精华内容
下载资源
问答
  • 2020-11-11 09:47:53


    1. 档案信息资源开发

      档案信息资源开发,就是档案部门根据社会需要采用专业方法和现代化技术,发掘、采集、加工、存储、传输所收藏档案中的有用信息,方便利用者利用,以实现档案的价值和作用。

    1.1 档案信息资源开发的意义

    1. 档案信息资源开发是实现档案自身价值的根本途径
    2. 档案信息资源开发是发展档案事业的需要
    3. 档案信息资源开发能使档案工作更好地为社会主义精神文明和物质文明服务

    1.2 档案信息资源开发的原则

    (1)资源为王(馆藏基础)原则
    (2)信息组织(有序化)原则
    (3)信息激活原则
    (4)有效利用原则
    (5)整体效益原则

    1.3 主要障碍和应对措施

    1.3.1 当前档案信息资源开发面临的主要障碍

    (一) 社会环境方面
     封闭落后的传统观念的束缚
     部分国民文化素质还不够高
     受经济发展水平的制约
    (二)档案部门自身方面
    1. 档案人员观念上的障碍
      一是受重藏轻用观念的制约、二是“保密保险,利用危险”的心态、三是有一部分人跟不上改革开放的新形势,自我封闭,孤芳自赏,因循守旧,限制了档案信息资源开发的积极性和主动性。

    2. 工作上的障碍
      1)没有建立起丰富的档案信息资源保障体系
      2)档案业务基础建设中还存在收集不齐全,归档率低,案卷质量不高,查找困难,保护不到位,标准化、规范化、现代化步伐不够快等因素,制约了档案信息资源开发。
      3)档案部门利用服务方式单一、范围狭窄。
      4)检索工具质量不够高和传输档案信息的手段落后。
      5)开发主体单一化

    (三)用户方面的障碍
      社会档案意识薄弱
      受利用者获取信息习惯的限制
      用户获取档案信息能力的制约

    1.3.2 档案信息资源开发应采取的措施

    (一)创新观念
    (二)做好宣传,改善环境
    (三)优化丰富馆(室)藏和健全档案信息的开发机构,确立资源与人员的保障关系
    (四)充分利用信息技术
    (五)以用户需求为导向,以创造名牌档案信息产品为目标
    (六)走特色开发之路

    更多相关内容
  • 08.第九章.人力资源管理

    千次阅读 2022-02-02 08:50:25
    文章目录9.1项目人力资源管理概念9.2项目人力资源管理过程9.3项目人力资源管理工具9.4项目人力资源管理文件 9.1项目人力资源管理概念 1、领导“人”、管理“事” 领导者-设定目标、带人; 管理者-率众实现目标、做事...

    9.1项目人力资源管理概念

    1、领导“人”、管理“事”
    领导者-设定目标、带人;
    管理者-率众实现目标、做事;
    2、领导者的工作主要涉及三方面:
    ①确定方向为团队设定目标,描绘愿景,制定战略。
    ②统一思想,协调人员,团结尽可能多的力量来实现愿景。
    ③激励和鼓舞在向目标进军的过程中不可避兔要遇到艰难险阻,领导者要激励和鼓舞大家克服困难奋勇前进。
    3、项目经理具有领导者和管理者的双重身份。对项目经理而言,管理能力和领导能力二者均不可或缺。对于大型复杂项目,领导能力尤为重要。
    4、冲突并不一定是有害的,项目经理对于有害的沖突要设法加以解决或减少;对有益的冲突要加以利用,要鼓励团队成员良性竟争。

    9.2项目人力资源管理过程

    1、项目人力资源管理的4个过程,具体为:
    ①规划人力资源管理一识别和记录项目角色、职责、所需技能、报告关系,并编制人员配备管理计划
    ②组建项目团队一确认人力资源的可用情况,并为开展项目活动而组建团队。
    ③建设项目团队一提高工作能力,促进团队成员互动,改善团队整体氛围,以提高项目绩效。
    ④管理项目团队一跟踪团队成员工作表现,提供反馈,解决问题并管理团队变更,以优化项目绩效的。
    其中:①属于计划过程组;②③④属于执行过程组
    2、规划人力资源管理是识别和记录项目角色、职责、所需技能、报告关系,并编制人员配备管理计划的过程。需要考虑稀缺资源的可用性或对稀缺资源的竟争,并编制相应的计划,保证人力资源规划的有效性。
    3、人力资源管理计划描述将如何安排项目的角色与职责、报告关系和人员配备管理。它还包括人员管理计划(列有人员招募和遣散时间表)、培训需求、团队建设策略、认可与奖励计划、合规性考虑、安全问题及人员配备管理计划对组织的影响等。
    4、组建项目团队工具与技术:
    ①预分派:如果项目团队成员是事先选定的,他们就是被预分派的。
    预分派的情况:
    1.竞标过程中承诺分派;
    2.项目取决于特定人员的专有技能;
    3.项目章程中指定。
    ②谈判:
    (1)执行组织中的其他项目管理团队
    (2)外部组织、卖方、供应商、承包商等
    (3)或其他诸如此类的特殊人力资源。
    ③招募:执行组织不能提供,需从外部获取,包括雇佣或工作分包(一般是获取具备适当能力的人员)
    ④虚拟团队
    5、建设项目团队是提高工作能力,促进团队成员互动,改善团队整体氛围,以提高项目缋效的过程。改进团队协作,增强人际技能,激励团队成员,降低人员离职率,提升整体项目缋效。
    6、建设项目团队的目标包括(但不限于):
    ①提髙团队成员的知识和技能,以提髙他们完成项目可交付成果的能力,并降低成本、缩短工期和提髙质量。
    ②提高团队成员之间的信任和认同感,以提高士气、減少冲突和增进团队协作。
    ③创建富有生气、凝聚力和协作性的团队文化,以便提高个人和团队生产率,振奋团队精神,促进团队合作;促进团队成员之间的交叉培训和辅导,以分享知识和经验。
    7、建设项目团队的工具与技术:
    ①人际关系技能
    ②培训
    ③团队建设活动
    ④基本规则
    ⑤集中办公
    ⑥认可与奖励
    ⑦人事测评工具
    8、人事评测工具能让项目经理和项目团队洞察成员的优势和劣势。这些工具可帮助项目经理评估团队成员的偏好和愿望,团队成员如何处理和整理信息,团队成员如何制订决策,以及团队成员喜欢如何与人打交道。
    9、管理项目团队是跟踪囝队成员工作表现,提供反馈,解决问题并管理团队变更,以优化项目绩效的过程。影响团队行为,管理冲突,解决问题,并评估团队成员的绩效。
    10、管理项目团队的工具与技术:
    ①观察和交谈
    ②项目绩效评估
    ③冲突管理
    ④人际关系技能
    通过观察和交谈,随时了解项目团队成员的工作和态度
    项目管理团队应该持续地对项目团队绩效进行正式或非正式评价。不断地评价项目团队绩效,有助于采取措施解决问题,调整沟通方式,解决冲突和改进团队互动。绩效评估的目的:1.澄清角色与职责;2.提供建设性反馈;3.发现未知或未决问题;4.制定个人培训计划;5.确立未来目标。

    9.3项目人力资源管理工具

    1、虚拟团队可定义为具有共同目标、在完成角色任务的过程中很少或没有时间面对面工作的一群人。
    ·优点-可以将不同地理位置、有特殊技能、在家办公、行动不便者或残疾人、工作时间不同的员工纳入项目团队,另外可以节约差旅费等成本。
    ·缺点-可能产生误解,有孤立感,团队成员之间难以分享知识和经验,采用通信技术的成本高。
    ·现代沟通技术(如电子邮件、电话会议、社交媒体、网络会议和视频会议等)使虚拟团队成为可行;
    ·虚拟团队也需要有项目经理,也需要有计划;
    2、集中办公是指把部分或全部项目团队成员安排在同一个物理地点工作,以增强团队工作能力。集中办公既可以是临时的(如仅在项目特别重要的时期),也可以贯穿整个项目。“作战室″或“指挥部″是集中办公的一种策略。
    3、优秀团队的建设5个阶段:
    ①形成阶段( Forming),一个个的个体转变为团队成员,逐渐相互认识并了解项目情况及他们在项目中的角色与职责,开始形成共同目标。
    ②震荡阶段( Storming),团队成员开始执行分配的项目任务,一般会遇到超出预想的困难,希望被现实打破。个体之间开始争执,互相指责,并且开始怀疑项目经理的能力。
    ③规范阶段( Norming),经过一定时间的磨合,团队成员开始协同工作,并调整各自的工作习惯和行为来支持团队,团队成员开始相互信仼,项目经理能够得到团队的认可。
    ④发挥阶段( Performing)随着相互之间的配合默契和对项目经理的信任加强,团队就像一个组织有序的单位那样工作。团队成员的集体荣誉感会非常强
    ⑤解散阶段( Adjourning),所有工作完成后,项目结束,团队解散。
    注意:无论在哪个阶段,增加或者减少成员都会导致团队建设从第一个阶段开始。尽管这些阶段通常按顺序进行,然而,团队停滞在某个阶段或退回到较早阶段的情况也并非罕见。如成员曾经共事,也可跳过某个阶段。
    4、人际关系技能有时被称为“软技能”包括:领导力、激励、沟通、影响力、谈判、建立信任、冲突管理、有效决策、教练技术、团队建设。
    5、项目经理的权力有5种来源:
    (1)职位权力来源于管理者在组织中的职位和职权。
    (2)惩罚权力,使用降职、扣薪、惩罚、批评、威胁等负面手段的能力。
    (3)奖励权力给予下属奖励的能力。
    (4)专家权力来源于个人的专业技能。
    (5)参照权力由于成为别人学习参照榜样所拥有的力量。
    6、职位权力、惩罚权力、奖励权力来自于组织的授权,专家权力和参照权力来自于管理者自身。对于双重汇报关系和非直接汇报关系人员的管理,项目经理更注重运用奖励权力、专家权力和参照权力,尽量避兔使用惩罚权力。
    7、冲突不可避免,项目经理必须能够找到冲突的原因,然后积极地管理冲突,从而最大程度地降低潜在的负面影响;应该采用直接和合作的方式,尽早并且通常在私下处理冲突。如果破坏性冲突继续存在,则可使用正式程序,包括采取惩戒措施。
    8、项目经理应该认识到沖突的下列特点:
    ①冲突是自然的,而且要找出一个解决办法。
    ②冲突是一个团队问题,而不是某人的个人问题。
    ③应公开地处理冲突。
    ④冲突的解决应聚焦在问题,而不是人身攻击。
    ⑤冲突的解决应聚焦在现在,而不是过去。
    9、不管冲突对项目的影响是正面的还是负面的,项目经理都有责任处理它,以减少冲突对项目的不利影响,增加其对项目积极有利的一面。
    10、5种常用的冲突解决方法:
    ①撤退/回避
    ②缓和/包容
    ③妥协/调解
    ④强迫/命令
    ⑤合作/解决问题
    最好的最有效的是问题解决,最不好的是撤退;
    ①撤退/回避( Withdraw/ Avoid):从实际或潜在冲突中退出,将问题推迟到准备充分的时候,或者将问题推给其他人员解决。双方在解决问题上都不积极,也不想合作。撤退是一种暂时性的冲突解决方法
    ②缓和/包容( Smooth/ Accommodate):强调一致、淡化分歧;为维持和谐与关系而单方面退让一步。这是一种慷慨而宽厚的做法,为了和谐和大局,而迁就对方,或者暂时放下争议点,谋求在其他非争议点与对方协作。缓和也是一种暂时性的冲突解决方法。
    ③妥协/调解(Compromise/ Reconcile):为了暂时或部分解决冲突,寻找能让各方都在一定程度上满意的方案。双方在态度上都愿意果断解决冲突,也愿意合作。双方都得到了自己想要的东西,但只是部分,而不是全部。双方都做了让步,都有得有失。妥协是双方面的包容,包容是单方面的妥协。
    ④强迫/命令( Force/ Direct):以牺牲其他方为代价,推行某一方的观点;只提供赢输方案。通常是利用权力来强行解决紧急问题。一方嬴,一方输。
    ⑤合作/解决问题( Collaborate/ Problem Solve):综合考虑不同的观点和意见,采用合作的态度和开放式对话引导各方达成共识和承诺。这是冲突双方最理想的结果,前提是双方要相互尊重、愿意合作、愿意倾听对方。
    11、激励理论:马斯洛需求层次理论、赫茨伯棓的双因素理论、X理论和γ理论、期望理论。
    马斯洛的需要层次理论
    ①生理需求对衣食住行等需求,常见的激励措施:员工宿舍、工作餐、工作服、班车、工资、补贴、奖金等。
    ②安全需求包括对人身安全、生活稳定、不致失业以及免遭痛苦、威胁或疾病等的需求。常见的激励措施:养老保险、医疗保障、长期劳动合同、意外保险、失业保险等。
    ③社会交往的需求包括对友谊、爱情以及隶属关系的需求。常见的激励措施:定期员工活动、聚会、比赛、俱乐部等。
    ④受尊重的需求自尊心和荣誉感。常见的激励措施:荣誉性的奖励,形象、地位的提升,颁发奖章,作为导师培训别人等。
    ⑤自我实现的需求:实现自己的潜力,发挥个人能力到最大程度,使自己越来越成为自己所期望的人物。常见的激励措施:绐他更多的空间让他负责、让他成为智囊团、参与决策、参与公司的管理会议等。
    在这里插入图片描述

    赫茨伯格双因素理论:(掌握口赫兹伯格的双因素理论-有两类因素(保健因素和激励因素)会决定人的行为。
    保健因素-导致不满足感的因素,做得好不会提高激励,做得不好就会损害激劢比如:工作环境、工资薪水、公司政策、个人生活、管理监督、人际关系等;相当于马斯洛需求层次理论的较低层次的需求(生理需求、安全需求)
    激励因素-是导致满足感的因素,能够真正起激励作用的。
    比如:成就、承认、工作本身、责任、发展机会、个人成长等;相当于马斯洛需求层次理论的较高层次的需求(尊重需求、自我实现需求)

    X理论+Y理论:用X理论可以加强管理,但项目团队成员通常比较被动地工作。用Y理论可以激发员工主动性,但对于员工把握工作而言可能又放任过度。
    X理论认为只能用低层次的需求进行激励;Y理论认为人更应该受到高层次需求的激励。
    X理论(不好)(主要用在前期)
    (1)人天性好逸恶劳,只要有可能就会逃避工作。
    (2)人生来就以自我为中心,漠视组织的要求
    (3)人缺乏进取心,逃避责任,甘愿听从指挥,安于现状,没有创造性。
    (4)人们通常容易受骗,易受人煽动
    (5)人们天生反对改革。
    (6)人的工作动机就是为了获得经济报酬。
    Y理论(好)(主要用在后期)
    (1)人天生并不是好逸恶劳,他们热爱工作,从工作得到满足感和成就感。
    (2)外来的控制和处罚对人们实现组织的目标不是一个有效的办法,下属能够自我确定目标自我指挥自我控制。
    (3)在适当的条件下,人们愿意主动承担责任。
    (4)大多数人具有一定的想象力和创造力。
    (5)在现代社会中,人们的智慧和潜能只是部分地得到了发挥,如果给予机会,人们喜欢工作,并渴望发挥其才能。
    期望理论是一种通过考察人们的努力行为与其所获得的最终奖酬之间的因果关系,来说明激励过程,并以选择合适的行为达到最终的奖酬目标的理论。
    (1)目标效价,指实现该目标对个人有多大价值的主观判断。如果实现该目标对个人来说很有价值,个人的积极性就髙;反之,积极性则低。
    (2)期望值,指个人对实现该目标可能性大小的主观估计。
    M=V×E;M—激励;
    V—目标效价(行动结果的价值评价);E—期望值(实现目标可能性大小的主观估计)

