minDiffusion
1.0.0
الهدف من هذا المستودع التعليمي هو توفير تنفيذ قائم بذاته ونماذج للانتشار باستخدام Pytorch.
العديد من تطبيقات نماذج الانتشار يمكن أن تكون ساحقة بعض الشيء. هنا ، superminddpm : تحت 200 سطر من الكود ، يعد تنفيذ DDPM الذي يحتوي على ذاتيا مع Pytorch نقطة انطلاق جيدة لأي شخص يريد أن يبدأ في تقليل نماذج الانتشار ، دون الحاجة إلى قضاء بعض الوقت في التفاصيل.
ببساطة:
$ python superminddpm.py
فوق السيناريو مكتفية ذاتيا. (بالطبع ، تحتاج إلى تثبيت Pytorch و TorchVision.
إذا كنت ترغب في استخدام رمز مزيد من إعادة إعادة تمثيل ، فإن ذلك يعمل على تشغيل مجموعة بيانات CIFAR10:
$ python train_cifar10.py
استغرقت النتيجة أعلاه حوالي ساعتين من التدريب على وحدة معالجة الرسومات 3090 واحدة. يتم إنشاء أعلى 8 صور ، أسفل 8 هي الحقيقة الأرضية.
فيما يلي مثال آخر ، تم تدريبه على 100 عصر (حوالي 1.5 ساعة)
حاليا:
تودوس
