HyperGAN

Readme

Hypergan 1.0

Ein komponierbarer Gan, der für Entwickler, Forscher und Künstler gebaut wurde.

Hypergan befindet sich in der vorveröffentlichten und offenen Beta.

Logos erzeugt mit Beispielen/Colorizer

Weitere Informationen zum Hypergan YouTube finden Sie in

Inhaltsverzeichnis

• Um
• Dokumentation
• Changelog
• Schneller Start
  • Anforderungen
  • Installieren
  • Zug
• API
  • Verwenden eines ausgebildeten Hypergan -Modells
  • Training einen Gan
  • Beispiele
  • Tutorials
• Das PIP -Paket Hypergan
  • Ausbildung
  • Probenahme
  • Zusätzliche Argumente
  • Laufen auf CPU
  • Fehlerbehebung
  • Entwicklungsmodus
• Datensätze
  • Erstellen eines Datensatzes
  • Herunterladbare Datensätze
  • Daten reinigen
• Merkmale
• Showcase
• Sponsoren
• Beitragen
• Versioning
• Zitat

Um

Hypergan baut generative kontroverse Netzwerke in Pytorch auf und erleichtert sie leicht zu trainieren und zu teilen.

Für eine allgemeine Einführung in Gans siehe http://blog.aylien.com/Introduction-generative-adverarial-networks-code-sorflow/

Treten Sie der Gemeinschafts -Zwietracht bei.

Dokumentation

• Gitbook -Dokumentation

Changelog

Sehen Sie hier den vollständigen Changelog: Changelog.md

Schneller Start

Anforderungen

Betriebssystem: Windows, OSX, Linux

Für das Training:

GPU: Nvidia, GTX 1080+ Empfohlen

Installieren

1. Installieren Sie Hypergan für Benutzer: pip3 install hypergan

Für Entwickler: Laden Sie dieses Repo herunter und führen Sie python3 setup.py develop

2. Testen Sie es aus

• hypergan train preset:celeba -s 128x128x3

3. Treten Sie der Community bei

• Sobald Sie etwas Cooles gemacht haben, teilen Sie es unbedingt auf der Zwietracht (https://discord.gg/t4wwbpf).

Erstellen Sie ein neues Modell

  hypergan new mymodel

Dadurch wird ein MyModel.json erstellt, der auf der Standardkonfiguration basiert. Sie können Konfigurationsvorlagen mit dem -c -Flag ändern.

Listen Sie Konfigurationsvorlagen auf

  hypergan new mymodel -l

Siehe alle Konfigurationsvorlagen mit --list-templates oder -l .

Zug

  hypergan train folder/ -s 32x32x3 -c mymodel --resize

API

 import hypergan as hg

Beachten Sie, dass diese API derzeit in 1.0 arbeitet. Wenn Sie dies lesen, bevor 1.0 veröffentlicht wird, überprüfen Sie die Beispiele.

Weitere Informationen finden Sie in der Gitbook -Dokumentation.

Verwenden eines ausgebildeten Hypergan -Modells

 my_gan = hg . GAN ( 'model.hypergan' )
batch_sample = my_gan . sample ()

Training einen Gan

 gan = hg . GAN ( "default.json" , inputs = hg . inputs . ImageLoader (...))
trainable_gan = hg . TrainableGAN ( gan )
for step in trainable_gan . train ():
    print ( "I'm on step " , step )

Beispiele

Siehe Beispiele https://github.com/hypergan/hypergan/tree/master/examples

Tutorials

Siehe die Tutorials https://hypergan.gitbook.io/hypergan/tutorials

Das PIP -Paket Hypergan

pip install hypergan

Ausbildung

  # Train a 32x32 gan with batch size 32 on a folder of pngs
  hypergan train [folder] -s 32x32x3 -b 32 --config [name]

Probenahme

  hypergan sample [folder] -s 32x32x3 -b 32 --config [name] --sampler batch_walk --save_samples

Standardmäßig speichert Hypergan keine Trainingsmuster auf der Festplatte. Um dies zu ändern, verwenden Sie --save_samples .