    9.4项目人力资源管理文件

    1、人力资源管理计划内容:
    ①角色和职责。包含了参加评估的、每一个员工的角色和职责清单。
    ②项目的组织结构图。提供了项目团队成员的汇报关系图。
    ③人员配备管理计划。列出了团队成员在项目中的工作周期,同时也包括培训计划、资格要求,以及与某些规章制度、合约的一致性问题。
    2、在大多数项目中,编制项目人力资源计划过程主要作为项目最初阶段的一部分。这一过程的结果应当在项目的整个生命周期中进行经常性地复査,以保证它的持续适用性。如果最初的项目人力资源计划不再有效,就应当立即修正。
    3、在罗列项目所需的角色和职责时,需要考虑:角色、职权、职责、能力。
    4、可采用多种格式来记录团队成员的角色与职责。大多数格式属于以下三类(如图所示):层级型、矩阵型和文本型。通常,层级型可用于规定高层级角色,而文本型更适合用于记录详细职责。
    在这里插入图片描述

    ①层级型
    工作分解结构(WBS)用来显示如何把项目可交付成果分解为工作包,有助于明确高层级的职责。
    组织分解结构(OBS)按照组织现有的部门、单元或团队排列,并在每个部门下列出其所负责的项目活动或工作包。
    资源分解结构(RBS)是按资源类别和类型进行分解
    区别和联系:OBS和WBS类似,区别在于OBS不是按照项目可交付成果的分解而组织的,而是接照组织所设置的部门、单位和团队而组织的;
    ②矩阵型
    将WBS和OBS分解结果分别做行列,得到的结果就是:RAM
    责任分配矩阵(RAM)是用来显示分配给每个工作包的项目资源的表格。它显示工作包或活动与项目团队成员之间的关系口在大型项目中,可以制定多个层次的RAM;矩阵图能反映与毎个人相关的所有活动,以及与毎项活动相关的所有人员。它也可确保任何一项任务都只有一个人负责,从而避免职责不清。
    RAM表示完成工作与成员间的关系;RAM是将WBS中的每一项工作指派到OBS中的执行人员所形成的个矩阵。
    ③文本型。如果需要详细描述团队成员的职责,就可以采用文本型
    5、人员配备管理计划是人力资源管理计划的组成部分,可以是正式或非正式的,非常详细或高度概括的。应包括:①人员招募②资源日历③人员遣散计划④培训需要⑤认可与奖励⑥合规性⑦安全
    6、团队绩效评价基于技术达成情况(达成既定的项目目标,包括质量水平)、进度绩效(按时完成)和成本绩效(在财务约束条件内完成)
    7、评价团队有效性的指标可包括:
    ①个人技能的改进
    ②团队能力的改进
    ③园队成员离职率的降低
    ④团队凝聚力的加强
    8、通过对团队整体绩效的评价,项目管理团队能够识别岀所需的特殊培训、教练、辅导、协助或改变以提高团队绩效。
    9、“让非管理层的团队成员参与到项目计划制订过程中”的活动则是一种通过提高团队成员的参与意识、增进团队的凝聚力,进而利用其附属效应来提高团队绩效的措施。
    10、项目经理必须知道使项目顺利完成需要哪些技能,但是项目团队没有必要拥有所有技能,只要找到可以获得必要的技能和知识的来源以完成项目就可以了。
    11、由于项目经理目前仅仅是感觉上的“怀疑”并没有充分的证据,因此比较恰当的处理措施是:提醒团队成员注意并有针对性地制定出相关的预防措施(如信息保密等)。
    12、对于核心人员,一定要注意其突然离职,因此,要用到AB角色配置。

    13、人力资源管理中常见问题

    常见问题产生原因解决措施
    (1)招募不到合适的项目成员
    (2)团队的组成人员尽管富有才干,但是却很难合作
    (3)项目团队的任何职称分配不清楚
    (4)团队的气氛不积极,造成项目团队成员的士气低落
    (5)人员流动过于频繁
    (1)没有能够建立人力资源获取和培养的稳定体制
    (2)没有能够完整的识别项目所需的人力资源的种类,数量和相关任职条件
    (3)没有建立一个能充分、有效的发挥能力的项目团队
    (4)没有清楚的分配工作职责到组织个体或人力单元
    (1)建立稳定的人力资源获取和培养机制,在项目早期,进行项目的整体人力资源规划
    (2)明确岗位设置,工作职责和协作关系
    (3)进行项目团队建设,加强团队沟通,建立合作氛围
    (4)根据项目团队成员的工作职贵和目标,跟踪工作绩效,及时予以调整和改进,提升项目整体绩效

    14、信息系统项目所需人员:
    (1)管理类:项目经理及其助理(各阶段都需要);
    (2)技术类:系统分析员(系统分析和设计阶段)、系统架构师(系统分析和设计阶段)、软件工程师(系统分析和设计阶段)、测试工程师
    (设计阶段)、网络规划设计师(系统分析、设计阶段与实现阶段)、网络工程师(系统实现阶段与运维阶段)、数据库工程师(系统分析、设计阶段与实现阶段)、综合布线工程师(系统设计阶段与综合布线阶段);
    (3)实施和支持类:实施/现场工程师(系统实施阶段)和配置管理人员(全过程)

    展开全文
  • 玩PyTorch?你不得不看的PyTorch资源大列表

    万次阅读 多人点赞 2020-02-29 18:16:32
    这里我介绍一个我再GitHub闲逛的时候发现的一个项目,这里面的资源真的是又强又全,惊为天人。 Pytorch & related libraries|Pytorch & 相关库 pytorch : Tensors and Dynamic neural networks in Python ...

    写在前面

    强烈安利,拿走不谢,顺手留个关注和点个赞,嘿嘿嘿
    PyTorch我就不多说了吧,我搞CV平时也就用PyTorch和TensorFlow,不过最近更喜欢用PyTorch 了,因为TensorFlow的API真的搞的我头疼,不过因为我有时候用C++写算法的话,还是会用TensorFlow的。PyTorch 能在短时间内被众多研究人员和工程师接受并推崇是因为其有着诸多优点,如采用 Python 语言、动态图机制、网络构建灵活以及拥有强大的社群等。这里我介绍一个我再GitHub闲逛的时候发现的一个项目,这里面的资源真的是又强又全,惊为天人。

    在这里插入图片描述

    Pytorch & related libraries|Pytorch & 相关库

    1. pytorch: Tensors and Dynamic neural networks in Python with strong GPU acceleration | 使用强GPU加速的Python张量计算和动态神经网络.

    NLP & Speech Processing|自然语言处理 & 语音处理:

    1. 2100+ text: 针对文本数据和NLP数据集的数据加载和抽象。
    2. 1100+ pytorch-seq2seq: Pytorch中处理seq2seq的开源框架。
    3. 1000- anuvada: NLP可解释模型。
    4. 1000- audio: 简单的音频I/O。
    5. 1000- loop: 一种跨多说话者的语音生成方法。
    6. 7000+ fairseq: Facebook开发的Sequence-to-Sequence python工具包。
    7. 1000- speech: 语音转文字的端到端模型实现。
    8. 3800+ OpenNMT-py: 开源神经机器翻译 http://opennmt.net.
    9. 1800+ neuralcoref: 在spaCy中使用神经网络实现快速共指消解。
    10. 1000- sentiment-discovery: 基于规模的无监督语言模型在稳健情绪分类中的应用。
    11. 2300+ MUSE: 一个多语言无监督或有监督词语嵌入库。
    12. 1000- nmtpytorch: PyTorch中的Sequence-to-Sequence框架。
    13. 1000- pytorch-wavenet: 快速生成WaveNet的实现。
    14. 1000- Tacotron-pytorch: Tacotron: 端到端语音合成。
    15. 8000+ AllenNLP: 开源NLP研究库,基于PyTorch。http://www.allennlp.org/
    16. 1600+ PyTorch-NLP: 为加速NLP研究设立的一个库,包含神经网络层、文本处理模块和众多数据集。 pytorchnlp.readthedocs.io
    17. 1000- quick-nlp: 基于FastAI的Pytorch NLP库。
    18. 1800+ TTS: 文本转语音的深度学习框架。
    19. 2300+ LASER: LASER是一个用来计算和使用多语言语句嵌入的库。
    20. 1000- pyannote-audio: 用于说话人分类的神经构建块:语音活动检测, 说话人变化检测, 说话人嵌入。
    21. 1000- gensen: 基于大规模多任务学习的通用句子表示。
    22. 1000- translate: 翻译——一个PyTorch语言库。
    23. 1800+ espnet: 端到端语音处理工具集。 espnet.github.io/espnet
    24. 3000+ pythia: 源于FAIR(Facebook AI Research)的视觉与语言多模态研究的模块化框架。
    25. 1300+ UnsupervisedMT: 基于短语的神经无监督机器翻译。
    26. 1000- jiant: 通用文本理解模型的jiant工具包。https://jiant.info
    27. 3200+ BERT-PyTorch: Google AI 2018 BERT 的 Pytorch 实现,伴有简单注释。
    28. 1800+ InferSent: NLI的句子嵌入(InferSent)和训练代码。
    29. 1000+ uis-rnn:无限交错状态递归神经网络(UIS-RNN)算法,能够从嘈杂的环境中分辨声音,对应论文 Fully Supervised Speaker Diarization. arxiv.org/abs/1810.04719
    30. 8100+ flair: 一个针对最先进的NLP的简单框架。
    31. 5700+ pytext: 基于PyTorch的自然语言建模框架。 fb.me/pytextdocs
    32. 1000- voicefilter: 谷歌AI的VoiceFilter的非官方实现。 http://swpark.me/voicefilter
    33. 1000- BERT-NER: 基于BERT的命名体识别(Named-Entity-Recognition)。
    34. 1000- transfer-nlp: 为可复制实验管理而设计的NLP库。
    35. 1000- texar-pytorch: 机器学习和文本生成工具包。 texar.io
    36. 1400+ pytorch-kaldi: pytorch-kaldi 是一个开发中的最先进的dnn/rnn混合语音识别系统。其DNN部分由PyTorch实现,而特征提取、标签计算和解码由kaldi工具包完成。
    37. 1000+ NeMo: 神经模块:对话式AI(conversational AI)工具集 nvidia.github.io/NeMo
    38. 1000- pytorch-struct: 经过测试的GPU实现库,实现了深度学习中的一些核心的结构化算法,如HMM, Dep Trees, CKY, …
    39. 1000- espresso: Espresso: 快速的端到端神经语音识别工具集。
    40. 22500+ transformers: huggingface Transformers: TensorFlow 2.0 和 PyTorch 上最先进的NLP工具。huggingface.co/transformers
    41. 1000- reformer-pytorch: Reformer 的 PyTorch 版。

    CV|计算机视觉:

    1. 5600+ pytorch vision: TorchVision包含流行的数据集、模型架构、计算机视觉中常用的图像变换。
    2. 1000- pt-styletransfer: 作为PyTorch中一个类的神经风格转移。
    3. 1000- OpenFacePytorch: 使用OpenFace的nn4.small2.v1.t7模型的PyTorch模块。
    4. 1000- img_classification_pk_pytorch: 将你的图像分类模型和最先进的模型进行快速比较 (比如DenseNet, ResNet, …)
    5. 1000+ SparseConvNet: 子流形稀疏卷积神经网络。
    6. 1000- Convolution_LSTM_pytorch: 多层卷积LSTM(长短期记忆网络)模块。
    7. 3500+ face-alignment: 🔥 基于 PyTorch 的 2D 和 3D 面部对齐库。 adrianbulat.com
    8. 1200+ pytorch-semantic-segmentation: 语义分割。
    9. 1000- RoIAlign.pytorch: PyTorch版本的RoIAlign。其实现基于crop_and_resize,支持CPU和GPU上的前向和后向。
    10. 1000- pytorch-cnn-finetune: 用PyTorch微调预训练卷积神经网络。
    11. 1000- detectorch: Detectorch - PyTorch版detectron框架,目前仅有detectron的推断(inference)和评估(evalutaion)功能,无训练(training)功能。
    12. 3800+ Augmentor: 用于机器学习的图像增强库。 http://augmentor.readthedocs.io
    13. 1000- s2cnn: Spherical CNNs:球面卷积网络的PyTorch实现。 (e.g. 全方位图像、全球信号)
    14. 1600+ TorchCV: 基于PyTorch的计算机视觉深度学习框架。
    15. 7200+ maskrcnn-benchmark: 实例分割与对象检测的快速模块化参考实现。
    16. 1100+ image-classification-mobile: 计算机视觉卷积网络训练沙盒,包含ImageNet-1K上的与训练分类模型集合。
    17. 1000- medicaltorch: 一个医学成像框架。http://medicaltorch.readthedocs.io
    18. 4500+ albumentations: 快速图像增强库和其他库的易用包装器。
    19. 1900+ kornia: 开源可微计算机视觉库。https://kornia.org
    20. 1000- text-detector: 检测和翻译文本。
    21. 1000- facenet-pytorch: 预训练Pytorch人脸检测与识别模型,从 davidsandberg/facenet 移植而来。
    22. 8000+ detectron2: Detectron2是FAIR的下一代目标检测和分割研究平台。
    23. 1000- vedaseg: 基于PyTorch的语义分割工具箱。
    24. 1000- ClassyVision: A用于图像和视频分类的端到端PyTorch框架。https://classyvision.ai
    25. 1000- detecto: 用 5 行代码构建功能完备的计算机视觉模型。https://detecto.readthedocs.io/
    26. 2300+ pytorch3d: PyTorch3d 是一个面向深度学习的高效、可复用的 3D 计算机视觉库。 https://pytorch3d.org/

    Probabilistic/Generative Libraries|概率库和生成库:

    1. 1000- ptstat: 概率编程和统计推断。
    2. 6000+ pyro: 基于 Python 和 PyTorch 的深度通用概率编程库。 http://pyro.ai
    3. 1000- probtorch: Probabilistic Torch是一个扩展了PyTorch的深度生成模型的库。
    4. 1000- paysage: 基于Python/PyTorch的非监督学习和生成模型库。
    5. 1000- pyvarinf: Python包,促进了带有变分推断的贝叶斯深度学习方法在pytorch中的应用。
    6. 1000- pyprob: 一个基于PyTorch的概率编程与推断编译的库。
    7. 1000- mia: 一个运行针对机器学习模型的成员推理攻击的库。
    8. 1000- pro_gan_pytorch: 作为PyTorch nn.Module的扩展的ProGAN包。
    9. 1400+ botorch: PyTorch中的贝叶斯优化。

    Other libraries|其他库:

