torchgan

Antorcha

Marco para una capacitación fácil y eficiente de Gans basado en Pytorch

Torchgan es un marco basado en Pytorch para diseñar y desarrollar redes adversas generativas. Este marco ha sido diseñado para proporcionar bloques de construcción para Gans populares y también para permitir la personalización para la investigación de vanguardia. El uso de la estructura modular de Torchgan permite

• Probar modelos GaN populares en su conjunto de datos.
• Conecte su nueva función de pérdida, nueva arquitectura, etc. con las tradicionales.
• Visualice sin problemas el entrenamiento con una variedad de backends de registro.

Versión del sistema / pytorch	1.8	1.9	nocturno
Linux Py3.8
Linux Py3.9
OSX PY3.8
OSX PY3.9
Windows PY3.9
Windows PY3.9

Instalación

Uso de PIP (para liberación estable):

  $ pip install torchgan

Uso de PIP (para el último maestro):

  $ pip install git+https://github.com/torchgan/torchgan.git

De la fuente:

  $ git clone https://github.com/torchgan/torchgan.git
  $ cd torchgan
  $ python setup.py install

Documentación

La documentación está disponible aquí

La documentación para este paquete se puede generar localmente.

  $ git clone https://github.com/torchgan/torchgan.git
  $ cd torchgan/docs
  $ pip install -r requirements.txt
  $ make html

Ahora abra el archivo correspondiente desde el directorio build .

Tutoriales

El directorio tutorials contiene un conjunto de tutoriales para comenzar con Torchgan. Estos tutoriales se pueden ejecutar con Google Colab o Binder. Se recomienda encarecidamente que siga los tutoriales en el siguiente orden.

1. Tutoriales introductorios:
   • Tutorial 1: Introducción a Torchgan
   • Tutorial 2: Funciones de pérdida personalizada
2. Tutoriales intermedios:
   • Tutorial 3: Cyclegan
   • Tutorial 4: ganan
3. Tutoriales avanzados:
   • Tutorial 5: Autoencoder adversario

Apoyando y citando

Este software fue desarrollado como parte de la investigación académica. Si desea ayudar a apoyarlo, protagonice el repositorio. Si usa este software como parte de su investigación, enseñanza u otras actividades, estaríamos agradecidos si pudiera citar lo siguiente:

 @article{Pal2021,
  doi = {10.21105/joss.02606},
  url = {https://doi.org/10.21105/joss.02606},
  year = {2021},
  publisher = {The Open Journal},
  volume = {6},
  number = {66},
  pages = {2606},
  author = {Avik Pal and Aniket Das},
  title = {TorchGAN: A Flexible Framework for GAN Training and Evaluation},
  journal = {Journal of Open Source Software}
}

Lista de publicaciones y envíos utilizando Torchgan (abra una solicitud de extracción para agregar entradas faltantes):

• ¿Se puede utilizar el tráfico de red generado por GaN para entrenar clasificadores de anomalías de tráfico?
• Ward2icu: un conjunto de datos de signos vitales de pacientes hospitalizados del barrio general

Que contribuye

Apreciamos todas las contribuciones. Si planea contribuir con las fijaciones de errores, hágalo sin más discusión. Si planea contribuir con nuevas funciones, funciones de utilidad o extensiones, primero abra un problema y discuta la función con nosotros. Para pautas más detalladas, diríjase a la documentación oficial.

Colaboradores

Este paquete ha sido desarrollado por

• Avik Pal (@Avik-Pal)
• Aniket Das (@aniket1998)

Este proyecto existe gracias a todas las personas que contribuyen.