如何复现大佬论文的代码?

简介: 包含了最新趋势的研究论文,以及菜单栏包含了数据集、方法等。

详细介绍


  • 网站首页

包含了最新趋势的研究论文,以及菜单栏包含了数据集、方法等。

D]]1ZTSNA(`J`LO)1D@6EMM.png


网站首页截图


下面给出每篇文章的标题,摘要,年份,使用的语言以及红色框框给出了 papar 原文和 code 源代码。

  • 点击文章标题,得到下面界面

相应代码都被存储在 github 上,获取也非常方便。网站还会把部分论文的数据集和结果一起提供,非常人性化。后面给出 Results from the Paper,你可以直接查看论文的结果,不需要翻开文章阅读。

77M4%~CF0FLDWH5MW_EPEUP.png



文章内部界面(上)


小编觉得最有趣的事,还给出了 paper 中的结果以及和其他模型的比对结果,如下图所示:

@@2T9Q}~B1XVMMM`NENG2MS.png


文章内部界面(下)


点击 Paper 即可快速得到对应的论文原件(免费噢!

G}8D[_8`BMTX[Q82WQ3BYLR.png



免费论文


点击进入代码对应的 github,你会得到下面界面,如果没有使用过github,可以直接下载 ZIP 格式到本地,然后对里面的代码进行研究!

BY4D}H`[WFD07P8(OBEA4MK.png


代码对于的github


当然,有的文章代码会出现报错的问题(年份久了,自己电脑配置不同),这时你可以通过必应,谷歌查询解决方案,甚至可以在该 github 仓库的 issues 中给作者留言寻求帮助。

目录
相关文章
|
6月前
|
机器学习/深度学习 存储 算法
【复现】尝试使用numpy对卷积神经网络中各经典结构进行改写复现
【复现】尝试使用numpy对卷积神经网络中各经典结构进行改写复现
95 0
【复现】尝试使用numpy对卷积神经网络中各经典结构进行改写复现
|
机器学习/深度学习 Web App开发 算法
如何寻找论文及其相关代码?
如何寻找论文及其相关代码?
762 1
|
3月前
|
机器学习/深度学习 传感器 计算机视觉
MotionBert论文解读及详细复现教程
MotionBert提出了一个统一视角来学习人体运动表示,并使用双流时空Transformer(DSTformer)网络作为运动编码器,能够全面、自适应地捕获骨骼关节之间的远程时空关系,实现在多个下游任务上的性能提升。
74 1
MotionBert论文解读及详细复现教程
|
3月前
|
机器学习/深度学习 机器人 数据库
FoundationPose复现及Realsense应用
文章概述了FoundationPose项目,一个由Nvidia开发的用于新对象6D姿态估计和跟踪的统一模型,支持模型基础和无模型设置,通过合成数据和大型语言模型实现强泛化能力,并提供了复现和应用的详细步骤。
226 0
FoundationPose复现及Realsense应用
|
6月前
|
机器学习/深度学习 自然语言处理 PyTorch
【传知代码】transformer-论文复现
Transformer模型,革新NLP的里程碑,摒弃CNN/RNN,采用自注意力机制解决长距离依赖问题,加速训练。模型包含编码器和解码器,用位置编码补充序列信息。关键组件包括:嵌入层(位置编码增强词向量)、多头注意力层(捕获不同侧面的上下文)、前馈层(非线性变换)及残差连接和层归一化(提升训练稳定性)。Transformer的创新应用,推动了现代大语言模型的发展。
155 1
【传知代码】transformer-论文复现
|
6月前
|
机器学习/深度学习 数据采集 自然语言处理
【传知代码】BERT论文解读及情感分类实战-论文复现
本文介绍了BERT模型的架构和技术细节,包括双向编码器、预训练任务(掩码语言模型和下一句预测)以及模型微调。文章还提供了使用BERT在IMDB数据集上进行情感分类的实战,包括数据集处理、模型训练和评估,测试集准确率超过93%。BERT是基于Transformer的预训练模型,适用于多种NLP任务。在实践中,BERT模型加载预训练权重,对输入数据进行预处理,然后通过微调适应情感分类任务。
305 0
【传知代码】BERT论文解读及情感分类实战-论文复现
|
机器学习/深度学习 编解码 算法
经典神经网络论文超详细解读(四)——InceptionV2-V3学习笔记(翻译+精读+代码复现)
经典神经网络论文超详细解读(四)——InceptionV2-V3学习笔记(翻译+精读+代码复现)
198 0
经典神经网络论文超详细解读(四)——InceptionV2-V3学习笔记(翻译+精读+代码复现)
|
并行计算 PyTorch 算法框架/工具
CenterNet复现错误总结
CenterNet复现遇到的一些问题总结
133 0
|
机器学习/深度学习 编解码 TensorFlow
MobileNetV3架构解析与代码复现
MobileNet模型基于深度可分离卷积,这是一种分解卷积的形式,将标准卷积分解为深度卷积和`1*1`的点卷积。对于MobileNet,深度卷积将单个滤波器应用于每个输入通道,然后,逐点卷积应用`1*1`卷积将输出与深度卷积相结合。
1066 0
MobileNetV3架构解析与代码复现
|
机器学习/深度学习 Web App开发 数据挖掘
经典神经网络论文超详细解读(七)——SENet(注意力机制)学习笔记(翻译+精读+代码复现)
经典神经网络论文超详细解读(七)——SENet(注意力机制)学习笔记(翻译+精读+代码复现)
2465 1
经典神经网络论文超详细解读(七)——SENet(注意力机制)学习笔记(翻译+精读+代码复现)