    1. 1000- pytorch extras: PyTorch的额外特性。
    2. 1000- functional zoo: PyTorch和Tensorflow的模型定义和预训练权重。
    3. 1400+ torch-sampling: Pytorch的采样、高级训练、数据增强和实用程序。
    4. 1000- torchcraft-py: TorchCraft的Python包装器,TorchCraft是连接Torch和StarCraft的桥梁。
    5. 1000- aorun: Aorun试图以PyTorch为后端实现类似于Keras的API。
    6. 1000- logger: 机器学习记录器(logger)。
    7. 1000- PyTorch-docset: PyTorch离线文档,结合Dash,Zeal,Velocity或者LovelyDocs使用。
    8. 1000- convert_torch_to_pytorch: 将Torch t7模型转换为PyTorch模型。
    9. 6100+ pretrained-models.pytorch: PyTorch 预训练卷积神经网络:NASNet, ResNeXt, ResNet, InceptionV4, InceptionResnetV2, Xception, DPN 等等。该项目的目标是帮助复制研究论文结果。
    10. 1000- pytorch_fft: CUDA FFTs的PyTorch包装器。
    11. 1000- caffe_to_torch_to_pytorch: Caffe模型转PyTorch/Torch模型,Torch模型转PyTorch模型。
    12. 1000- pytorch-extension: PyTorch的CUDA扩展示例,计算了两个张量的哈达玛积(Hadamard product)
    13. 6000+ tensorboard-pytorch: 该模块以tensorboard格式保存PyTorch张量以供检查。目前支持tensorboard中的标量、图像、音频、直方图等特性。
    14. 1800+ gpytorch: GPyTorch是一个用PyTorch实现的高斯过程库。它可以轻松地创建可伸缩、灵活和模块化的高斯过程模型。
    15. 2000+ spotlight: 深度推荐模型。
    16. 1000- pytorch-cns: 基于PyTorch的广义压缩网络搜索(Generalized Compressed Network Search)。
    17. 1000- pyinn: CuPy实现融合PyTorch操作。
    18. 1000- inferno: 关于PyTorch的实用程序库。
    19. 1000- pytorch-fitmodule: 一种用于PyTorch模块的超简单拟合方法。
    20. 2900+ inferno-sklearn: 一个基于PyTorch封装且兼容scikit-learn的神经网络库。
    21. 1000- pytorch-caffe-darknet-convert: 在 pytorch, caffe prototxt/weights 和 darknet cfg/weights 之间转换。
    22. 1000- pytorch2caffe: 将PyTorch模型转换成Caffe模型。
    23. 1000- pytorch-tools: PyTorch工具。
    24. 1700+ sru: 训练RNNs和训练CNNs一样快。 (arxiv.org/abs/1709.02755)
    25. 1000- torch2coreml: Torch7 -> CoreML,该工具可将Torch7模型转换为Apple CoreML格式以便在Apple设备上运行。
    26. 1200+ PyTorch-Encoding: PyTorch 深度纹理编码网络 (Deep Texture Encoding Network) http://hangzh.com/PyTorch-Encoding
    27. 1000- pytorch-ctc: PyTorch-CTC 实现了CTC(联结主义时间分类,Connectionist Temporal Classification)集束搜索(Beam Search)解码。C++代码借鉴了TensorFlow,并通过一些改进增加了灵活性。
    28. 1000- candlegp: Pytorch中的高斯过程。
    29. 1000- dpwa: 基于成对平均(Pair-Wise Averaging)的分布式学习。
    30. 1000- dni-pytorch: 基于合成梯度的PyTorch解耦神经接口。
    31. 2900+ skorch: 一个基于PyTorch封装且兼容scikit-learn的神经网络库。
    32. 2500+ ignite: Ignite是一个高级库,帮助你在PyTorch中训练神经网络。
    33. 1000- Arnold: Arnold - DOOM 游戏代理。
    34. 1000- pytorch-mcn: 将MatConvNet模型转换为PyTorch模型。
    35. 2100+ simple-faster-rcnn-pytorch: Faster R-CNN 的简化实现,性能与原始论文相当。
    36. 1000- generative_zoo: generative_zoo提供了PyTorch中一些生成模型的工作实现。
    37. 1100+ pytorchviz: 可视化PyTorch的运行图。
    38. 1000- cogitare: Cogitare - 一个现代、快速、模块化的深度学习和机器学习框架。
    39. 1000- pydlt: 基于PyTorch的深度学习工具箱。
    40. 1000- semi-supervised-pytorch: 各种基于VAE的半监督模型和生成模型的实现。
    41. 1000- pytorch_cluster: 优化图簇算法的PyTorch扩展库。
    42. 1000- neural-assembly-compiler: 基于自适应神经编译的PyTorch神经汇编编译器。
    43. 1000- caffemodel2pytorch: 将Caffe模型转换为PyTorch模型。
    44. 1000- extension-cpp: PyTorch中的C++扩展。
    45. 1000- pytoune: 类Keras框架和实用程序。
    46. 1000- jetson-reinforcement: 使用PyTorch,OpenAI Gym和Gazebo机器人模拟的NVIDIA Jetson深度强化学习GPU库。
    47. 1000- matchbox: 编写单个示例的PyTorch代码,然后小批量地高效运行。
    48. 1000- torch-two-sample: PyTorch双样本测试库。
    49. 2000+ pytorch-summary: PyTorch模型总结,类似于Keras中的model.summary()
    50. 1000- mpl.pytorch: MaxPoolingLoss的PyTorch实现。
    51. null scVI-dev: 链接失效。
    52. 3400+ apex: 一个PyTorch扩展:面向精简混合精度和分布式训练。
    53. 3000+ ELF: ELF: 游戏研究平台,复现了AlphaGoZero/AlphaZero。
    54. 1000- Torchlite: Pytorch建立在sklearn、Pytorch和Tensorflow等流行机器学习框架上的高水平库。
    55. 1000- joint-vae: JointVAE的PyTorch实现,一个面向分离连续和离散变异因素的框架 🌟。
    56. 1000- SLM-Lab: PyTorch模块化深度强化学习框架。
    57. 1000- bindsnet: 一个Python包,可借助PyTorch Tensor 功能在CPUs或GPUs上模拟脉冲神经网络(SNNs, Spiking Neural Networks)。
    58. 1000- pro_gan_pytorch: 作为 PyTorch nn.Module 扩展的 ProGAN 包。
    59. 6600+ pytorch_geometric: PyTorch几何深度学习扩展库。
    60. 1000- torchplus: 在 PyTorch modules 上实现 + 运算符,返回序列。
    61. 1000- lagom: lagom: 用于强化学习算法快速原型构建的轻量级PyTorch架构。
    62. 1000- torchbearer: torchbearer: PyTorch模型拟合库。
    63. 1000- pytorch-maml-rl: 强化学习中的模型不可知元学习(MAML, Model-Agnostic Meta-Learning)。
    64. 1000- NALU: 神经算术逻辑单元(Neural Arithmetic Logic Units)的PyTorch基本实现,论文:arxiv.org/pdf/1808.00508.pdf 。
    65. 1000- QuCumber: 神经网络多体波函数重构。
    66. 1000- magnet: 自我建立的深度学习项目。http://magnet-dl.readthedocs.io/
    67. 1000- opencv_transforms: OpenCV实现Torchvision的图像分割。
    68. 17100+ fastai: fast.ai 深度学习库、课程和教程。
    69. 1000- pytorch-dense-correspondence: 《Dense Object Nets: Learning Dense Visual Object Descriptors By and For Robotic Manipulation》 一文的代码。
    70. 1000- colorization-pytorch: PyTorch实现交互式深度着色(Interactive Deep Colorization)。 richzhang.github.io/ideepcolor
    71. 1000- beauty-net: PyTorch一个简单、灵活、可扩展的PyTorch模板。
    72. 1000- OpenChem: OpenChem: 面向计算化学和药物设计研究的深度学习工具包 mariewelt.github.io/OpenChem 。
    73. 1000- torchani: PyTorch精确神经网络电位。 aiqm.github.io/torchani
    74. 1000- PyTorch-LBFGS: PyTorch实现L-BFGS。
    75. 1800+ gpytorch: PyTorch中对高斯过程的高效且模块化的实现。
    76. 1000- hessian: PyTorch版hessian。
    77. 1000- vel: 深度学习研究中的速度。
    78. 1000- nonechucks: 动态地处理数据集中的坏样本,使用转换作为过滤器。
    79. 1000- torchstat: PyTorch中的模型分析器。
    80. 1200+ QNNPACK: 量化神经网络包—量化神经网络算子的移动优化实现。
    81. 2700+ torchdiffeq: PyTorch解常微分方程(ODE),使用的是全GPU支持、O(1)内存复杂度的反向传播算法。
    82. 1000- redner: 可微的 Monte Carlo 路径跟踪器。
    83. 1000- pixyz: 一个库,用来以更简洁、直观和可扩展的方式开发深层生成模型。
    84. 1000- euclidesdb: 一种多模型机器学习特征嵌入数据库。 http://euclidesdb.readthedocs.io
    85. 1000- pytorch2keras: 将PyTorch模型转换为Keras模型。
    86. 1000- salad: 域适应和半监督学习工具箱。
    87. 1000- netharn: PyTorch的参数化拟合和预测线束(Prediction Harnesses)。
    88. 4000+ dgl: Python包,基于现有的DL框架,用于简化对图形的深度学习。http://dgl.ai.
    89. 1400+ gandissect: 基于PyTorch的工具,用于可视化和理解GAN的神经元。gandissect.csail.mit.edu
    90. 1000- delira: 基于PyTorch和Tensorlow的快速原型和训练深层神经网络的轻量级框架,用于医疗成像。 delira.rtfd.io
    91. 1000- mushroom: 强化学习实验的Python库。
    92. 1000- Xlearn: 迁移学习库。
    93. 1000- geoopt: 基于PyTorch优化的黎曼自适应优化方法。
    94. 1000- vegans: 包含多种现有的GANs。
    95. 1900+ kornia: PyTorch开源可微计算机视觉库。 https://kornia.org
    96. 1000- AdverTorch: 研究对抗鲁棒性的工具箱。
    97. 2700+ AdaBound: 一个优化器,训练速度和Adam一样快,和SGD一样好。
    98. 1000- fenchel-young-losses: 在PyTorch/TensorFlow/scikit-learn中使用Fenchel-Young损失作为概率分类的损失函数。
    99. 1400+ pytorch-OpCounter: 统计PyTorch模型的MACs/FLOPs。
    100. 1000- Tor10: 基于PyTorch,为量子模拟设计的通用张量网络库。
    101. 1600+ Catalyst: PyTorch DL&RL 研究的高级实用程序。它的开发重点是可重复性、快速实验和代码/思想重用。能够研究/开发新的东西,而不是编写另一个常规的训练循环。
    102. 1000+ Ax: 自适应实验平台。
    103. 1000- pywick: 高水平的PyTorch神经网络训练库。
    104. 1000- torchgpipe: PyTorch实现GPipe。 torchgpipe.readthedocs.io
    105. 1000- hub: Pytorch Hub 是一个预训练模型库,用来提升研究的可重复性。
    106. 3800+ pytorch-lightning: 面向ML研究人员的轻量级PyTorch包装器。缩放模型,少写样板。
    107. 1000- Tor10: 基于pytorch为量子模拟设计的通用张量网络库。
    108. 2700+ tensorwatch: 针对Python机器学习与数据科学的调试、监控与可视化。
    109. 1000- wavetorch: 波动方程的数值求解与反传播。 arxiv.org/abs/1904.12831
    110. 1000- diffdist: diffdist是一个面向PyTorch的Python库。它扩展了torch.autograd的默认功能,并增加了对进程间可微通信的支持。
    111. 1000- torchprof: 用于Pytorch模型逐层分析的最小依赖库。
    112. 1000- osqpth: PyTorch可微OSQP求解器。
    113. 1000- mctorch: 面向深度学习的流形优化库。
    114. 1000- pytorch-hessian-eigenthings: 使用Hessian向量积和随机幂迭代的高效PyTorch Hessian特征分解。
    115. 1000- MinkowskiEngine: 闵可夫斯基引擎是一个用于广义稀疏卷积和高维稀疏张量的自动微分方法库。
    116. 1000- pytorch-cpp-rl: CppRl是一个强化学习框架,用 PyTorch C++ 前端编写。
    117. 1000- pytorch-toolbelt: PyTorch扩展,用来进行快速R&D原型开发和Kaggle代码收集。
    118. 1000- argus-tensor-stream: 一个库,用来将实时视频流解码至CUDA内存。tensorstream.argus-ai.com
    119. 1000- macarico: 在 PyTorch 中学习搜索。
    120. 1200+ rlpyt: PyTorch 中的强化学习。
    121. 1000- pywarm: 为 PyTorch 建立神经网络的一种更清洁的方法。https://blue-season.github.io/pywarm/
    122. 1000- learn2learn: PyTorch元学习框架。http://learn2learn.net
    123. 1000- torchbeast: 分布式强化学习的PyTorch平台。
    124. 1000- higher: higher 是一个PyTorch库,允许用户获得跨越训练循环而不是单个训练步骤的损失的高阶梯度。
    125. null Torchelie: Torchélie 是面向PyTorch的一系列工具函数、层、损失、模型、训练器等的合集。 https://torchelie.readthedocs.org/
    126. 1000- CrypTen: CrypTen 是一个隐私保护机器学习框架,它使用PyTorch编写,允许研究人员和开发人员使用加密数据训练模型。CrypTen目前支持将安全的多方计算(Secure Multiparty Computation)作为其加密机制。
    127. 1000- cvxpylayers: cvxpylayers 是一个 Python 库,用于在PyTorch中构造可微凸优化层。
    128. 1000- RepDistiller: 对比表示蒸馏(CRD)和最新知识蒸馏方法的基准。
    129. 1700+ kaolin: 一个旨在加速3D深度学习研究的PyTorch库。
    130. 1000- PySNN: 高效的尖峰神经网络框架,建立在PyTorch之上,用于GPU加速。
    131. 1000- sparktorch: 在 Apache Spark 上训练和运行 PyTorch 模型。
    132. 1000- pytorch-metric-learning: 在应用程序中使用度量学习的最简单方法。模块化,灵活,可扩展。用 PyTorch 构建。
    133. 1000- autonomous-learning-library: 用于建立深度强化学习代理的 PyTorch 库。
    134. 1000- flambe: 一个用于加速研究及其生产路径的ML框架。https://flambe.ai
    135. 1000- pytorch-optimizer: Collections of modern optimization algorithms for PyTorch, includes: AccSGD, AdaBound, AdaMod, DiffGrad, Lamb, RAdam, RAdam, Yogi.

