bert-base-uncased-pytorch_model.bin

huggingface的bert-base-uncased-pytorch_model.bin，然后把URL改了就可用

pytorch-1.5.1-py3.7_cuda101_cudnn7_0

pytorch-1.5.1-py3.7_cuda101_cudnn7_0 pytorch-1.5.1-py3.7_cuda101_cudnn7_0 pytorch-1.5.1-py3.7_cuda101_cudnn7_0

pytorch-cpp：面向所有人的PyTorch教程的C ++实现-源码

面向所有人的PyTorch教程的C ++实现 操作系统（编译器）\ LibTorch 1.7.0 每夜 macOS（clang 9.1） macOS（clang 10.0） macOS（clang 11.0） Linux（gcc 5） Linux（gcc 6） Linux（gcc 7） Linux（gcc 8） Windows（MSVC 2017） 目录 该存储库提供了C ++教程代码，供深度学习研究人员学习PyTorch （即第1至3节） Python教程： : 1.基础 2.中级 3.进阶 4.互动教程 5.其他热门教程 入门 要求 （最低版本3.14） 对于交互式教程 注意： LibTorch Nightly Version当前正在运行交互式教程。 因此，有一些教程在使用夜间版本时可能会中断。 conda create --name pytorch-cpp conda activate pytorch-cpp conda install xeus-cling notebook -c conda-forge 克隆，构建和运行教程 在Google Col

动手学深度学习中文PDF_Dive-into-DL-PyTorch.pdf

将《动手学深度学习》中MXNet代码实现改为PyTorch实现 ——PDF整理_Dive-into-DL-PyTorch

pytorch_notebooks：:fire:用于学习和练习深度学习的PyTorch笔记本集合-源码

pytorch_notebooks：:fire:用于学习和练习深度学习的PyTorch笔记本集合

pytorch-1.1.0-py3.6_cuda100_cudnn7_1.tar.bz2

pytorch官方版本：pytorch-1.1.0-py3.6_cuda100_cudnn7_1.tar.bz2。

pytorch-cpp-rl：PyTorch C ++强化学习-源码

CppRl-PyTorch C ++强化学习 上图：经过我的笔记本电脑训练60秒后在LunarLander-v2上获得的结果 CppRl是一个增强学习框架，使用编写。 这是非常严重基于。 您甚至可以将其视为端口。 API和基础算法几乎是相同的（向C ++迁移时需要进行必要的更改）。 它还包含一个简单的OpenAI Gym服务器的实现，该服务器通过进行通信以在Gym环境中测试该框架。 CppRl旨在成为一个可扩展的，合理优化的，可立即投入生产的框架，用于在Python不可行的项目中使用强化学习。 它应已准备好在用户计算机上的桌面应用程序中使用，并且只需在用户侧进行最少的设置即可。 动机 在撰写本文时，尚无用于C ++的通用增强学习框架。 我需要一个用于个人项目，最近发布了PyTorch C ++前端，因此我认为我应该这样做。 特征 实现的算法： A2C PPO 经常性政策（基于GRU） 持续控制 离散控制 跨平台兼容性（已在Windows 10，Ubuntu 16.04和Ubuntu 18.04上测试） 可靠的测试范围 体面的优化（尽管总是可以拉取请求以改善优化） 例

pytorch_model.bin

本资源为albert的中文预训练模型的pytorch版本，albert为bert的轻量化版本，训练速度快，参数量小

eat_pytorch_in_20_days:Pytorch:tangerine::watermelon:好吃，就吃吧！ :face_savoring_food::face_savoring_food:-源码

如何在20天内吃Pytorch？ :fire: :fire: 《 10天吃掉那只pyspark》 :rocket: github项目地址： : :spouting_whale:和鲸专栏地址： ://www.kesci.com/home/column/5fe6aa955e24ed00302304e0【代码可直接fork后云端运行，无需配置环境】 《 20天吃掉那只火炬》 :rocket: github项目地址： : :spouting_whale:和鲸专栏地址： ://www.kesci.com/home/column/5f2ac5d8af3980002cb1bc08 《 30天吃掉那只TensorFlow2》 :rocket: github项目地址： : :spouting_whale:和鲸专栏地址： ://www.kesci.com/home/column/5d8ef3c3037db3002d3aa3a0【代码可直接fork后云端运行，无需配置环境】 一，火炬 :fire:或TensorFlow2 :red_apple: 先

pytorch-1.2.0-py3.6_cuda100_cudnn7_1.tar.bz2

pytorch-1.2.0-py3.6_cuda100_cudnn7_1.tar.bz2 原地址下载太慢，转发到这里，顺便当自己的中转站吧

pytorch_wavelets.zip

This is a PyTorch implementation for the wavelet analysis outlined in Torrence and Compo (BAMS, 1998). The code builds upon the excellent implementation of Aaron O'Leary by adding a PyTorch filter bank wrapper to enable fast convolution on the GPU. Specifically, the code was written to speed-up the

