PyTorch VAE

Pytorch Vae

ATUALIZAÇÃO 22/12/2021: Adicionado suporte para a versão Pytorch Lightning 1.5.6 e limpe o código.

Uma coleção de autoencoders variacionais (VAEs) implementados em Pytorch, com foco na reprodutibilidade. O objetivo deste projeto é fornecer um exemplo de trabalho rápido e simples para muitos dos modelos Cool VAE por aí. Todos os modelos são treinados no conjunto de dados Celeba para consistência e comparação. A arquitetura de todos os modelos é mantida o mais semelhante possível com as mesmas camadas, exceto nos casos em que o artigo original requer uma arquitetura radicalmente diferente (Ex. VQ VAE usa camadas residuais e sem norma em lote, diferentemente de outros modelos). Aqui estão os resultados de cada modelo.

Requisitos

• Python> = 3.5
• Pytorch> = 1.3
• Pytorch Lightning> = 0.6.0 (Repo Github)
• Dispositivo de computação habilitado para CUDA

Instalação

 $ git clone https://github.com/AntixK/PyTorch-VAE
$ cd PyTorch-VAE
$ pip install -r requirements.txt

Uso

 $ cd PyTorch-VAE
$ python run.py -c configs/<config-file-name.yaml>

Modelo de arquivo de configuração

 model_params :
  name : " <name of VAE model> "
  in_channels : 3
  latent_dim : 
    .         # Other parameters required by the model
    .
    .

data_params :
  data_path : " <path to the celebA dataset> "
  train_batch_size : 64 # Better to have a square number
  val_batch_size :  64
  patch_size : 64  # Models are designed to work for this size
  num_workers : 4
  
exp_params :
  manual_seed : 1265
  LR : 0.005
  weight_decay :
    .         # Other arguments required for training, like scheduler etc.
    .
    .

trainer_params :
  gpus : 1         
  max_epochs : 100
  gradient_clip_val : 1.5
    .
    .
    .

logging_params :
  save_dir : " logs/ "
  name : " <experiment name> "

View Tensorboard Logs

 $ cd logs/<experiment name>/version_<the version you want>
$ tensorboard --logdir .

Nota: O conjunto de dados padrão é Celeba. No entanto, houve muitos problemas com o download do conjunto de dados do Google Drive (devido a algumas alterações na estrutura de arquivos). Portanto, a recomendação é baixar o arquivo do Google Drive diretamente e extrair para o caminho de sua escolha. O caminho padrão assumido nos arquivos de configuração é `data/celebba/img_align_celeba '. Mas você pode mudá -lo de acordo com sua preferência.

---

Resultados

Modelo	Papel	Reconstrução	Amostras
VAE (código, configuração)	Link
VAE condicional (código, configuração)	Link
Wae - mmd (kernel rbf) (código, configuração)	Link
Wae - mmd (kernel IMQ) (código, configuração)	Link
Beta-vas (código, configuração)	Link
Beta-vasos de beta (código, configuração)	Link
Beta-tc-vrae (código, configuração)	Link
Iwae ( k = 5 ) (código, configuração)	Link
Miwae ( k = 5, m = 3 ) (código, configuração)	Link
Dfcvae (código, configuração)	Link
MSSIM VAE (código, configuração)	Link
VAE categórico (código, configuração)	Link
Vae conjunta (código, configuração)	Link
Info Vae (código, configuração)	Link
LOGCOSH VAE (Código, Config)	Link
Swae (200 projeções) (código, configuração)	Link
VQ-VAE ( k = 512, d = 64 ) (código, configuração)	Link		N / D
DIP VAE (código, configuração)	Link

Contribuindo

Se você treinou um modelo melhor, usando essas implementações, ajustando as hiper-paramas no arquivo de configuração, ficaria feliz em incluir seu resultado (junto com o arquivo de configuração) neste repositório, citando seu nome?.

Além disso, se você deseja contribuir com alguns modelos, envie um PR.

Licença

Licença Apache 2.0

Permissões	Limitações	Condições
Use Uso comercial	Uso da marca registrada	Ⓘ Aviso de licença e direitos autorais
✔️ Modificação	Responsabilidade	Ⓘ Mudanças de estado
Distribution Distribuição	Garantia
Use Uso da patente
Use Uso particular

Citação

 @misc{Subramanian2020,
  author = {Subramanian, A.K},
  title = {PyTorch-VAE},
  year = {2020},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {url{https://github.com/AntixK/PyTorch-VAE}}
}

---