    Tutorials & examples|教程 & 示例

    1. 3800+ Practical Pytorch**: 该教程对不同的RNN模型进行了解释。
    2. DeepLearningForNLPInPytorch: IPython Notebook 深度学习教程,包含对自然语言处理的强调。
    3. 15500+ pytorch-tutorial: 面向研究人员的深度学习教程,其中大部分模型的实现代码都少于30行。
    4. 1000- pytorch-exercises: PyTorch练习集合。
    5. 3300+ pytorch tutorials: 各种PyTorch教程。
    6. 11900+ pytorch examples: PyTorch使用示例,应用场景包括视觉、文本、强化学习等。
    7. 1000- pytorch practice: PyTorch示例。
    8. 1000- pytorch mini tutorials: PyTorch极简教程,改编自Alec Radford的Theano教程
    9. 1000- pytorch text classification: PyTorch实现基于CNN的文本分类。
    10. 1000- cats vs dogs: Kaggle 竞赛 Dogs vs. Cats Redux: Kernels Edition 的网络微调示例。
    11. 1000- convnet: 深度卷积网络在不同数据集(ImageNet, Cifar10, Cifar100, MNIST)上的完整训练示例。
    12. 1000- pytorch-generative-adversarial-networks: 一个简单的对抗生成网络(GAN) 。
    13. 1000- pytorch containers: PyTorch中简化的Torch容器。
    14. 1000- T-SNE in pytorch: t-SNE实验。
    15. 1000- AAE_pytorch: PyTorch版对抗自编码器。
    16. 1000- Kind_PyTorch_Tutorial: PyTorch新手教程。
    17. 1000- pytorch-poetry-gen: 基于PyTorch的char-RNN(字符级循环神经网络)。
    18. 1000- pytorch-REINFORCE: PyTorch 实现了 OpenAI gym 下离散和连续控制的 REINFORCE。
    19. 4300+ PyTorch-Tutorial**: 简单而快速地搭建你自己的神经网络。 https://morvanzhou.github.io/tutorials/
    20. 1000- pytorch-intro: 演示如何在PyTorch中实现CNNs和RNNs。
    21. 1000- pytorch-classification: 一个CIFAR-10/100和ImageNet数据集上的分类框架。
    22. 1000- pytorch_notebooks - hardmaru: 用NumPy和PyTorch编写的随机教程。
    23. 1000- pytorch_tutoria-quick: PyTorch介绍和教程。面向计算机视觉、图形和机器学习领域的研究人员,要求对神经网络理论知识和常用神经网络框架由基本的了解。
    24. 1000- Pytorch_fine_tuning_Tutorial: 在PyTorch中进行微调或转移学习的简短教程。
    25. 1000- pytorch_exercises: PyTorch练习。
    26. 1000- traffic-sign-detection: 纽约大学2018年计算机视觉秋季课程示例。
    27. 1000- mss_pytorch: 无需进行滤波后处理,利用循环推断算法实现歌唱语音分离 - PyTorch 实现。 演示: js-mim.github.io/mss_pytorch
    28. 2200+ DeepNLP-models-Pytorch cs-224n课程中的各种深度NLP模型的PyTorch实现。(Stanford Univ: NLP with Deep Learning)
    29. 1000- Mila introductory tutorials: 面向MILA新生的各种教程。(MILA:加拿大蒙特利尔人工智能研究中心
    30. 1000- pytorch.rl.learning: 使用PyTorch学习强化学习。
    31. 1000- minimal-seq2seq: 关注神经机器翻译的最小Seq2Seq模型。
    32. 1000- tensorly-notebooks: 利用Python和TensorLy实现张量方法。 tensorly.github.io/dev
    33. 1000- pytorch_bits: 时序预测的相关示例。
    34. 1000- skip-thoughts: PyTorch实现Skip-Thought词向量模型。
    35. 1000- video-caption-pytorch: 利用PyTorch为视频添加字幕。
    36. 1000- Capsule-Network-Tutorial: 简单易学的胶囊网络(Capsule Network)教程。
    37. 1700+ code-of-learn-deep-learning-with-pytorch: 《深度学习入门之PyTorch》书中代码。 item.jd.com/17915495606.html
    38. 1800+ RL-Adventure: Pytorch 版 Deep Q Learning 教程,简单、易学、代码可读性强,包含 DQN / DDQN / Prioritized replay/ noisy networks/ distributional values/ Rainbow/ hierarchical RL 的 PyTorch 实现。
    39. 1000- accelerated_dl_pytorch: Jupyter Day Atlanta II 会议上的加速深度学习算法,包含 PyTorch 教程和会议演讲文稿。
    40. 2000+ RL-Adventure-2: 以下内容的 PyTorch0.4 版本教程: actor critic / proximal policy optimization / acer / ddpg / twin dueling ddpg / soft actor critic / generative adversarial imitation learning / hindsight experience replay。
    41. Generative Adversarial Networks (GANs) in 50 lines of code (PyTorch): 50行生成对抗网络。
    42. adversarial-autoencoders-with-pytorch: PyTorch对抗自编码器。
    43. transfer learning using pytorch: PyTorch迁移学习。
    44. how-to-implement-a-yolo-object-detector-in-pytorch: 如何使用PyTorch实现一个YOLO (v3)物体检测器。
    45. pytorch-for-recommenders-101: 使用PyTorch构建推荐系统。
    46. 1000- pytorch-for-numpy-users: 面向Numpy用户的PyTorch。
    47. PyTorch Tutorial: PyTorch中文教程(PyTorch中文网)。
    48. 1000- grokking-pytorch: 手把手教你学会PyTorch。
    49. 1600+ PyTorch-Deep-Learning-Minicourse: PyTorch深度学习微型课程。
    50. 1000- pytorch-custom-dataset-examples: PyTorch的一些自定义数据集示例。
    51. Multiplicative LSTM for sequence-based Recommenders: 面向基于序列的推荐器的乘法LSTM。/基于LSTM的序列推荐实现。
    52. 1000- deeplearning.ai-pytorch: Coursera深度学习课程(deeplearning.ai)任务的PyTorch实现。
    53. 1000- MNIST_Pytorch_python_and_capi: 示例:如何在Python中训练一个MNIST网络并在C++中用PyTorch1.0运行。
    54. 1000- torch_light: 教程和示例,包括强化学习、NLP、CV。Logistic、CNN、RNN、LSTM等神经网络模型由数行代码实现,一些高级示例由复杂模型实现。
    55. 1000- portrain-gan: 编码(解码尚未实现)art-DCGAN 生成的肖像油画。
    56. 1000- mri-analysis-pytorch: 使用PyTorch和MedicalTorch进行核磁共振(MRI)分析。
    57. 1000- cifar10-fast: 在79秒内完成CIFAR10数据集上的ResNet模型的训练并达到94%的测试准确率,相关内容参见 blog series
    58. Intro to Deep Learning with PyTorch: Udacity和Facebook联合推出的免费课程,包括对PyTorch的介绍和对PyTorch作者之一的Soumith Chintala的采访。
    59. 1500+ pytorch-sentiment-analysis: PyTorch和TorchText语义分析教程。
    60. 2600+ pytorch-image-models: PyTorch图像模型、脚本、与训练权重—— (SE)ResNet/ResNeXT, DPN, EfficientNet, MobileNet-V3/V2/V1, MNASNet, Single-Path NAS, FBNet等等。
    61. 1000- CIFAR-ZOO: 以CIFAR为基准的多种CNN架构的PyTorch实现。
    62. 2700+ d2l-pytorch: 本项目尝试复制《动手深度学习(Dive into Deep Learning)》(www.d2l.ai) 一书,将MXnet代码改编为PyTorch版。
    63. 1000- thinking-in-tensors-writing-in-pytorch: 张量思维,PyTorch实践 (深度学习入门)。
    64. 1000- NER-BERT-pytorch: 命名试题识别的PyTorch解决方案,使用了Google AI的预训练BERT模型。
    65. 1000- pytorch-sync-batchnorm-example: 如何在 PyTorch 中使用交叉复制(Cross Replica)/同步批标准化(Synchronized Batchnorm)。
    66. 1000- SentimentAnalysis: 情绪分析神经网络,在斯坦福情绪树库上用微调BERT训练得到。