pytorch-1.5.0-py3.6_cuda10.1.243_cudnn7.6.3_0.tar.bz2

官方pytorch：pytorch-1.5.0-py3.6_cuda10.1.243_cudnn7.6.3_0.tar.bz2

pytorch_segmentation：在PyTorch中实现的语义分割模型，数据集和损失-源码

PyTorch中的语义分割 此仓库包含一个PyTorch，用于不同数据集的不同语义分割模型的实现。 要求 在运行脚本之前，需要先安装PyTorch和Torchvision，以及用于数据预处理的PIL和opencv和用于显示培训进度的tqdm 。 支持PyTorch v1.1（使用新的受支持的Tensoboard）； 可以使用更早期的版本，但不要使用tensoboard，而要使用tensoboardX。 pip install -r requirements.txt 或本地安装 pip install --user -r requirements.txt 主要特点 清晰易用的结构， 一个j

PyTorch_tutorial_0.0.5_余霆嵩

包含可4个章节的源码，和0.04版本0.05版本的教程文档。 本教程内容主要为在 PyTorch 中训练一个模型所可能涉及到的方法及函 数， 并且对 PyTorch 提供的数据增强方法（ 22 个）、权值初始化方法（ 10 个）、损失函数（ 17 个）、优化器（ 6 个）及 tensorboardX 的方法（ 13 个） 进行了详细介绍。 本教程分为四章， 结构与机器学习三大部分一致。 第一章， 介绍数据的划分，预处理，数据增强； 第二章， 介绍模型的定义，权值初始化，模型 Finetune； 第三章， 介绍各种损失函数及优化器； 第四章， 介绍可视化工具，用于监控数据、模型权及损失函数的变化。

pytorch-1.7.0-py3.6_cuda102_cudnn7_0.tar.bz2

pytorch-1.7.0-py3.6_cuda102_cudnn7_0.tar.bz2

pytorch-cpp-inference：在C ++中将PyTorch 1.0模型用作Web服务器-源码

在C ++中服务PyTorch模型 该存储库包含使用PyTorch C ++ API进行推理的各种示例。 运行git clone https://github.com/Wizaron/pytorch-cpp-inference以便克隆此存储库。 环境 Dockerfiles可以在这里找到docker目录。 有两个dockerfile; 一个用于cpu，另一个用于cuda10。 为了构建docker镜像，您应该转到docker/cuda10 docker/cpu或docker/cuda10目录并运行docker/cuda10 docker build -t <docker> . docker/cuda10 docker build -t <docker> . 。 创建Docker映像后，您应该通过docker run -v <directory>:<target> -p 8181:8181 -it &lt;docker-image

PyTorch-CPP：使用LibTorch进行PyTorch C ++推理-源码

该演示将演示如何使用LibTorch来构建C ++应用程序。 [UPDATE 2019/01/18] ：初始化仓库，使用PyTorch1.0进行测试。 [UPDATE 2020/02/22] ：感谢和他的 ，他们更新了此演示以适合LibTorch1.4.0和OpenCV4.0。 [UPDATE 2020/04/15] ：使用OpenCV4.3 / PyTorch1.4 / LibTorch1.4重新测试本教程，为初学者更新自述文件。 [UPDATE 2020/04/25] ：更新CMakeLists.txt以适合C ++ 14，并使用CUDA10.0 / PyTorch1.5 / LibTorch1.5重新测试。 [UPDATE 2020/11/08] ：改进自述文件，使用PyTorch1.7 / CUDA10.2 + cuDNNv7.6.5和CUDA11.0 + cuDNNv8.0.4重新测试 内容 制备 步骤0：依赖关系 确保已正确安装LibTorch和OpenCV。 安装OpenCV ：适用于和 获取LibTorch ：从官方下载LibTorch软件包，然后解压缩，例如：

pytorch_learning:pytorch框架学习-源码

pytorch_learning:pytorch框架学习

CIFAR_MLP_Pytorch_Lightning:使用Pytorch光照库在CIFAR数据集上训练了多层感知器（MLP）神经网络-源码

CIFAR_MLP_Pytorch_Lightning 使用Pytorch照明库对多层感知器（MLP）神经网络进行了训练。 CIFAR数据集用于对神经网络进行分类。 进行不同的实验并观察结果。 实验类型和网络验证准确性如下： 版本1：B_SIze：32 H_Layers：1 H神经元：512 Optim：SGD Sigmoid Val_Acc：0.4706 版本2：B_SIze：32 H_Layers：1 H神经元：1512优化：SGD Sigmoid Val_Acc：0.4626 版本3：B_SIze：32 H_Layers：1 H神经元：1512优化：SGD RELU Val_Acc：0.5089 版本4：B_SIze：32 H_Layers：1 H神经元：1512优化：ADAM RELU Val_Acc：0.5114 版本5：B_SIze：32 H_Layers：1 H