.4]' --random_erase_min_aspect_ratio 0.3 --random
zip

MobileStyleGAN.pytorch:PyTorch中MobileStyleGAN的正式实现

MobileStyleGAN：用于高保真图像合成的轻型卷积神经网络 官方PyTorch实施 随附的视频可以在找到。 有关更多详细信息，请参阅。 要求 Python 3.8以上 具有至少12 GB内存的1–8个高端NVIDIA GPU。 我们已经使用DL Workstation和4x2080Ti完成了所有测试和开发 训练 pip install -r requirements.txt python
zip

SeqGAN-pytorch:“ SeqGAN”的简化PyTorch实现

SeqGAN-火炬 PyTorch实现的“ SeqGAN：具有策略梯度的序列可生成对抗网络”。 （于兰涛等） 要求： pytorch v0.4.1 Python 3.6 该代码基于其他人的实现，我进行了一些更改，要在命令行中使用python train.py来运行此代码。
star 5星 · 资源好评率100%
zip

poselstm-pytorch:PoseLSTM和PoseNet的PyTorch实现

PyTorch中的PoseLSTM和PoseNet实现 这是基于代码开发的PoseLSTM和PoseNet的PyTorch实现。 先决条件 Linux 的Python 3.5.2 CPU或NVIDIA GPU + CUDA CuDNN 入门 安装 从安装PyTorch和依赖项 克隆此仓库： git clone https://github.com/hazirbas/posenet-pytorc
zip

pytorch-pQRNN:PQRNN在PyTorch中的实现

安装 # install with pypi pip install pytorch-pqrnn # or install locally with poetry poetry install 环境 由于， pytorch-qrnn不再与pytorch兼容，并且也没有得到积极维护。 如果要在此模型中使用QRNN层，请先安装torch <= 1.4 pytorch-qrnn 。 用法 fr
zip

EnAET:能源部

最近，已经提出了自动编码转换（AET）和MixMatch并分别针对无监督和半监督学习获得了最新技术成果。 在这项研究中，我们训练了一个自动编码转换（EnAET）集合，通过对空间和非空间转换进行解码，从而基于嵌入表示从...
zip

psg_pytorch：PointSetGen PyTorch实现

实施与ImageNet-预训练ResNet50图像编码器和FC / FC-UpConv解码器 变化： 支持以视图为中心和以形状为中心的训练（以形状为中心的效果更好） 同时支持倒角距离和土方距离，因为损耗（EMD速度较慢，但​​性能要好一些） 训练10,000个地面真点可提高1K / 2K训练的性能（这类似于最近基于SDF的方法，其中通常会采样> 10,000个查询点） 要使用，请先编译cd
zip

FixMatch-pytorch:“ FixMatch”的非官方PyTorch实现

FixMatch 这是FixMatch的非官方PyTorch实施。 Tensorflow的官方实现在。 此代码仅在FixMatch（RandAugment）中可用。 结果 CIFAR10 ＃标签 40 250 4000 纸（RA） 86.19±3.37 94.93±0.65 95.74±0.05 这段代码 93.60 95.31 95.77 累积曲线 * 2020年11月
zip

pytorch_cutout:Cutout的PyTorch实现

PyTorch实施抠图 用法 $ python main.py --block_type basic --depth 110 --use_cutout --cutout_size 16 --cutout_prob 1 --outdir results CIFAR-10的结果 模型 测试错误（5次运行的中位数） 训练时间 ResNet-preact-56，不带切口 5.85 98分钟 带切口的
star 5星 · 资源好评率100%
zip

mnasnet-pytorch：MNASNET的PyTorch实现

训练自己的MNASNET 动机 我们试图从实现这个MNASNET网络从头开始-并未能实现与我们所用的方法所要求的精度。 嗯，可能这就是为什么在Cadene的存储库中，仅从TF NASNET移动版的原因？ 好吧，很高兴知道ImageNet上的培训网络并不像听起来那样简单。 即使我们未能在MNASNET上达到75-76％的top1精度要求，我们仍然相信最有可能的是训练方法（？）。 根据我们在各种培训
zip

refinedet.pytorch:RefineDet的PyTorch实现

PyTorch中的RefineDet 这是的的PyTorch实施，这是张世峰，温龙吟，小编，甄磊和Stan Z.Li在CVPR2018中所做的工作。 官方的和原始的Caffe代码可以在找到。 此实现主要引用Caffe 的官方RefineDet和SSD 的PyTorch实现。 它的子库（ libs / datasets ）从进行了少量修改，即可处理数据集。 关于这个项目的中文简单帖子在。 普普派人
zip

word2vec-pytorch:PyTorch中word2vec的实现

word2vec-pytorch 在PyTorch中实现word2vec，包括连续词袋模型和Skipgram模型。 包括单词的二次采样以及否定采样。
zip

pytorch_mpiigaze:MPIIGaze和MPIIFaceGaze的PyTorch实现

MPIIGaze和MPIIFaceGaze的PyTorch实现 是一个演示程序。 要求 Linux（仅在Ubuntu上测试） Python> = 3.7 pip install -r requirements.txt 下载数据集并对其进行预处理 MPII凝视 bash scripts/download_mpiigaze_dataset.sh python tools/preprocess_mpi
zip

animegan2-pytorch:AnimeGANv2的PyTorch实现

的PyTorch实现 从原始存储库转换重量（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] 转换后的[
zip

efficientnetv2.pytorch:EfficientNetV2的PyTorch实现

[NEW！]查看我们接受CVPR'21的最新工作，它引入了新的神经运算符，而不是卷积和自我关注。 EfficientNet V2的PyTorch实施 重现EfficientNet V2体系结构，如，作者是 Tan，Quoc V. Le和框架。 要求 需要PyTorch 1.7+支持 楷模 建筑学 ＃ 参数 襟翼 前1名（％） 高效NetV2-S 24M 8.8倍 有关作者的体系结构详细信息，