    Paper implementations|论文实现

    1. 1000- google_evolution: 实现了 Large-scale evolution of image classifiers 一文的结果网络之一。
    2. 1000- pyscatwave: 基于CuPy/PyTorch的快速散射变换,Scaling the Scattering Transform: Deep Hybrid Networks
    3. 1000- scalingscattering: 该仓库包含 Scaling The Scattering Transform : Deep Hybrid Networks 一文中的实验。
    4. 1000- deep-auto-punctuation: 通过逐字符学习实现自动添加标点。
    5. 1000- Realtime_Multi-Person_Pose_Estimation: 基于PyTorch的多人人体姿态估计,原始代码
    6. 1000- PyTorch-value-iteration-networks: PyTorch实现价值迭代网络(Value Iteration Networks)(NIPS2016最佳论文奖)。
    7. 1000- pytorch_Highway: PyTorch实现高速公路网络(Highway Networks)。
    8. 1000- pytorch_NEG_loss: PyTorch实现负采样损失(Negative Sampling Loss)。
    9. 1000- pytorch_RVAE: 用PyTorch实现的产生序列数据的递归变分自动编码器,相关论文:Generating Sentences from a Continuous SpaceCharacter-Aware Neural Language Models
    10. 1000- pytorch_TDNN: 用PyTorch实现时间延迟神经网络(Time Delayed NN)。
    11. 1000- eve.pytorch: 一个Eve优化器的实现,相关论文:Imploving Stochastic Gradient Descent with Feedback
    12. 1000- e2e-model-learning: 随机优化中的基于任务的端到端模型,https://arxiv.org/abs/1703.04529 。
    13. 1000- pix2pix-pytorch: PyTorch实现“基于条件对抗网络的图像到图像翻译”。 论文:Image-to-Image Translation Using Conditional Adversarial Networks
    14. 3300+ Single Shot MultiBox Detector: 单发多盒探测器,论文:Single Shot MultiBox Detector
    15. 1000- DiscoGAN: 学习利用生成性对抗网络发现跨域关系。论文:Learning to Discover Cross-Domain Relations with Generative Adversarial Networks
    16. 1000- official DiscoGAN implementation: 官方实现“学习利用生成性对抗网络发现跨域关系”。 论文:Learning to Discover Cross-Domain Relations with Generative Adversarial Networks
    17. 1000- pytorch-es: 进化策略。论文:Evolution Strategies as a Scalable Alternative to Reinforcement Learning .
    18. 1000- piwise: 使用PyTorch对VOC2012数据集进行像素切割。
    19. 1000- pytorch-dqn: 深度Q学习网络。
    20. 1000- neuraltalk2-pytorch: PyTorch图像字幕代码库(在分支“with_finetune”中有可微调CNN)。
    21. 1000- vnet.pytorch: PyTorch实现V-Net:全卷积神经网络在体医学图像分割中的应用。 http://mattmacy.io/vnet.pytorch/
    22. 1000+ pytorch-fcn: PyTorch 实现完全卷积网络。
    23. 1000- WideResNets: PyTorch实现WideResNets。该实现比官方Torch实现花费更少的GPU内存。实现: https://github.com/szagoruyko/wide-residual-networks .
    24. 1000- pytorch_highway_networks: PyTorch实现高速公路网络。
    25. 1000- pytorch-NeuCom: Pytorch实现DeepMind的可微神经计算机论文
    26. 1000- captionGen: 使用PyTorch为图像生成标注。
    27. 1000- AnimeGAN: 生成对抗网络的PyTorch简单实现,关注于动漫脸谱绘画。
    28. 1000- Cnn-text classification: PyTorch 实现 Kim的基于卷积神经网络的句子分类 论文。
    29. 1200+ deepspeech2: 使用 Baidu Warp-CTC 实现DeepSpeech2。创造一个基于 DeepSpeech2 架构的网络,用 CTC 激活函数训练。
    30. 1000- seq2seq: 包含PyTorch中的Seq2Seq模型。
    31. 1000- Asynchronous Advantage Actor-Critic in PyTorch: PyTorch实现A3C(Asynchronous Advantage Actor-Critic),论文:Asynchronous Methods for Deep Reinforcement Learning。由于 PyTorch 可以轻松地在多进程内控制共享内存,我们可以轻易实现A3C这样的异步算法。
    32. 1000- densenet: This is a PyTorch 实现 DenseNet-BC 架构,相关论文 Densely Connected Convolutional Networks。该实现的 CIFAR-10+ 100层错误率为 4.77 增长率为 12。官方实现和许多第三方库的链接参见 liuzhuang13/DenseNet
    33. 1000- nninit: PyTorch神经网络模块的权值初始化方案,这是 nninit 的流行端口。
    34. 1300+ faster rcnn: PyTorch 实现 Faster RCNN。该项目主要基于 py-faster-rcnn 和 TFFRCNN。更多关于 R-CNN 的细节请参考论文 Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Network
    35. 1000- doomnet: PyTorch版Doom-net,实现了ViZDoom环境下的RL模型。
    36. 1000- flownet: 通过Dosovitskiy等完成FlowNet的Pytorch实现。
    37. 1000- sqeezenet: 在CIFAR10数据集上用PyTorch实现Squeezenet模型,论文
    38. 2500+ WassersteinGAN: PyTorch实现WassersteinGAN
    39. 1000- optnet: 该仓库包含PyTorch源码,重现了论文OptNet: Differentiable Optimization as a Layer in Neural Networks中的实验。
    40. 1000- qp solver: PyTorch的一个快速和可微分的QP求解器。https://locuslab.github.io/qpth/
    41. 1000- Continuous Deep Q-Learning with Model-based Acceleration : 基于模型加速的连续深度Q学习的再实现。
    42. 1000- Learning to learn by gradient descent by gradient descent: PyTorch实现Learning to learn by gradient descent by gradient descent
    43. 1000- fast-neural-style: PyTorch实现fast-neural-style,论文:Perceptual Losses for Real-Time Style Transfer and Super-Resolution
    44. 1000- PytorchNeuralStyleTransfer: Pytorch中的神经风格转换。
    45. 1000- Fast Neural Style for Image Style Transform by Pytorch: 使用快速神经风格进行图像风格转换。
    46. 1000- neural style transfer: 通过神经风格算法介绍PyTorch,Neural-Style algorithm
    47. 1000- VIN_PyTorch_Visdom: PyTorch实现价值迭代网络(VIN):干净、简单、模块化。利用Visdom进行可视化。
    48. 1200+ YOLO2: PyTorch中的YOLOv2。
    49. 1000+ attention-transfer: 通过注意转移改善卷积网络,ICLR2017会议论文
    50. 1000- SVHNClassifier: PyTorch实现基于深度卷积神经网络的街景图像多位数识别
    51. 1000- pytorch-deform-conv: PyTorch实现可变形卷积(Deformable Convolution)。
    52. 1000- BEGAN-pytorch: PyTorch实现边界均衡生成对抗网络(BEGAN): Boundary Equilibrium Generative Adversarial Networks.
    53. 1000- treelstm.pytorch: PyTorch实现树形结构LSTM。
    54. 1000- AGE: 论文代码,原文:对抗生成编码器网络(Adversarial Generator-Encoder Networks)。
    55. 1000- ResNeXt.pytorch: 再现 ResNet-V3 (深度神经网络的聚集残差变换)。
    56. 1000- pytorch-rl: 基于PyTorch和Visdom的深度强化学习。
    57. 1000- Deep-Leafsnap: 对比传统的计算机视觉方法,使用深度神经网络的LeafSnap能有效提高测试准确率。
    58. 11000+ pytorch-CycleGAN-and-pix2pix: PyTorch 实现图像风格迁移。
    59. 1000- A3C-PyTorch:PyTorch 实现 A3C(Advantage async actor-critic)算法。
    60. 1000- pytorch-value-iteration-networks: PyTorch实现价值迭代网络Value Iteration Networks (NIPS 2016 最佳论文)。
    61. 1000- PyTorch-Style-Transfer: PyTorch实现实时转换多风格生成网络。
    62. 1000- pytorch-deeplab-resnet: PyTorch实现 DeepLab resnet v2
    63. 1000- pointnet.pytorch: PyTorch实现 “PointNet: 基于深度学习的3D点分类和分割模型” https://arxiv.org/abs/1612.00593
    64. 1700+ pytorch-playground: 包含常见的预训练模型和数据集(MNIST, SVHN, CIFAR10, CIFAR100, STL10, AlexNet, VGG16, VGG19, ResNet, Inception, SqueezeNet)**.
    65. 1000- pytorch-dnc: PyTorch/Visdom实现的神经机器翻译(NTM)&可微神经计算机(DNC)。
    66. 1000- pytorch_image_classifier: 使用PyTorch的最小但实用的图像分类器管道,在ResNet18上进行细化,在自己的小型数据集上获得99%的准确率。
    67. 1000- mnist-svhn-transfer: PyTorch实现CycleGAN和SGAN。
    68. 1000- pytorch-yolo2: pytorch-yolo2
    69. 1000- dni: PyTorch实现使用合成梯度的解耦神经接口,论文:Decoupled Neural Interfaces using Synthetic Gradients
    70. 1000- wgan-gp: PyTorch实现论文"Improved Training of Wasserstein GANs".
    71. 1000- pytorch-seq2seq-intent-parsing: PyTorch使用seq2seq和注意力模型进行意图分析和空位填充。
    72. 1000- pyTorch_NCE: 复现噪音对比估计算法,论文:Noise-contrastive estimation: A new estimation principle for unnormalized statistical models
    73. 1000- molencoder: 分子自动编码器。
    74. 1000- GAN-weight-norm: 论文代码,“生成对抗网络中批量和权重归一化的影响
    75. 1000- lgamma: 实现polygamma、lgamma和beta函数。
    76. 1000- bigBatch: 论文代码,论文:“训练越久,泛化越好:关闭神经网络大批量训练的泛化间隙”。
    77. 1000- rl_a3c_pytorch: 针对 Atari 2600 的强化学习,实现了 A3C LSTM 。
    78. 1000- pytorch-retraining: PyTorch动物园模型转移学习(torchvision)。
    79. 1000- nmp_qc: 用于计算机视觉的神经消息传递。
    80. 1000+ grad-cam: PyTorch 实现Grad-CAM
    81. 1000- pytorch-trpo: PyTorch s实现置信域策略优化(Trust Region Policy Optimization (TRPO))。
    82. 1000- pytorch-explain-black-box: PyTorch通过有意义扰动实现黑箱的可解释性解释,论文
    83. 1000- vae_vpflows: 凸组合线性IAF与Householder流 https://jmtomczak.github.io/deebmed.html 。
    84. 1000- relational-networks: Pytorch实现"用一个简单的神经网络模块来做关系推理"(关系网络)。
    85. 1000- vqa.pytorch: 视觉问答。
    86. 1200+ end-to-end-negotiator: 成交还是不成交?谈判对话的端到端学习。
    87. 1000- odin-pytorch: 神经网络失配实例的原则性检测。
    88. 1000- FreezeOut: 一种通过逐步冻结层加速神经网络训练的简单技术。
    89. 1000- ARAE: 论文代码,“对抗性正则化的自动编码器, ARAE”。
    90. 1000- forward-thinking-pytorch: PyTorch实现"前向思考:一次一层地建立和训练神经网络"。
    91. 1000- context_encoder_pytorch: PyTorch实现上下文编码器(Context Encoders),可用于图像修复。
    92. 3600+ attention-is-all-you-need-pytorch: PyTorch在"Attention is All You Need"中实现转换模型,https://github.com/thnkim/OpenFacePytorch。
    93. 1000- OpenFacePytorch: 使用 OpenFace’s nn4.small2.v1.t7 模型的PyTorch模块。
    94. 1000- neural-combinatorial-rl-pytorch: PyTorch 实现"通过强化学习实现神经组合优化"。
    95. 1000- pytorch-nec: PyTorch实现神经情景控制(NEC,Neural Episodic Control)。
    96. 1000- seq2seq.pytorch: 使用PyTorch进行Sequence-to-Sequence学习。
    97. 1000- Pytorch-Sketch-RNN: PyTorch实现 “A Neural Representation of Sketch Drawings”。
    98. 1000- pytorch-pruning: PyTorch实现 [1611.06440] 用于资源有效推理的剪枝卷积神经网络
    99. 1000- DrQA: PyTorch实现自动阅读维基百科并回答开放领域问题。
    100. 1000- YellowFin_Pytorch: 基于动量梯度下降(momentum SGD)的自动调优优化器,无需手动指定学习速率和动量。
    101. 1000- samplernn-pytorch: PyTorch实现SampleRNN: 一种无条件端到端神经音频生成模型。
    102. 1000- AEGeAN: 基于AE稳定的更深的深度卷积生成对抗网络(DCGAN, Deep Convolution Generative Adversarial Networks)。
    103. 1000- /pytorch-SRResNet: PyTorch实现“基于生成对抗网络的实感单幅图像超分辨率”。
    104. 1000- vsepp: 论文代码,“VSE++:使用难分样本(Hard Negative)改善视觉语义联合嵌入”。
    105. 1000- Pytorch-DPPO: Pytorch实现分布式近端策略优化(Distributed Proximal Policy Optimization)。
    106. 1500+ UNIT: 无监督的图像到图像转换网络,论文
    107. 1100+ efficient_densenet_pytorch: DenseNets的内存高效实现。
    108. 1000- tsn-pytorch: PyTorch实现时间分割网络(TSN, Temporal Segment Networks)。
    109. 1000- SMASH: SMASH,一种高效地探索神经体系结构的实验技术。
    110. 1000- pytorch-retinanet: RetinaNet。
    111. 1000- biogans: 实现 ICCV 2017 论文 “利用GANs进行生物图像合成”。
    112. null Semantic Image Synthesis via Adversarial Learning: PyTorch 实现 ICCV 2017 论文 “基于对抗学习的语义图像合成”。
    113. 1000- fmpytorch: PyTorch在Cython中实现分析机(Factorization Machine)模块。
    114. 1000- ORN: PyTorch 实现 CVPR 2017 论文 “Oriented Response Networks”。
    115. 1000- pytorch-maml: PyTorch实现 MAML(Model-Agnostic Meta-Learning,与模型无关的元学习)。
    116. 1900+ pytorch-generative-model-collections: PyTorch中的各种生成模型集合。
    117. 1000- vqa-winner-cvprw-2017: Pytorch 实现 CVPR’17 VQA( Visual Question Answer,视觉问答) 挑战冠军。
    118. 1000- tacotron_pytorch: PyTorch 实现 Tacotron 语音合成模型。
    119. 1000- pspnet-pytorch: PyTorch 实现 PSPNet 语义分割网络。
    120. 1000- LM-LSTM-CRF: 《Empower Sequence Labeling with Task-Aware Language Model》 http://arxiv.org/abs/1709.04109
    121. 3500+ face-alignment: 使用PyTorch构建2D和3D人脸对齐库。
    122. 1000- DepthNet: PyTorch 在Still Box数据集上训练DepthNet。
    123. 1100+ EDSR-PyTorch: 论文《Enhanced Deep Residual Networks for Single Image Super-Resolution》的PyTorch实现版本。 (CVPRW 2017)
    124. 1000- e2c-pytorch: E2C,Embed to Control 实现。
    125. 1900+ 3D-ResNets-PyTorch: 基于3D残差网络的动作识别。
    126. 1000- bandit-nmt: EMNLP 2017 论文《Reinforcement Learning for Bandit Neural Machine Translation with Simulated Human Feedback》的代码,,改论文在神经编解码模型的基础上实现了A2C算法,并在模拟噪声激励下对组合进行了基准测试。
    127. 1700+ pytorch-a2c-ppo-acktr: PyTorch 实现 Advantage Actor Critic (A2C), Proximal Policy Optimization (PPO,近端策略优化) 和可扩展信赖域(Trust Region)方法,这些算法使用 Kronecker因子近似(ACKTR)和生成对抗模仿学习(GAIL)实现,可用于深度强化学习。
    128. 1000- zalando-pytorch: Fashion-MNIST数据集上的各种实验。
    129. 1000- sphereface_pytorch: PyTorch实现SphereFace,人脸识别相关,https://arxiv.org/abs/1704.08063 。
    130. 1000- Categorical DQN: PyTorch 版 Categorical DQN,该模型来自论文《A Distributional Perspective on Reinforcement Learning》。
    131. 1000- pytorch-ntm: 神经网络图灵机。
    132. null mask_rcnn_pytorch: Mask RCNN in PyTorch.
    133. 1000- graph_convnets_pytorch: PyTorch 实现图卷积神经网络,NIPS’16。
    134. 1400+ pytorch-faster-rcnn: PyTorch实现 faster RCNN 检测框架,基于 Xinlei Chen 的tf-faster-rcnn,已不再维护。
    135. 1000- torchMoji: A pyTorch implementation of the DeepMoji model: state-of-the-art deep learning model for analyzing sentiment, emotion, sarcasm etc.
    136. 3000+ semantic-segmentation-pytorch: 在MIT ADE20K dataset数据集上实现语义分割/场景解析。
    137. 1100+ pytorch-qrnn: PyTorch implementation of the Quasi-Recurrent Neural Network - up to 16 times faster than NVIDIA’s cuDNN LSTM
    138. 1000- pytorch-sgns: Skipgram Negative Sampling in PyTorch.
    139. 1000- SfmLearner-Pytorch : Pytorch version of SfmLearner from Tinghui Zhou et al.
    140. 1000- deformable-convolution-pytorch: PyTorch实现可变形卷积。
    141. 1000- skip-gram-pytorch: A complete pytorch implementation of skipgram model (with subsampling and negative sampling). The embedding result is tested with Spearman’s rank correlation.
    142. 1000- stackGAN-v2: Pytorch implementation for reproducing StackGAN_v2 results in the paper StackGAN++: Realistic Image Synthesis with Stacked Generative Adversarial Networks by Han Zhang*, Tao Xu*, Hongsheng Li, Shaoting Zhang, Xiaogang Wang, Xiaolei Huang, Dimitris Metaxas.
    143. 1000- self-critical.pytorch: 非官方,PyTorch实现基于 self-critical 序列训练的图像标注。
    144. 2200+ pygcn: 图卷积网络。
    145. 1000- dnc: 可微神经计算机、稀疏存取存储器与稀疏可微神经计算机。
    146. 1000- prog_gans_pytorch_inference: PyTorch inference for “Progressive Growing of GANs” with CelebA snapshot.
    147. 1000- pytorch-capsule: Pytorch implementation of Hinton’s Dynamic Routing Between Capsules.
    148. 1000- PyramidNet-PyTorch: A PyTorch implementation for PyramidNets (Deep Pyramidal Residual Networks, arxiv.org/abs/1610.02915)
    149. 1000- radio-transformer-networks: A PyTorch implementation of Radio Transformer Networks from the paper “An Introduction to Deep Learning for the Physical Layer”. arxiv.org/abs/1702.00832
    150. 1000- honk: PyTorch reimplementation of Google’s TensorFlow CNNs for keyword spotting.
    151. 1000- DeepCORAL: A PyTorch implementation of ‘Deep CORAL: Correlation Alignment for Deep Domain Adaptation.’, ECCV 2016
    152. 1000- pytorch-pose: PyTorch工具包,用于2D人体姿态估计。
    153. 1000- lang-emerge-parlai: Implementation of EMNLP 2017 Paper “Natural Language Does Not Emerge ‘Naturally’ in Multi-Agent Dialog” using PyTorch and ParlAI
    154. 1000- Rainbow: Rainbow: Combining Improvements in Deep Reinforcement Learning
    155. 1000- pytorch_compact_bilinear_pooling v1: This repository has a pure Python implementation of Compact Bilinear Pooling and Count Sketch for PyTorch.
    156. 1000- CompactBilinearPooling-Pytorch v2: (Yang Gao, et al.) A Pytorch Implementation for Compact Bilinear Pooling.
    157. 1000- FewShotLearning: Pytorch implementation of the paper “Optimization as a Model for Few-Shot Learning”
    158. 1000- meProp: Codes for “meProp: Sparsified Back Propagation for Accelerated Deep Learning with Reduced Overfitting”.
    159. 1000- SFD_pytorch: 单镜头尺度不变人脸检测器。
    160. 1000- GradientEpisodicMemory: Continuum Learning with GEM: Gradient Episodic Memory. https://arxiv.org/abs/1706.08840
    161. 1500+ DeblurGAN: Pytorch implementation of the paper DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks.
    162. 4400+ StarGAN: StarGAN: 多领域图像转换 GAN 网络,https://arxiv.org/abs/1711.09020 。
    163. 1000- CapsNet-pytorch: PyTorch 实现 NIPS 2017 论文 “胶囊间的动态路由”。
    164. 1000- CondenseNet: CondenseNet: 面向移动设备的轻量级 CNN。
    165. 5600+ deep-image-prior: 基于神经网络的图像修复,无学习过程。
    166. 1000- deep-head-pose: 使用PyTorch进行深度学习头部姿势估计。
    167. 1000- Random-Erasing: 论文代码,论文:“随机擦除数据增强”。
    168. 1000- FaderNetworks: Fader Networks: 通过滑动属性重构图像 - NIPS 2017,https://arxiv.org/pdf/1706.00409.pdf 。
    169. 1700+ FlowNet 2.0: FlowNet 2.0: 深度网络中光流估计的演化。
    170. 4300+ pix2pixHD: 利用条件 GANs 合成和处理 HD 高清图像的 PyTorch 实现,https://arxiv.org/pdf/1711.11585.pdf。
    171. 1000- pytorch-smoothgrad: SmoothGrad通过增加噪声来去除噪声。
    172. 1000- RetinaNet: RetinaNe实现。
    173. 4800+ faster-rcnn.pytorch: This project is a faster faster R-CNN implementation, aimed to accelerating the training of faster R-CNN object detection models.
    174. 1000- mixup_pytorch: A PyTorch implementation of the paper Mixup: Beyond Empirical Risk Minimization in PyTorch.
    175. 1000- inplace_abn: In-Place Activated BatchNorm for Memory-Optimized Training of DNNs
    176. 1000- pytorch-pose-hg-3d: PyTorch implementation for 3D human pose estimation
    177. 1000- nmn-pytorch: Neural Module Network for VQA in Pytorch.
    178. 1000- bytenet: Pytorch implementation of bytenet from “Neural Machine Translation in Linear Time” paper
    179. 1000- bottom-up-attention-vqa: vqa, bottom-up-attention, pytorch
    180. 1000- yolo2-pytorch: The YOLOv2 is one of the most popular one-stage object detector. This project adopts PyTorch as the developing framework to increase productivity, and utilize ONNX to convert models into Caffe 2 to benifit engineering deployment.
    181. 1000- reseg-pytorch: PyTorch 实现ReSeg。 (https://arxiv.org/pdf/1511.07053.pdf)
    182. 1000- binary-stochastic-neurons: Binary Stochastic Neurons in PyTorch.
    183. 1000- pytorch-pose-estimation: PyTorch Implementation of Realtime Multi-Person Pose Estimation project.
    184. 1000- interaction_network_pytorch: Pytorch Implementation of Interaction Networks for Learning about Objects, Relations and Physics.
    185. 1000- NoisyNaturalGradient: Pytorch Implementation of paper “Noisy Natural Gradient as Variational Inference”.
    186. 1000- ewc.pytorch: An implementation of Elastic Weight Consolidation (EWC), proposed in James Kirkpatrick et al. Overcoming catastrophic forgetting in neural networks 2016(10.1073/pnas.1611835114).
    187. 1000- pytorch-zssr: PyTorch implementation of 1712.06087 “Zero-Shot” Super-Resolution using Deep Internal Learning
    188. 1000- deep_image_prior: 基于未训练神经网络的图像重建算法实现。算法:Deep Image Prior
    189. 1000- pytorch-transformer: PyTorch实现论文Attention Is All You Need
    190. 1000- DeepRL-Grounding: PyTorch实现AAAI-18论文Gated-Attention Architectures for Task-Oriented Language Grounding
