关于PyTorch的教程,论文,项目,社区等的精选清单。(the-incredible-pytorch)
Song • 8930 次浏览 • 0 个回复 • 2018年02月27日

这是一个教程,项目,库,视频,论文,书籍和任何与令人难以置信的PyTorch相关的策划清单。
一、教程
1、官方的PyTorch教程
(1)、用PyTorch深度学习:60分钟的闪电战
a、PyTorch的Torch,autograd,nn和优化API的完美介绍
b、如果你是一位以前的Torch用户,你可以看看这个:PyTorch介绍以前的Torchies
(2)、自定义C扩展
a、编写你自己的C代码,通过FFI接口到PyTorch
(3)、编写你自己的使用numpy和scipy的神经网络模块
(4)、加强(Q-)使用PyTorch进行学习
2、官方PyTorch示例
- MNIST Convnets
- 使用LSTM RNN的词级语言建模
- 用剩余网络训练Imagenet分类器
- 生成对抗网络(DCGAN)
- 变分自动编码器
- 超分辨率使用高效的亚像素卷积神经网络
- 在MNIST上的多个进程之间进行Hogwild训练共享ConvNets
- 训练CartPole以平衡与演员评论家在OpenAI健身房
- 具有GloVe矢量的自然语言推理(SNLI),LSTM和torchtext
3、实用的PyTorch
- 这侧重于使用RNN进行NLP
- 用字符级RNN分类名称
- 用角色级RNN生成莎士比亚
- 使用条件字符级RNN生成名称
-
4、简单的例子介绍PyTorch
5、PyTorch中的迷你教程
- 张量乘法,线性回归,Logistic回归,神经网络,现代神经网络和卷积神经网络
6、NLP的深度学习
(1)、Torch张量库介绍
(2)、计算图与自动微分
(3)、深度学习构建模块:仿射图,非线性和目标
(4)、优化和培训
(5)、在Pytorch中创建网络组件
- 示例:Logistic回归Bag-of-Words文本分类器
(6)、词嵌入:编码词汇语义
- 示例:N-gram语言建模
- 练习:用于学习单词嵌入的连续单词袋
(7)、序列建模和长期短期记忆网络
- 示例:用于词性标注的LSTM
- 练习:增加具有角色级功能的LSTM标记器
(8)、高级:做出动态决策
- 示例:用于命名实体识别的Bi-LSTM条件随机字段
- 练习:新的损失函数
7、研究人员的深度学习教程
- PyTorch基础
- 线性回归
- Logistic回归
- 前馈神经网络
- 卷积神经网络
- 深度残留网络
- 递归神经网络
- 双向递归神经网络
- 语言模型(RNNLM)
- 图像标题(CNN-RNN)
- 生成对抗网络
- 深度Q网络和Q学习(WIP)
8、完全卷积网络使用PyTorch实现
9、简单的PyTorch教程零到所有
10、DeepNLP的模型,Pytorch
- 跳过克 - 朴素SOFTMAX
- 跳过革兰氏阴性菌采样
- 手套
- 窗口分类换NER
- 神经扶养解析器
- RNN-语言模型
- 神经 - 机 - 翻译与 - 注意
- CNN换文本分类
- 递归-NN换情感分类
- 动态内存网络换答疑
10、MILA PyTorch欢迎教程
二、论文最初是用PyTorch实现的
- https://github.com/DavexPro/pytorch-pose-estimation
- 更快速的R-CNN实施
- 用于内存优化的DNN培训的就地激活BatchNorm
- Wasserstein GAN
- OptNet:差分优化作为神经网络中的一个层次
- 更值得关注:通过注意力转移提高卷积神经网络的性能
- PyTorch中的宽ResNet模型
- 基于任务的端到端模型学习
- 一种基于图像序列识别的端到端可训练神经网络及其在场景文本识别中的应用
- 扩展散射变换:深度混合网络
- 对抗发生器 - 编码器网络
- 条件相似性网络
- 用于实时传输的多风格生成网络
- 有条件对抗网络的图像到图像转换
- 使用循环一致对抗网络进行不成对的图像到图像转换
- 推断和执行视觉推理程序
- 论生成对抗网络中批量和权重归一化的影响
- 训练时间更长,更好地概括:关闭神经网络大批量训练中的泛化差距
- 量子化学的神经信息传递
- DiracNets:在没有跳转连接的情况下训练非常深的神经网络
- 成还是不成?谈判对话的端到端学习
- 视觉问题在Pytorch中回答
- 原理检测神经网络中的超分配示例
- 注意是你所需要的
- FreezeOut:通过逐步冻结层来加速培训
- CortexNet:强大的视觉时间表示的通用网络系列
- VSE ++:改进的视觉语义嵌入
- 阅读维基百科来回答开放式问题
- 一种结构化的自我关注句嵌入
- 高效的Densenet
- 随着体重下降的LSTM平均随机梯度下降
- 面向对象的响应网络
- 视频帧插值通过自适应可分离卷积
- 用三元组和浅卷积神经网络学习局部特征描述符
- 培训RNN与CNN一样快
- 我们解决2D和3D面对齐问题有多远?(和230,000个3D面部标志的数据集)
- 利用3D残差网络学习时空特征以进行动作识别
- 模拟人类反馈强盗神经机器翻译的强化学习
- SphereFace:深度超球面嵌入用于人脸识别
- 准递归神经网络(QRNN)
- 用于单幅图像超分辨率的增强型深度残留网络
- DiracNets
三、PyTorch实现的论文
- 二元随机神经元
- ReSeg:一种基于递归神经网络的语义分割模型
- 混合:超越经验风险最小化
- 在野外进行3D人体姿态估计:弱监督方法
- 文档分类的分层注意网络
- 从视频无监督学习深度和自我运动
- 学习通过梯度下降学习梯度下降
- 密集连接的卷积网络