Zusätzliche Argumente

Um eine detaillierte Liste zu sehen, laufen Sie aus

  hypergan -h

Laufen auf CPU

Sie können das Backend mit:

  hypergan [...] -B cpu

Trainiere nicht auf der CPU! Es ist zu langsam.

Fehlerbehebung

Stellen Sie sicher, dass Ihre Cuda, Nvidia -Treiber, Kissen, Pytorch und Pytorch Vision die neueste Version sind.

Überprüfen Sie die Zwietracht nach Hilfe.

Entwicklungsmodus

Wenn Sie Hypergan ändern möchten

git clone https://github.com/hypergan/hypergan
cd hypergan
python3 setup.py develop

Stellen Sie sicher, dass pip3 uninstall hypergan um Versionskonflikte zu vermeiden.

Datensätze

Um ein neues Netzwerk zu erstellen, benötigen Sie einen Datensatz.

Erstellen eines Datensatzes

Datensätze in Hypergan sollen einfach zu erstellen sein. Verwenden Sie einfach einen Ordner von Bildern. Auch verschachtelte Ordner funktionieren.

Daten reinigen

Hypergan ist als widerstandsfähig gegenüber allen Arten von unreinen Daten. Standardmäßig werden Bilder geändert und dann bei Bedarf geschnitten.

Siehe --nocrop , --random_crop und --resize für zusätzliche Bildskalierungsoptionen.

Merkmale

Eine Liste von Funktionen in der Version 1.0:

• API
• Cli
• Viewer - Eine Elektronen -App zum Erkunden und Erstellen von Modellen
• Cross -Plattform - Windows, OSX, Linux
• Inferenz - Fügen Sie Ihrem Projekt KI -Inhaltsgenerierung hinzu
• Training - Trainieren Sie benutzerdefinierte Modelle mit beschleunigten parallelen Trainingskaserends
• Teilen - gemeinsam genutzte Modelle miteinander. Verwenden Sie sie in Python -Projekten als Hypergan -Modelle oder in jedem Projekt als ONXX -Modelle
• Anpassbar - Definieren Sie benutzerdefinierte Architekturen im JSON oder ersetzen Sie jede Komponente durch Ihre eigene Pytorch -Kreation
• Daten - erstellt, um an unreinen Daten und mehreren Datentypen zu arbeiten
• Unbeaufsichtigtes Lernen
• Unüberwachte Ausrichtung - Richten Sie eine Verteilung auf einen anderen aus oder entdecken Sie neue neuartige Verteilungen.
• Übertragungslernen
• Online -Lernen

Showcase

1.0 Modelle trainieren immer noch

Senden Sie Ihr Showcase mit einer Pull -Anfrage!

Weitere Informationen finden Sie im #ShowCase -Raum in

Sponsoren

Wir akzeptieren jetzt finanzielle Sponsoren. Sponsor, um (optional) hier aufgeführt zu werden.

https://github.com/sponsors/hypergan

Beitragen

Beiträge sind willkommen und geschätzt! Wir haben viele offene Probleme in der Registerkarte "Themen" . Schließen Sie sich der Zwietracht an.

Sehen Sie, wie man einen Beitrag leisten.

Versioning

Hypergan verwendet semantische Versioning. http://semver.org/

TLDR: XYZ

• X ist auf stabile Öffentlichkeitsfreigaben erhöht.
• y wird bei API -Bruchänderungen erhöht. Dies beinhaltet Änderungen der Konfigurationsdatei und Diagrammbauänderungen.
• Z wird auf nicht-api-Bruchänderungen erhöht. Z -Änderungen können ein gespeichertes Diagramm neu laden.

Zitat

  HyperGAN Community
  HyperGAN, (2016-2020+), 
  GitHub repository, 
  https://github.com/HyperGAN/HyperGAN

Hypergan wird ohne Garantie oder Unterstützung geliefert.