    191. 1000- deep-forecast-pytorch: 使用LSTMs进行风速预测,论文:Deep Forecast: Deep Learning-based Spatio-Temporal Forecasting
    192. 1000- cat-net: 正则外观变换(Canonical Appearance Transformations
    193. 1000- minimal_glo: Minimal PyTorch implementation of Generative Latent Optimization from the paper “Optimizing the Latent Space of Generative Networks”
    194. 1000- LearningToCompare-Pytorch: Pytorch Implementation for Paper: Learning to Compare: Relation Network for Few-Shot Learning.
    195. 1200+ poincare-embeddings: PyTorch implementation of the NIPS-17 paper “Poincaré Embeddings for Learning Hierarchical Representations”.
    196. null pytorch-trpo(Hessian-vector product version): This is a PyTorch implementation of “Trust Region Policy Optimization (TRPO)” with exact Hessian-vector product instead of finite differences approximation.
    197. 1000- ggnn.pytorch: A PyTorch Implementation of Gated Graph Sequence Neural Networks (GGNN).
    198. 1000- visual-interaction-networks-pytorch: This’s an implementation of deepmind Visual Interaction Networks paper using pytorch
    199. 1000- adversarial-patch: PyTorch实现对抗补丁。
    200. 1000- Prototypical-Networks-for-Few-shot-Learning-PyTorch: Implementation of Prototypical Networks for Few Shot Learning (arxiv.org/abs/1703.05175) in Pytorch
    201. 1000- Visual-Feature-Attribution-Using-Wasserstein-GANs-Pytorch: Implementation of Visual Feature Attribution using Wasserstein GANs (arxiv.org/abs/1711.08998) in PyTorch.
    202. 1000- PhotographicImageSynthesiswithCascadedRefinementNetworks-Pytorch: 用级联优化网络生成照片级图像,https://arxiv.org/abs/1707.09405 。
    203. 2100+ ENAS-pytorch: PyTorch实现"基于参数共享的高效神经网络结构搜索"。
    204. 1000- Neural-IMage-Assessment: 神经图片评估,https://arxiv.org/abs/1709.05424 。
    205. 1000- proxprop: 近端回传(Proximal Backpropagation) - 隐式梯度代替显式梯度的神经网络训练算法。
    206. 10100+ FastPhotoStyle: 照片级逼真的图像风格化的一个封闭解。
    207. 1000- Deep-Image-Analogy-PyTorch: 基于PyTorch的深度图像模拟的Python实现。
    208. 1800+ Person-reID_pytorch: 行人再识别Person-reID的PyTorch实现。
    209. 1000- pt-dilate-rnn: 空洞递归神经网络(Dilated RNNs)。
    210. 1000- pytorch-i-revnet: Pytorch实现i-RevNets。
    211. 1000- OrthNet: TensorFlow、PyTorch和Numpy层生成正交多项式。
    212. 1000- DRRN-pytorch: “超分辨率的深递归残差网络(DRRN)”, CVPR 2017
    213. 1000- shampoo.pytorch: Shampoo算法实现。
    214. 1000- Neural-IMage-Assessment 2: 神经图片评估,https://arxiv.org/abs/1709.05424 。
    215. 2100+ TCN: Sequence modeling benchmarks and temporal convolutional networks locuslab/TCN
    216. 1000- DCC: This repository contains the source code and data for reproducing results of Deep Continuous Clustering paper.
    217. 1000- packnet: Code for PackNet: Adding Multiple Tasks to a Single Network by Iterative Pruning arxiv.org/abs/1711.05769
    218. 1000- PyTorch-progressive_growing_of_gans: PyTorch implementation of Progressive Growing of GANs for Improved Quality, Stability, and Variation.
    219. 1000- nonauto-nmt: PyTorch Implementation of “Non-Autoregressive Neural Machine Translation”
    220. 5500+ PyTorch-GAN: PyTorch implementations of Generative Adversarial Networks.
    221. 1000- PyTorchWavelets: PyTorch implementation of the wavelet analysis found in Torrence and Compo (1998)
    222. 1000- pytorch-made: MADE (Masked Autoencoder Density Estimation) implementation in PyTorch
    223. 1000- VRNN: Pytorch implementation of the Variational RNN (VRNN), from A Recurrent Latent Variable Model for Sequential Data.
    224. 1000- flow: Pytorch implementation of ICLR 2018 paper Deep Learning for Physical Processes: Integrating Prior Scientific Knowledge.
    225. 1200+ deepvoice3_pytorch: PyTorch实现基于卷积神经网络的语音合成模型。
    226. 1000- psmm: imlementation of the the Pointer Sentinel Mixture Model, as described in the paper by Stephen Merity et al.
    227. 1400+ tacotron2: Tacotron 2 - PyTorch implementation with faster-than-realtime inference.
    228. 1000- AccSGD: Implements pytorch code for the Accelerated SGD algorithm.
    229. 1000- QANet-pytorch: an implementation of QANet with PyTorch (EM/F1 = 70.5/77.2 after 20 epoches for about 20 hours on one 1080Ti card.)
    230. 1000- ConvE: Convolutional 2D Knowledge Graph Embeddings
    231. 1000- Structured-Self-Attention: Implementation for the paper A Structured Self-Attentive Sentence Embedding, which is published in ICLR 2017: arxiv.org/abs/1703.03130 .
    232. 1000- graphsage-simple: Simple reference implementation of GraphSAGE.
    233. 2600+ Detectron.pytorch: A pytorch implementation of Detectron. Both training from scratch and inferring directly from pretrained Detectron weights are available.
    234. 1000- R2Plus1D-PyTorch: PyTorch implementation of the R2Plus1D convolution based ResNet architecture described in the paper “A Closer Look at Spatiotemporal Convolutions for Action Recognition”
    235. 1000- StackNN: A PyTorch implementation of differentiable stacks for use in neural networks.
    236. 1000- translagent: Code for Emergent Translation in Multi-Agent Communication.
    237. 1000- ban-vqa: Bilinear attention networks for visual question answering.
    238. 1100+ pytorch-openai-transformer-lm: This is a PyTorch implementation of the TensorFlow code provided with OpenAI’s paper “Improving Language Understanding by Generative Pre-Training” by Alec Radford, Karthik Narasimhan, Tim Salimans and Ilya Sutskever.
    239. 1000- T2F: 使用深度学习进行Text-to-Face生成。该项目结合了StackGANProGAN,这两个模型可以基于文字描述合成人脸。
    240. 1000- pytorch - fid: A Port of Fréchet Inception Distance (FID score) to PyTorch
    241. 1000- vae_vpflows:Code in PyTorch for the convex combination linear IAF and the Householder Flow, J.M. Tomczak & M. Welling jmtomczak.github.io/deebmed.html
    242. 1000- CoordConv-pytorch: Pytorch implementation of CoordConv introduced in ‘An intriguing failing of convolutional neural networks and the CoordConv solution’ paper. (arxiv.org/pdf/1807.03247.pdf)
    243. 1000- SDPoint: Implementation of “Stochastic Downsampling for Cost-Adjustable Inference and Improved Regularization in Convolutional Networks”, published in CVPR 2018.
    244. 1000- SRDenseNet-pytorch: 极深网络,SRDenseNet-pytorch,论文:基于密集跳跃连接的图像超分辨率(ICCV_2017)
    245. 1000- GAN_stability: Code for paper “Which Training Methods for GANs do actually Converge? (ICML 2018)”
    246. 1000- Mask-RCNN: A PyTorch implementation of the architecture of Mask RCNN, serves as an introduction to working with PyTorch
    247. 1000- pytorch-coviar: Compressed Video Action Recognition
    248. 1000- PNASNet.pytorch: PyTorch implementation of PNASNet-5 on ImageNet.
    249. 1000- NALU-pytorch: Basic pytorch implementation of NAC/NALU from Neural Arithmetic Logic Units arxiv.org/pdf/1808.00508.pdf
    250. 1000- LOLA_DiCE: Pytorch 使用DiCE实现LOLA
    251. 1000- generative-query-network-pytorch: Generative Query Network (GQN) in PyTorch as described in “Neural Scene Representation and Rendering”
    252. 1000- pytorch_hmax: 在PyTorch中实现HMAX(Hierarchical Model and X)视觉模型。
    253. 1000- FCN-pytorch-easiest: trying to be the most easiest and just get-to-use pytorch implementation of FCN (Fully Convolotional Networks)
    254. 1000- transducer: A Fast Sequence Transducer Implementation with PyTorch Bindings.
    255. 1000- AVO-pytorch: Implementation of Adversarial Variational Optimization in PyTorch.
    256. 1000- HCN-pytorch: A pytorch reimplementation of { Co-occurrence Feature Learning from Skeleton Data for Action Recognition and Detection with Hierarchical Aggregation }.
    257. 1000- binary-wide-resnet: PyTorch implementation of Wide Residual Networks with 1-bit weights by McDonnel (ICLR 2018)
    258. 1000- piggyback: Code for Piggyback: Adapting a Single Network to Multiple Tasks by Learning to Mask Weights arxiv.org/abs/1801.06519
    259. 7100+ vid2vid: Pytorch implementation of our method for high-resolution (e.g. 2048x1024) photorealistic video-to-video translation.
    260. 1000- poisson-convolution-sum: Implements an infinite sum of poisson-weighted convolutions
    261. 1000- tbd-nets: PyTorch implementation of “Transparency by Design: Closing the Gap Between Performance and Interpretability in Visual Reasoning” arxiv.org/abs/1803.05268
    262. 1000- attn2d: Pervasive Attention: 2D Convolutional Networks for Sequence-to-Sequence Prediction
    263. 3500+ yolov3: YOLOv3: 训练和推断,https://www.ultralytics.com 。
    264. 1000- deep-dream-in-pytorch: Pytorch implementation of the DeepDream computer vision algorithm.
    265. 1000- pytorch-flows: PyTorch implementations of algorithms for density estimation
    266. 1000- quantile-regression-dqn-pytorch: Quantile Regression DQN a Minimal Working Example
    267. 1000- relational-rnn-pytorch: An implementation of DeepMind’s Relational Recurrent Neural Networks in PyTorch.
    268. 1000- DEXTR-PyTorch: 深度极端切割,http://www.vision.ee.ethz.ch/~cvlsegmentation/dextr 。
    269. 1000- PyTorch_GBW_LM: PyTorch Language Model for Google Billion Word Dataset.
    270. 1000- Pytorch-NCE: The Noise Contrastive Estimation for softmax output written in Pytorch
    271. 1000- generative-models: Annotated, understandable, and visually interpretable PyTorch implementations of: VAE, BIRVAE, NSGAN, MMGAN, WGAN, WGANGP, LSGAN, DRAGAN, BEGAN, RaGAN, InfoGAN, fGAN, FisherGAN.
    272. 1000- convnet-aig: PyTorch implementation for Convolutional Networks with Adaptive Inference Graphs.
    273. 1000- integrated-gradient-pytorch: This is the pytorch implementation of the paper - Axiomatic Attribution for Deep Networks.
    274. 1000- MalConv-Pytorch: Pytorch implementation of MalConv.
    275. 1000- trellisnet: Trellis Networks for Sequence Modeling
    276. 1000- Learning to Communicate with Deep Multi-Agent Reinforcement Learning: pytorch implementation of Learning to Communicate with Deep Multi-Agent Reinforcement Learning paper.
    277. 1000- pnn.pytorch: PyTorch implementation of CVPR’18 - Perturbative Neural Networks http://xujuefei.com/pnn.html.
    278. 1000- Face_Attention_Network: Pytorch implementation of face attention network as described in Face Attention Network: An Effective Face Detector for the Occluded Faces.
    279. 1300+ waveglow: 基于流的语音合成生成网络。
    280. 1000- deepfloat: This repository contains the SystemVerilog RTL, C++, HLS (Intel FPGA OpenCL to wrap RTL code) and Python needed to reproduce the numerical results in “Rethinking floating point for deep learning”
    281. 1000- EPSR: Pytorch implementation of Analyzing Perception-Distortion Tradeoff using Enhanced Perceptual Super-resolution Network. This work has won the first place in PIRM2018-SR competition (region 1) held as part of the ECCV 2018.
    282. 1000- ClariNet: Pytorch实现ClariNet
    283. 22500+ pytorch-pretrained-BERT: PyTorch version of Google AI’s BERT model with script to load Google’s pre-trained models
    284. 1000- torch_waveglow: PyTorch实现WaveGlow: 基于流的语音合成生成网络。
    285. 2300+ 3DDFA: The pytorch improved re-implementation of TPAMI 2017 paper: Face Alignment in Full Pose Range: A 3D Total Solution.
    286. 1100+ loss-landscape: loss-landscape Code for visualizing the loss landscape of neural nets.
    287. 1000- famos:(非)参数图像风格化马赛克的对抗性框架。论文:http://arxiv.org/abs/1811.09236 。
    288. 1000- back2future.pytorch: This is a Pytorch implementation of
      Janai, J., Güney, F., Ranjan, A., Black, M. and Geiger, A., Unsupervised Learning of Multi-Frame Optical Flow with Occlusions. ECCV 2018.
    289. 1000- FFTNet: Unofficial Implementation of FFTNet vocode paper.
    290. 1000- FaceBoxes.PyTorch: PyTorch实现FaceBoxes
    291. 2300+ Transformer-XL: Transformer-XL: Attentive Language Models Beyond a Fixed-Length Contexthttps://github.com/kimiyoung/transformer-xl
    292. 1000- associative_compression_networks: Associative Compression Networks for Representation Learning.
    293. 1000- fluidnet_cxx: FluidNet re-written with ATen tensor lib.
    294. 2100+ Deep-Reinforcement-Learning-Algorithms-with-PyTorch: This repository contains PyTorch implementations of deep reinforcement learning algorithms.
    295. 1000- Shufflenet-v2-Pytorch: This is a Pytorch implementation of faceplusplus’s ShuffleNet-v2.
    296. 1000- GraphWaveletNeuralNetwork: This is a Pytorch implementation of Graph Wavelet Neural Network. ICLR 2019.
    297. 1000- AttentionWalk: This is a Pytorch implementation of Watch Your Step: Learning Node Embeddings via Graph Attention. NIPS 2018.
    298. 1000- SGCN: This is a Pytorch implementation of Signed Graph Convolutional Network. ICDM 2018.
    299. 1000- SINE: This is a Pytorch implementation of SINE: Scalable Incomplete Network Embedding. ICDM 2018.
    300. 1000- GAM: This is a Pytorch implementation of Graph Classification using Structural Attention. KDD 2018.
    301. 1000- neural-style-pt: PyTorch 实现 Justin Johnson 的神经风格算法。论文:A Neural Algorithm of Artistic Style
    302. 1000- TuckER: TuckER: Tensor Factorization for Knowledge Graph Completion.
    303. 1000- pytorch-prunes: Pruning neural networks: is it time to nip it in the bud?
    304. 1000- SimGNN: SimGNN: 一个快速图形相似度计算的神经网络方法。论文:A Neural Network Approach to Fast Graph Similarity Computation.
    305. 1000- Character CNN: PyTorch implementation of the Character-level Convolutional Networks for Text Classification paper.
    306. 1900+ XLM: PyTorch original implementation of Cross-lingual Language Model Pretraining.
    307. 1000- DiffAI: A provable defense against adversarial examples and library for building compatible PyTorch models.
    308. 1000- APPNP: Combining Neural Networks with Personalized PageRank for Classification on Graphs. ICLR 2019.
    309. 1000- NGCN: A Higher-Order Graph Convolutional Layer. NeurIPS 2018.
    310. 1000- gpt-2-Pytorch: Simple Text-Generator with OpenAI gpt-2 Pytorch Implementation
    311. 1000- Splitter: Splitter: Learning Node Representations that Capture Multiple Social Contexts. (WWW 2019).
    312. 1000- CapsGNN: 胶囊图神经网络,Capsule Graph Neural Network
    313. 1700+ BigGAN-PyTorch: PyTorch实现BigGAN(非官方)。
    314. 1000- ppo_pytorch_cpp: 近端策略优化算法的C++ API。
    315. 1000- RandWireNN: 基于随机连接神经网络性能的图像识别。
    316. 1000- Zero-shot Intent CapsNet: GPU-accelerated PyTorch implementation of “Zero-shot User Intent Detection via Capsule Neural Networks”.
    317. 1000- SEAL-CI 半监督图分类:层次图视角,Semi-Supervised Graph Classification: A Hierarchical Graph Perspective. (WWW 2019)。
    318. 1000- MixHop: MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing. ICML 2019.
    319. 1000- densebody_pytorch: PyTorch implementation of CloudWalk’s recent paper DenseBody.
    320. 1000- voicefilter: Unofficial PyTorch implementation of Google AI’s VoiceFilter system http://swpark.me/voicefilter.
    321. 1000- NVIDIA/semantic-segmentation: PyTorch实现“利用视频传播和标签松弛改进语义分割”。论文:Improving Semantic Segmentation via Video Propagation and Label Relaxation, In CVPR2019.
    322. 1000- ClusterGCN: A PyTorch implementation of “Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks” (KDD 2019).
    323. 1000- NVlabs/DG-Net: A PyTorch implementation of “Joint Discriminative and Generative Learning for Person Re-identification” (CVPR19 Oral).
    324. 1000- NCRF: 基于神经网络条件随机场(NCRF)的肿瘤转移检测,相关论文:https://openreview.net/forum?id=S1aY66iiM。
    325. 1000- pytorch-sift: PyTorch实现SIFT(尺度不变特征变换匹配算法,Scale Invariant Feature Transform)描述子。
    326. 1000- brain-segmentation-pytorch: 深度学习分割网络U-Net的PyTorch模型实现,用于脑核磁共振中FLAIR异常的分割。
    327. 1000- glow-pytorch: PyTorch 实现 “Glow, Generative Flow with Invertible 1x1 Convolutions”。
    328. 1000- EfficientNets-PyTorch: PyTorch实现EfficientNet: 卷积神经网络模型尺度的再思考。
    329. 1000- STEAL: STEAL - 从噪声标注中学习语义边界,https://nv-tlabs.github.io/STEAL/ 。
    330. 1000- EigenDamage-Pytorch: 官方实现 ICML’19 论文 “特征损伤:克罗内克分解特征基中的结构剪枝”。
    331. 1000- Aspect-level-sentiment: 论文代码和数据集,ACL2018论文:“利用文档知识进行体层情感分类”。
    332. 1000- breast_cancer_classifier: 深层神经网络提高放射科医生乳腺癌筛查的效果,https://arxiv.org/abs/1903.08297 。
    333. 1000- DGC-Net: PyTorch实现"DGC-Net: 密集几何对应网络".
    334. 1000- universal-triggers: Universal Adversarial Triggers for Attacking and Analyzing NLP (EMNLP 2019)
    335. 2100+ Deep-Reinforcement-Learning-Algorithms-with-PyTorch: PyTorch implementations of deep reinforcement learning algorithms and environments.
    336. 1000- simple-effective-text-matching-pytorch: A pytorch implementation of the ACL2019 paper “Simple and Effective Text Matching with Richer Alignment Features”.
    337. null Adaptive-segmentation-mask-attack (ASMA): A pytorch implementation of the MICCAI2019 paper “Impact of Adversarial Examples on Deep Learning Models for Biomedical Image Segmentation”.
    338. 1000- NVIDIA/unsupervised-video-interpolation: A PyTorch Implementation of Unsupervised Video Interpolation Using Cycle Consistency, In ICCV 2019.