- 一种艺术风格的神经算法
- 用于大规模图像识别的非常深的卷积网络
- VGG模型在PyTorch中。
- SqueezeNet:AlexNet级精度,参数少于50x,模型大小<0.5MB
- 网络中的网络
- 用于图像识别的深度残差学习
- ResTorch中的ResNet模型。
- 在PyTorch中为CIFAR-10和CIFAR-100培训广泛的ResNets
- 更快的R-CNN:利用区域提议网络实现对象实时检测
- FlowNet:利用卷积网络学习光流
- 用于深度增强学习的异步方法
- 实时传输和超分辨率的感知损耗
- 公路网络
- 使用PyTorch生成模型的集合
- 生成对抗网络(GAN) 对抗GAN 有条件的GANInfoGAN Wasserstein GAN 模式正则化GAN
- 变分自动编码器(VAE) 对抗VAE 有条件的VAE 去噪VAE 对抗自动编码器 对抗变分贝叶斯
- 顺序数据的递归潜变量模型(VRNN)
- 使用具有动态外部存储器的神经网络的混合计算
- 深度演讲2:以英文和普通话进行端到端语音识别
- V-Net:用于体积医学图像分割的完全卷积神经网络
- 价值迭代网络
- YOLOv2:实时对象检测
- 卷积神经网络
- 从树形结构的长期短期记忆网络改进语义表示
- PointNet:三维分类和分割点集的深度学习
- 可变形卷积网络
- 基于模型加速的持续深度Q学习
- 用于文档分类的分层注意网络
- 空间变压器网络
- 用合成梯度解耦神经接口
- 改进对Wasserstein GANs的培训
- CycleGAN和半监督GAN
- 使用分子的数据驱动连续表示的自动化学设计
- 可微分神经计算机
- Atari 2600用于深度增强学习的异步方法
- 信任域策略优化
- Grad-CAM:通过基于梯度的本地化从深度网络的视觉解释
- 使用Householder Flow改进变分自动编码器并使用凸组合线性逆自回归流
- SSD:Single Shot MultiBox探测器
- 强化学习的神经组合优化
- 修剪卷积神经网络进行资源有效推理
- 素描图的神经表示
- 卷积LSTM网络
- 嘈杂的网络探索
- 使用深度卷积神经网络从街景图像中识别多位数字
- 分布式近端策略优化
- 单发多盒探测器
- PyTorch中的可变形卷积网络
- 扩张ResNet与扩张卷积组合
- 基于注意的递归神经网络模型用于联合意图检测和时隙填充
- 细心的复发比较器
- PyTorch GAN Collection
- 紧凑的双线性池
- 争取简单:所有卷积网络
- 深层卷积网络:可视化图像分类模型和显着性地图
- 深度神经网络容易被愚弄:对不可识别图像的高置信度预测
- Grad-CAM:通过基于渐变的本地化从深度网络的视觉解释 - 2
- FlowNet 2.0:深度网络光流估计的发展
- 使用空间金字塔网络的光流估计
- Skip-Thought
- 解释和利用对抗性例子
- 通过反转理解深度图像表示
pytorch实现的项目
- 使用PyTorch对序列模型进行序列收集
- 对抗序列到序列模型
- 基于注意的序列到序列模型
- 在最终编码器和解码器隐藏状态之间使用点积的更快注意机制
- 使用PyTorch在ViZDoom环境中增强学习模型
- Neuraltalk 2,图片标题模型,在PyTorch中
- 用于情绪分析的循环神经网络(基于方面),于2014年进行
- PyTorch图像分类与Kaggle狗对猫数据集
- 基于CNN的文本分类
- 开源(MIT)神经机器翻译(NMT)系统
- Pytorch诗歌一代
- Pytorch的数据增量和采样
- 在Pytorch上的CIFAR-10与VGG,ResNet和DenseNet
- 使用PyTorch从图像生成字幕
- Generative Adversarial Networks,专注于动画人脸绘画
- 简单的生成对抗网络
- 快速神经风格转移
- 使用PyTorch在VOC2012数据集上进行逐像素分割
- 画像鲍勃罗斯
- 使用Gym和Pytorch的强化学习模型
- PyTorch中的开源神经机器翻译
- 深度视频分析
- 对抗自动编码器
- 鲸鱼探测器
- 基础预训练模型和pytorch中的数据集(MNIST,SVHN,CIFAR10,CIFAR100,STL10,AlexNet,VGG16,VGG19,ResNet,Inception,SqueezeNet)
- 用PyTorch开源Chatbot
- Seq2Seq意图分析
- PyTorch中的OpenFace
- 用于在PyTorch中训练Seq2Seq模型的完整套件
- PyTorch中的概率规划和统计推断
- 使用Processing的图形代码生成模型
- MUSE:多语言无监督和监督嵌入
PyTorch视频教程
有用的PyTorch工具
- 将音频文件直接加载到PyTorch张量中
- 重量初始化
- 在PyTorch中实现的空间变换器
- PyTorch AWS AMI,在不到5分钟内运行支持GPU的PyTorch
- 使用PyTorch的张量板
- PyTorch中的简单拟合模块,类似于Keras
七、pytorch社区
- PyTorch论坛
- 由Adam Paszke积极维护
- StackOverflow PyTorch标签
- Gloqo在PyTorch和其他框架中添加,发现和讨论纸张实现。
原创文章,转载请注明 :关于PyTorch的教程,论文,项目,社区等的精选清单。(the-incredible-pytorch) - pytorch中文网
原文出处: https://ptorch.com/news/132.html
问题交流群 :168117787
- 没有评论