pytorch generative model collections

Pytorch-generative-Model-Collections

Asli: [Versi TensorFlow]

Implementasi Pytorch dari berbagai GAN.

Repositori ini diimplementasikan kembali dengan mengacu pada TensorFlow-generative-Model-Collection oleh HWALSUK LEE

Saya mencoba mengimplementasikan repositori ini sebanyak mungkin dengan koleksi TensorFlow-generative-model, tetapi beberapa model sedikit berbeda.

Repositori ini termasuk kode untuk mode CPU Pytorch, tetapi saya tidak menguji. Saya hanya diuji dalam mode GPU Pytorch.

Dataset

• Mnist
• Fashion-mnist
• CIFAR10
• Svhn
• STL10
• Lsun-bed

Saya hanya menguji kode pada Mnist dan Fashion-Mnist.

Jaringan permusuhan generatif (GANS)

Daftar (Tabel dipinjam dari TensorFlow-Generative-Model-Collections)

Nama	Tautan kertas	Fungsi nilai
Gan	Arxiv
LSGAN	Arxiv
Wgan	Arxiv
Wgan_gp	Arxiv
Dragan	Arxiv
CGAN	Arxiv
Infogan	Arxiv
Acgan	Arxiv
Ebgan	Arxiv
DIMULAI	Arxiv

Varian struktur GAN (angka dipinjam dari tensorflow-generative-model-collection)

Hasil untuk Mnist

Arsitektur Jaringan Generator dan Diskriminator adalah SAME Exaclty seperti di Infogan Paper.
Untuk perbandingan yang adil dari ide -ide inti dalam semua varian GAN, semua implementasi untuk arsitektur jaringan tetap sama kecuali EBGAN dan dimulai. Modifikasi kecil dibuat untuk Ebgan/dimulai, karena mereka yang mengadopsi strucutre encoder auto-encoder untuk diskriminator. Tetapi saya mencoba menjaga kapasitas Discirminator.

Hasil berikut dapat direproduksi dengan perintah:

 python main.py --dataset mnist --gan_type <TYPE> --epoch 50 --batch_size 64

Generasi tetap

Semua hasil dihasilkan dari vektor kebisingan tetap.

Nama	Epoch 1	Epoch 25	Epoch 50	Gif
Gan
LSGAN
Wgan
Wgan_gp
Dragan
Ebgan
DIMULAI

Generasi bersyarat

Setiap baris memiliki vektor kebisingan yang sama dan setiap kolom memiliki kondisi label yang sama.

Nama	Epoch 1	Epoch 25	Epoch 50	Gif
CGAN
Acgan
Infogan

Infogan: memanipulasi dua kode berkelanjutan

Semua hasil memiliki vektor noise dan kondisi label yang sama, tetapi memiliki vektor kontinous yang berbeda.

Nama	Epoch 1	Epoch 25	Epoch 50	Gif
Infogan

Plot kehilangan

Nama	Kehilangan
Gan
LSGAN
Wgan
Wgan_gp
Dragan
Ebgan
DIMULAI
CGAN
Acgan
Infogan

Hasil untuk fashion-mnist

Komentar tentang arsitektur jaringan di MNIST juga diterapkan di sini.
Fashion-Mnist adalah dataset yang baru-baru ini diusulkan yang terdiri dari satu set pelatihan 60.000 contoh dan satu set uji 10.000 contoh. Setiap contoh adalah gambar skala abu -abu 28x28, yang terkait dengan label dari 10 kelas. (T-shirt/atas, celana panjang, pullover, gaun, mantel, sandal, kemeja, sneaker, tas, boot pergelangan kaki)

Hasil berikut dapat direproduksi dengan perintah:

 python main.py --dataset fashion-mnist --gan_type <TYPE> --epoch 50 --batch_size 64

Generasi tetap

Semua hasil dihasilkan dari vektor kebisingan tetap.

Nama	Epoch 1	Epoch 25	Epoch 50	Gif
Gan
LSGAN
Wgan
Wgan_gp
Dragan
Ebgan
DIMULAI

Generasi bersyarat

Setiap baris memiliki vektor kebisingan yang sama dan setiap kolom memiliki kondisi label yang sama.

Nama	Epoch 1	Epoch 25	Epoch 50	Gif
CGAN
Acgan
Infogan

• Acgan cenderung jatuh ke dalam mode-collapse dalam pengumpulan model-generatif-generatif, tetapi Pytorch acgan tidak jatuh ke dalam mode-collapse.

Infogan: memanipulasi dua kode berkelanjutan

Semua hasil memiliki vektor noise dan kondisi label yang sama, tetapi memiliki vektor kontinous yang berbeda.

Nama	Epoch 1	Epoch 25	Epoch 50	Gif
Infogan

Plot kehilangan

Nama	Kehilangan
Gan
LSGAN
Wgan
Wgan_gp
Dragan
Ebgan
DIMULAI
CGAN
Acgan
Infogan

Struktur folder

Berikut ini menunjukkan struktur folder dasar.

 ├── main.py # gateway
├── data
│   ├── mnist # mnist data (not included in this repo)
│   ├── ...
│   ├── ...
│   └── fashion-mnist # fashion-mnist data (not included in this repo)
│
├── GAN.py # vainilla GAN
├── utils.py # utils
├── dataloader.py # dataloader
├── models # model files to be saved here
└── results # generation results to be saved here

Lingkungan pengembangan

• Ubuntu 16.04 lts
• Nvidia gtx 1080 ti
• CUDA 9.0
• Python 3.5.2
• Pytorch 0.4.0
• Torchvision 0.2.1
• Numpy 1.14.3
• Matplotlib 2.2.2
• Imageio 2.3.0
• SCIPY 1.1.0

Ucapan Terima Kasih

Implementasi ini telah didasarkan pada tensorflow-generative-model-collection dan diuji dengan pytorch 0.4.0 pada Ubuntu 16.04 menggunakan GPU.