    Talks & conferences|报告 & 会议

    1. PyTorch Conference 2018: 2018年首届PyTorch开发者大会。

    Pytorch elsewhere | Pytorch相关

    1. 4500+ the-incredible-pytorch**: 不可思议的Pythorch:一份PyTorch相关的教程、论文、项目、社区等的清单。
    2. 5800+ generative models: 各种生成模型,例如基于Pytorch和Tensorflow的GAN、VAE。 http://wiseodd.github.io
    3. pytorch vs tensorflow: Reddit上的PyTorch和TensorFlow的比较文章。
    4. Pytorch discussion forum: PyTorch论坛。
    5. null pytorch notebook: docker-stack: 类似于 Jupyter Notebook Scientific Python Stack
    6. 1000- drawlikebobross: 使用神经网络作画!
    7. 1000- pytorch-tvmisc: 该仓库收集了作者用PyTorch实现的各种玩意儿。
    8. 1000- pytorch-a3c-mujoco: 该项目旨在解决Mujoco中的控制问题,高度基于pytorch-a3c。
    9. PyTorch in 5 Minutes.
    10. 1000- pytorch_chatbot: 用PyTorch实现的聊天机器人。
    11. 1000- malmo-challenge: Malmo协作人工智能挑战-Pig Catcher团队。
    12. 1000- sketchnet: 指导计算机作画。http://www.jtoy.net/projects/sketchnet/
    13. 1200+ Deep-Learning-Boot-Camp: 非盈利社区运营的5天深度学习训练营。 http://deep-ml.com.
    14. 1000- Amazon_Forest_Computer_Vision: 亚马逊森林计算机视觉:使用PyTorch标记卫星图像标记/Keras中的PyTorch技巧。
    15. 1900+ AlphaZero_Gomoku: 用AlphaZero算法玩五子棋。
    16. null pytorch-cv: null.
    17. 1900+ deep-person-reid: Pytorch实现深度学习行人重新识别方法。
    18. 1500+ pytorch-template: PyTorch深度学习模版。
    19. 1000- Deep Learning With Pytorch: 随书代码《Deep Learning With Pytorch TextBook》 PyTorch实用指南:使用PyTorch建立文本和视觉神经网络模型。亚马逊中国电子版
    20. 1000- compare-tensorflow-pytorch: 比较用Tensorflow编写的层和用Pytorch编写的层之间的输出。
    21. 1000- hasktorch: Haskell中的张量与神经网络。
    22. Deep Learning With Pytorch Deep Learning with PyTorch 教你如何用Python和PyTorch实现深度学习算法。
    23. 1000- nimtorch: PyTorch - Python + Nim,PyTorch的Nim前端。
    24. 1000- derplearning: 自动驾驶遥控车代码。
    25. 1000- pytorch-saltnet: Kaggle | TGS Salt Identification Challenge 第9名解决方案。
    26. 1000- pytorch-scripts: 一些脚本,使在Windows上使用PyTorch更加容易。
    27. 1000- pytorch_misc: 为PyTorch讨论板创建的代码片段。
    28. 1000- awesome-pytorch-scholarship: 收集了一系列优秀的PyTorch学术文章、指南、博客、课程和其他资源。
    29. 1000- MentisOculi: PyTorch版raytracer。(raynet?)
    30. 2400+ DoodleMaster: “画出UI!”(“Don’t code your UI, Draw it !”)
    31. 1000- ocaml-torch: ocaml-torch为PyTorch张量库提供一些ocaml绑定。
    32. 1000- extension-script: TorchScript自定义C++/CUDA运算符的示例。
    33. 1000- pytorch-inference: Windows10 平台上 Pytorch 1.0在 C++ 中的推断。
    34. 1000- pytorch-cpp-inference: 包含使用PyTorch C++ API执行推断的各种示例。
    35. 1000- tch-rs: PyTorch的Rust绑定。
    36. 1000- TorchSharp: Pytorch引擎的.NET绑定。
    37. 1000- ML Workspace: 面向机器学习和数据科学的一体化Web IDE。包含Jupyter, VS Code, PyTorch 和许多其他工具或库,这些都集合在一个Docker映像中。
    38. 1000- PyTorch Style Guide Style guide for PyTorch code. Consistent and good code style helps collaboration and prevents errors!
    展开全文
  • RestFul资源架构设计详解

    万次阅读 2021-12-11 16:17:25
    要理解RESTful架构,需要理解...下面我们结合REST原则,围绕资源展开讨论,从资源的定义、获取、表述、关联、状态变迁等角度,列举一些关键概念并加以解释。 资源与URI 统一资源接口 资源的表述 资源的链接 状态的转移


    前言

    REST全称是Representational State Transfer,中文意思是表述(编者注:通常译为表征)性状态转移。 它首次出现在2000年Roy Fielding的博士论文中,Roy Fielding是HTTP规范的主要编写者之一。 他在论文中提到:“我这篇文章的写作目的,就是想在符合架构原理的前提下,理解和评估以网络为基础的应用软件的架构设计,得到一个功能强、性能好、适宜通信的架构。REST指的是一组架构约束条件和原则。” 如果一个架构符合REST的约束条件和原则,我们就称它为RESTful架构。

    REST本身并没有创造新的技术、组件或服务,而隐藏在RESTful背后的理念就是使用Web的现有特征和能力, 更好地使用现有Web标准中的一些准则和约束。虽然REST本身受Web技术的影响很深, 但是理论上REST架构风格并不是绑定在HTTP上,只不过目前HTTP是唯一与REST相关的实例。 所以我们这里描述的REST也是通过HTTP实现的REST。

    要理解RESTful架构,需要理解Representational State Transfer这个词组到底是什么意思,它的每一个词都有些什么涵义。

    下面我们结合REST原则,围绕资源展开讨论,从资源的定义、获取、表述、关联、状态变迁等角度,列举一些关键概念并加以解释。

    • 资源与URI
    • 统一资源接口
    • 资源的表述
    • 资源的链接
    • 状态的转移

    一、资源与URI

    REST全称是表述性状态转移,那究竟指的是什么的表述? 其实指的就是资源。任何事物,只要有被引用到的必要,它就是一个资源。资源可以是实体(例如手机号码),也可以只是一个抽象概念(例如价值) 。下面是一些资源的例子:

    • 某用户的手机号码
    • 某用户的个人信息
    • 最多用户订购的GPRS套餐
    • 两个产品之间的依赖关系
    • 某用户可以办理的优惠套餐
    • 某手机号码的潜在价值

    要让一个资源可以被识别,需要有个唯一标识,在Web中这个唯一标识就是URI(Uniform Resource Identifier)。

    URI既可以看成是资源的地址,也可以看成是资源的名称。如果某些信息没有使用URI来表示,那它就不能算是一个资源, 只能算是资源的一些信息而已。URI的设计应该遵循可寻址性原则,具有自描述性,需要在形式上给人以直觉上的关联。这里以github网站为例,给出一些还算不错的URI:

    • https://github.com/git
    • https://github.com/git/git
    • https://github.com/git/git/blob/master/block-sha1/sha1.h
    • https://github.com/git/git/commit/e3af72cdafab5993d18fae056f87e1d675913d08
    • https://github.com/git/git/pulls
    • https://github.com/git/git/pulls?state=closed
    • https://github.com/git/git/compare/master…next

    下面让我们来看看URI设计上的一些技巧:

    • 使用_或-来让URI可读性更好
      曾经Web上的URI都是冰冷的数字或者无意义的字符串,但现在越来越多的网站使用_或-来分隔一些单词,让URI看上去更为人性化。 例如国内比较出名的开源中国社区,它上面的新闻地址就采用这种风格, 如http://www.oschina.net/news/38119/oschina-translate-reward-plan。

    • 使用/来表示资源的层级关系
      例如上述/git/git/commit/e3af72cdafab5993d18fae056f87e1d675913d08就表示了一个多级的资源, 指的是git用户的git项目的某次提交记录,又例如/orders/2012/10可以用来表示2012年10月的订单记录。

    • 使用?用来过滤资源
      很多人只是把?简单的当做是参数的传递,很容易造成URI过于复杂、难以理解。可以把?用于对资源的过滤, 例如/git/git/pulls用来表示git项目的所有推入请求,而/pulls?state=closed用来表示git项目中已经关闭的推入请求, 这种URL通常对应的是一些特定条件的查询结果或算法运算结果。

    • ,或;可以用来表示同级资源的关系
      有时候我们需要表示同级资源的关系时,可以使用,或;来进行分割。例如哪天github可以比较某个文件在随意两次提交记录之间的差异,或许可以使用/git/git /block-sha1/sha1.h/compare/e3af72cdafab5993d18fae056f87e1d675913d08;bd63e61bdf38e872d5215c07b264dcc16e4febca作为URI。 不过,现在github是使用…来做这个事情的,例如/git/git/compare/master…next。


    二、统一资源接口

    RESTful架构应该遵循统一接口原则,统一接口包含了一组受限的预定义的操作,不论什么样的资源,都是通过使用相同的接口进行资源的访问。接口应该使用标准的HTTP方法如GET,PUT和POST,并遵循这些方法的语义。

    如果按照HTTP方法的语义来暴露资源,那么接口将会拥有安全性和幂等性的特性,例如GET和HEAD请求都是安全的, 无论请求多少次,都不会改变服务器状态。而GET、HEAD、PUT和DELETE请求都是幂等的,无论对资源操作多少次, 结果总是一样的,后面的请求并不会产生比第一次更多的影响。

    在这里插入图片描述

    1、GET

    • 安全且幂等
    • 获取表示
    • 变更时获取表示(缓存)
    • 200(OK) - 表示已在响应中发出
    • 204(无内容) - 资源有空表示
    • 301(Moved Permanently) - 资源的URI已被更新
    • 303(See Other) - 其他(如,负载均衡)
    • 304(not modified)- 资源未更改(缓存)
    • 400 (bad request)- 指代坏请求(如,参数错误)
    • 404 (not found)- 资源不存在
    • 406 (not acceptable)- 服务端不支持所需表示
    • 500 (internal server error)- 通用错误响应
    • 503 (Service Unavailable)- 服务端当前无法处理请求

    2、POST

    • 不安全且不幂等
    • 使用服务端管理的(自动产生)的实例号创建资源
    • 创建子资源
    • 部分更新资源
    • 如果没有被修改,则不过更新资源(乐观锁)
    • 200(OK)- 如果现有资源已被更改
    • 201(created)- 如果新资源被创建
    • 202(accepted)- 已接受处理请求但尚未完成(异步处理)
    • 301(Moved Permanently)- 资源的URI被更新
    • 303(See Other)- 其他(如,负载均衡)
    • 400(bad request)- 指代坏请求
    • 404 (not found)- 资源不存在
    • 406 (not acceptable)- 服务端不支持所需表示
    • 409 (conflict)- 通用冲突
    • 412 (Precondition Failed)- 前置条件失败(如执行条件更新时的冲突)
    • 415 (unsupported media type)- 接受到的表示不受支持
    • 500 (internal server error)- 通用错误响应
    • 503 (Service Unavailable)- 服务当前无法处理请求

    3、PUT

    • 不安全但幂等
    • 用客户端管理的实例号创建一个资源
    • 通过替换的方式更新资源
    • 如果未被修改,则更新资源(乐观锁)
    • 200 (OK)- 如果已存在资源被更改
    • 201 (created)- 如果新资源被创建
    • 301(Moved Permanently)- 资源的URI已更改
    • 303 (See Other)- 其他(如,负载均衡)
    • 400 (bad request)- 指代坏请求
    • 404 (not found)- 资源不存在
    • 406 (not acceptable)- 服务端不支持所需表示
    • 409 (conflict)- 通用冲突
    • 412 (Precondition Failed)- 前置条件失败(如执行条件更新时的冲突)
    • 415 (unsupported media type)- 接受到的表示不受支持
    • 500 (internal server error)- 通用错误响应
    • 503 (Service Unavailable)- 服务当前无法处理请求

    4、DELETE

    • 不安全但幂等
    • 删除资源
    • 200 (OK)- 资源已被删除
    • 301 (Moved Permanently)- 资源的URI已更改
    • 303 (See Other)- 其他,如负载均衡
    • 400 (bad request)- 指代坏请求
    • 404 (not found)- 资源不存在
    • 409 (conflict)- 通用冲突
    • 500 (internal server error)- 通用错误响应
    • 503 (Service Unavailable)- 服务端当前无法处理请求

    三、资源的表述

    上面提到,客户端通过HTTP方法可以获取资源,是吧? 不,确切的说,客户端获取的只是资源的表述而已。 资源在外界的具体呈现,可以有多种表述(或成为表现、表示)形式,在客户端和服务端之间传送的也是资源的表述,而不是资源本身。 例如文本资源可以采用html、xml、json等格式,图片可以使用PNG或JPG展现出来。

    资源的表述包括数据和描述数据的元数据,例如,HTTP头"Content-Type" 就是这样一个元数据属性。

    那么客户端如何知道服务端提供哪种表述形式呢?

    答案是可以通过HTTP内容协商,客户端可以通过Accept头请求一种特定格式的表述,服务端则通过Content-Type告诉客户端资源的表述形式。

    以github为例,请求某组织资源的json格式的表述形式:
    在这里插入图片描述
    假如github也能够支持xml格式的表述格式,那么结果就是这样的:
    在这里插入图片描述
     下面我们来看一些实践上常见的设计:

    在URI里边带上版本号

    有些API在URI里边带上版本号,例如:

    • http://api.example.com/1.0/foo
    • http://api.example.com/1.2/foo
    • http://api.example.com/2.0/foo

    如果我们把版本号理解成资源的不同表述形式的话,就应该只是用一个URL,并通过Accept头部来区分,还是以github为例,它的Accept的完整格式是:application/vnd.github[.version].param[+json]
    对于v3版本的话,就是Accept: application/vnd.github.v3。对于上面的例子,同理可以使用使用下面的头部:

    • Accept: vnd.example-com.foo+json; version=1.0
    • Accept: vnd.example-com.foo+json; version=1.2
    • Accept: vnd.example-com.foo+json; version=2.0

    使用URI后缀来区分表述格式
    像rails框架,就支持使用/users.xml或/users.json来区分不同的格式。 这样的方式对于客户端来说,无疑是更为直观,但混淆了资源的名称和资源的表述形式。 我个人认为,还是应该优先使用内容协商来区分表述格式。

    如何处理不支持的表述格式
    当服务器不支持所请求的表述格式,那么应该怎么办?若服务器不支持,它应该返回一个HTTP 406响应,表示拒绝处理该请求。下面以github为例,展示了一个请求XML表述资源的结果:

    291732082474844


    四、资源的链接

    我们知道REST是使用标准的HTTP方法来操作资源的,但仅仅因此就理解成带CURD的Web数据库架构就太过于简单了。

    这种反模式忽略了一个核心概念:“超媒体即应用状态引擎(hypermedia as the engine of application state)”。 超媒体是什么?

    当你浏览Web网页时,从一个连接跳到一个页面,再从另一个连接跳到另外一个页面,就是利用了超媒体的概念:把一个个把资源链接起来.

    要达到这个目的,就要求在表述格式里边加入链接来引导客户端。在《RESTful Web Services》一书中,作者把这种具有链接的特性成为连通性。下面我们具体来看一些例子。

    下面展示的是github获取某个组织下的项目列表的请求,可以看到在响应头里边增加Link头告诉客户端怎么访问下一页和最后一页的记录。 而在响应体里边,用url来链接项目所有者和项目地址。
    在这里插入图片描述
    又例如下面这个例子,创建订单后通过链接引导客户端如何去付款。
    在这里插入图片描述
    上面的例子展示了如何使用超媒体来增强资源的连通性。很多人在设计RESTful架构时,使用很多时间来寻找漂亮的URI,而忽略了超媒体。所以,应该多花一些时间来给资源的表述提供链接,而不是专注于"资源的CRUD"。


    五、状态的转移

    有了上面的铺垫,再讨论REST里边的状态转移就会很容易理解了。

    不过,我们先来讨论一下REST原则中的无状态通信原则。初看一下,好像自相矛盾了,既然无状态,何来状态转移一说?

    其实,这里说的无状态通信原则,并不是说客户端应用不能有状态,而是指服务端不应该保存客户端状态。

    1.应用状态与资源状态

    实际上,状态应该区分应用状态和资源状态,客户端负责维护应用状态,而服务端维护资源状态。
    客户端与服务端的交互必须是无状态的,并在每一次请求中包含处理该请求所需的一切信息。
    服务端不需要在请求间保留应用状态,只有在接受到实际请求的时候,服务端才会关注应用状态。
    这种无状态通信原则,使得服务端和中介能够理解独立的请求和响应。
    在多次请求中,同一客户端也不再需要依赖于同一服务器,方便实现高可扩展和高可用性的服务端。
    但有时候我们会做出违反无状态通信原则的设计,例如利用Cookie跟踪某个服务端会话状态,常见的像J2EE里边的JSESSIONID。
    这意味着,浏览器随各次请求发出去的Cookie是被用于构建会话状态的。
    当然,如果Cookie保存的是一些服务器不依赖于会话状态即可验证的信息(比如认证令牌),这样的Cookie也是符合REST原则的。

    2.应用状态的转移

    状态转移到这里已经很好理解了, "会话"状态不是作为资源状态保存在服务端的,而是被客户端作为应用状态进行跟踪的。客户端应用状态在服务端提供的超媒体的指引下发生变迁。服务端通过超媒体告诉客户端当前状态有哪些后续状态可以进入。
    这些类似"下一页"之类的链接起的就是这种推进状态的作用——指引你如何从当前状态进入下一个可能的状态。


    六、常见问题

    1.POST和PUT用于创建资源时有什么区别?

    POST和PUT在创建资源的区别在于,所创建的资源的名称(URI)是否由客户端决定。 例如为我的博文增加一个java的分类,生成的路径就是分类名/categories/java,那么就可以采用PUT方法。不过很多人直接把POST、GET、PUT、DELETE直接对应上CRUD,例如在一个典型的rails实现的RESTful应用中就是这么做的。
    我认为,这是因为rails默认使用服务端生成的ID作为URI的缘故,而不少人就是通过rails实践REST的,所以很容易造成这种误解。

    2.客户端不一定都支持这些HTTP方法吧?

    的确有这种情况,特别是一些比较古老的基于浏览器的客户端,只能支持GET和POST两种方法。
    在实践上,客户端和服务端都可能需要做一些妥协。例如rails框架就支持通过隐藏参数_method=DELETE来传递真实的请求方法, 而像Backbone这样的客户端MVC框架则允许传递_method传输和设置X-HTTP-Method-Override头来规避这个问题。

    3.统一接口是否意味着不能扩展带特殊语义的方法?

    统一接口并不阻止你扩展方法,只要方法对资源的操作有着具体的、可识别的语义即可,并能够保持整个接口的统一性。
    像WebDAV就对HTTP方法进行了扩展,增加了LOCK、UPLOCK等方法。而github的API则支持使用PATCH方法来进行issue的更新,例如:

    PATCH /repos/:owner/:repo/issues/:number
    

    不过,需要注意的是,像PATCH这种不是HTTP标准方法的,服务端需要考虑客户端是否能够支持的问题。

    4.统一资源接口对URI有什么指导意义?

    统一资源接口要求使用标准的HTTP方法对资源进行操作,所以URI只应该来表示资源的名称,而不应该包括资源的操作。
    通俗来说,URI不应该使用动作来描述。例如,下面是一些不符合统一接口要求的URI:

    • GET /getUser/1
    • POST /createUser
    • PUT /updateUser/1
    • DELETE /deleteUser/1

    5.如果GET请求增加计数器,这是否违反安全性?

    安全性不代表请求不产生副作用,例如像很多API开发平台,都对请求流量做限制。像github,就会限制没有认证的请求每小时只能请求60次。
    但客户端不是为了追求副作用而发出这些GET或HEAD请求的,产生副作用是服务端"自作主张"的。
    另外,服务端在设计时,也不应该让副作用太大,因为客户端认为这些请求是不会产生副作用的。

    6.直接忽视缓存可取吗?

    即使你按各个动词的原本意图来使用它们,你仍可以轻易禁止缓存机制。 最简单的做法就是在你的HTTP响应里增加这样一个报头: Cache-control: no-cache。 但是,同时你也对失去了高效的缓存与再验证的支持(使用Etag等机制)。
    对于客户端来说,在为一个REST式服务实现程序客户端时,也应该充分利用现有的缓存机制,以免每次都重新获取表示。

    7.响应代码的处理有必要吗?

    HTTP的响应代码可用于应付不同场合,正确使用这些状态代码意味着客户端与服务器可以在一个具备较丰富语义的层次上进行沟通。
    例如,201(“Created”)响应代码表明已经创建了一个新的资源,其URI在Location响应报头里。
    假如你不利用HTTP状态代码丰富的应用语义,那么你将错失提高重用性、增强互操作性和提升松耦合性的机会。
    如果这些所谓的RESTful应用必须通过响应实体才能给出错误信息,那么SOAP就是这样的了,它就能够满足了。


    结尾

    • 感谢大家的耐心阅读,如有建议请私信或评论留言。
    • 如有收获,劳烦支持,关注、点赞、评论、收藏均可,博主会经常更新,与大家共同进步
    展开全文
  • 24 利用幵放平台建设网站生态

    千次阅读 2021-05-17 14:11:58
    网站的价值在于为他的用户创造价值,淘宝的价值在于为人们创造交易的平台;QQ 的价值在于为人们创造交流的平台;新浪微博的价值在于为人们创造表达自我的平台。 只有用户得到了他们想要的价值,他们才愿意使用网站的...
  • 大数据在人力资源管理当中的应用

    千次阅读 2019-09-10 11:08:56
    文章目录大数据时代数字与人类文明普查与统计学统计学所推动的数据新知统计学之殇:全美流感预测患病人次预测案例大数据时代数据、算法、计算资源摩尔定律OTT式技术创新分布式集群分布式算法执行虚拟化与云计算...
  • 近年来,企业产生的数据量呈指数级增长,信息资源爆炸式激增,其中非结构化的数据信息达到85%左右,传统的信息资源管理技术已经无法应对大数据时代的挑战。Hadoop等大数据技术和其他大数据工具和设备的出现以及...
  • 第五章 信息法与综合信息检索 目录: 5.1 信息法概述 5.1.1 信息法的概念 从广义上讲,信息法是调整信息活动中产生的各种社会关系的法律规范的总称。 一般来说,信息法由信息资源管理法、政府信息公开法、信息...
  • 关于如何查找和利用PCL库学习资源的一些心得

    万次阅读 多人点赞 2018-02-08 11:43:28
    前言学习PCL库的两个月左右时间里,从刚开始的无从下手到慢慢地摸清一些门道,走了很多弯路,也遇到过很多困惑,逐渐有了一些如何查找与利用PCL库学习资源的心得。所以把这些心得记录下来,一是为了给自己以后学习...
  • 过去两年的动荡,几乎考验了人们生活的各个方面,对人类和经济带来了巨大的...它是促进包容的跳板,有助于为更多的人创造高薪工作。而且,这是可持续发展的一个关键因素,有助于为气候转型提供足够的资金。 对于.
  • (单选) 相比于商业资源,创业资源的独特,表现在(D) A. 创业者的个人能力 B. 社会网络资源利用 C. 规范的管理和制度 D. 以上三项都对 (单选) 创业者的个人能力也是创业资源,这说明创业资源既...
  • 循环法 循环法是常用法和追溯法的结合,检索时,先利用检索工具查出一批文献,然后选择出与检索课题针对较强的文献,再按文献后所附的参考文献回溯查找,不断扩大检索线索,分期分段地交替进行,循环下去,直到...
  • Python怎么利用多核cpu

    万次阅读 多人点赞 2018-05-06 14:15:26
    一般计算密集的程序都会用 C 代码编写并通过扩展的方式集成到 Python 脚本里(如 NumPy 模块)。在扩展里就完全可以用 C 创建原生线程,而且不用锁 GIL,充分利用 CPU 的计算资源了。不过,写 Python 扩展总是让人...
  • 人力资源管理系统需求分析说明书

    千次阅读 2021-02-18 16:17:09
    人力资源管理系统 需求分析说明书 组名 : K2 组员 : 罗猛、丘佩茵 2021年1月12日 目录 综述 2 1.1前言 2 1.2项目目的 2 1.3项目背景以及发展趋势 2 任务概述 2 2.1市场定位分析 2 2.2系统设计的特点 2 2.3结构...
  • 1, 无线局域网有哪两种连接模式计算机接入因特网的方式:1、通过公共交换电话网接入互联网。2、通过综合业务数字网接入互联网。3、通过非时称数字用户线接入互联网。4、通过局城网接入互联网。要使用互联网中的资源...
  • REST面向资源架构 RESTful架构详解

    千次阅读 2017-05-25 11:54:36
     REST全称是Representational State Transfer,中文意思是表述(编者注:通常译为表征)状态转移。 它首次出现在2000年Roy Fielding的博士论文中,Roy Fielding是HTTP规范的主要编写者之一。 他在论文中提到:...
  • 这个装置及其背后的想法激励了一些科学家开始认真讨论构建电子大脑的可能。 领域 人工智能 研究成立在 研讨会 上的校园举行 达特茅斯学院  1956年这些谁参加就成为人工智能研究的领导人几十年来在暑假期间。...
  • 信息检索与利用(第三版)第一章

    千次阅读 2020-04-07 15:39:35
    第一章 基础知识 1.1 信息、知识、文献、情报 1. 信息 (1)信息的含义 信息的含义是十分广泛的。世间万物的运动,人间万象的更迭,都离不开信息的作用。...信息是物质存在的一种方式、形态或运动状态,也是事...
  • 全球数据爆发增长,预估到2025年,中国产生的数据将占到全球第一,政务数据也在持续增长中。 政务单位在保障国家秘密、商业秘密和个人隐私的前提下,加强了政务数据共享、加快公共数据开放、深入开展数据开发利用...
  • 1、定义:定义如何估算、获取、管理和利用团队以及实物资源。 2、规划资源管理的工具:数据表现(层级型、责任分配矩阵、文本型) 确保每个工作包都有明确的责任人,确保全体团队成员都清楚的理解其角色和职责。...
  • 比特币基本原理系列

    万次阅读 2019-05-13 18:41:17
    AlphaGo 挑战了机器不可能具有创造性的观念,强迫我们重新思考“创造性”的真正含义。 蒙特卡罗模拟方法的日益普及促进了“伪随机性”的发展(伪随机指的是看似随机,并非真正意义上的随机),因为良好的模拟需要...
  • 在全面分析研判矿产资源管理改革等工作的基础上,梳理形成“十四五”时期全省矿产资源勘查开发工作思路和工作重点并积极推进,其中采矿权出让重点项目4类24宗中已有4宗已办理登记手续。梳理出符合出让条件的勘查成果...
  • 比特币是一种创新的支付系统和全新的数字货币,而区块链则是支撑比特币的底层技术和基础架构。区块链是由若干区块通过哈希指针链接而成的链表,如图1所示:   图1 区块链基本结构 区块的基本结构则如图2所示:...
  • 比特币成功的秘诀在于:用大量的资源消耗和差劲的计算扩展来换取更有价值的东西——社会扩展。 社会扩展是指制度(一种人们可以反复参与,以习俗、规则或者其他方式约束或激励参与者行为为特点的协作关系或...
  • 摘要:本篇文章是【区块链之技术进阶】的第七篇文章,在之前的文章中咱们多多少少提及了共识算法等相关知识,但是却没有具体地更加深入地了解,本文就为大家掰一掰区块链共识机制与分布式一致算法,两者究竟有什么...
  • 文献信息检索与利用尔雅答案

    万次阅读 2020-06-26 10:52:53
    ()答案:× 37【判断题】一项发明创造要获得专利权必须具备新颖性、创造性和实用性。答案:正确 38【判断题】百度是综合性的搜索引擎。()答案:正确 39【判断题】wiki百科全书就是指维基百科全书。答案:× 40【判断...
  • 第一部分,应对不确定 2 还原论的时代与全新的时代 3 从复杂到错综复杂 4 建立有效组织 第二部分:化繁为简 5 建立互信和目标共享的团队 6 突破“深井”,建立关系 第三部分:信息...
  • 病毒营销案例分析

    万次阅读 2018-12-23 17:02:07
    最具创造性的病毒性营销计划利用别人的资源达到自己的目的。例如会员制计划,在别人的网站设立自己的文本或图片链接,提供免费文章的作者,试图确定他们的文章在别人网页上的位置,一则发表的新闻可能被数以百计的...
  • 人力资源管理系统

    千次阅读 2019-06-20 21:48:53
    人力资源管理系统, 通过提高内部员工的满意度、忠诚度,从而提高员工贡献度,即绩效,帮助管理者通过有效组织管理降低成本和加速增长来创造价值链利润。人力资源综合管理解决方案从人力资源管理的角度出发,用集中...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 103,395
精华内容 41,358
关键字:

创造性利用资源的方式