HyperGAN

Readme

Hypergan 1.0

Um GaN composto construído para desenvolvedores, pesquisadores e artistas.

O Hypergan está no pré-lançamento e no beta aberto.

Logos gerados com exemplos/colorizer

Veja mais no Hypergan Youtube

Índice

• Sobre
• Documentação
• Changelog
• Início rápido
  • Requisitos
  • Instalar
  • Trem
• API
  • Usando um modelo hipergan treinado
  • Treinando um gan
  • Exemplos
  • Tutoriais
• O hipergan do pacote pip
  • Treinamento
  • Amostragem
  • Argumentos adicionais
  • Executando na CPU
  • Solução de problemas
  • Modo de desenvolvimento
• Conjuntos de dados
  • Criando um conjunto de dados
  • Conjuntos de dados para download
  • Limpando dados
• Características
• Showcase
• Patrocinadores
• Contribuindo
• Versão
• Citação

Sobre

O Hypergan cria redes adversárias generativas em Pytorch e facilita o treinamento e o compartilhamento.

Para uma introdução geral a Gans, consulte http://blog.aylien.com/introduction-generative-adversarial-networks-code-tensorflow/

Junte -se à discórdia da comunidade.

Documentação

• Documentação do GitBook

Changelog

Veja o Changelog completo aqui: Changelog.md

Início rápido

Requisitos

OS: Windows, OSX, Linux

Para treinamento:

GPU: NVIDIA, GTX 1080+ recomendado

Instalar

1. Instale o Hypergan para usuários: pip3 install hypergan

Para desenvolvedores: baixe este repo e execute python3 setup.py develop

2. Teste

• hypergan train preset:celeba -s 128x128x3

3. Junte -se à comunidade

• Depois de fazer algo legal, compartilhe -o na discord (https://discord.gg/t4wwbpf).

Crie um novo modelo

  hypergan new mymodel

Isso criará um mymodel.json com base na configuração padrão. Você pode alterar os modelos de configuração com o sinalizador -c .

Liste modelos de configuração

  hypergan new mymodel -l

Consulte todos os modelos de configuração com --list-templates ou -l .

Trem

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

API

 import hypergan as hg

Observe que esta API está atualmente em trabalho em 1.0. Se você estiver lendo isso antes que o 1.0 seja lançado, verifique os exemplos.

Consulte a documentação do GitBook para obter mais detalhes.

Usando um modelo hipergan treinado

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

Treinando um 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 )

Exemplos

Veja os exemplos https://github.com/hypergan/hypergan/tree/master/examples

Tutoriais

Veja os tutoriais https://hypergan.gitbook.io/hypergan/tutorials

O hipergan do pacote pip

pip install hypergan

Treinamento

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

Amostragem

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

Por padrão, o Hypergan não salvará amostras de treinamento no disco. Para mudar isso, use --save_samples .

Argumentos adicionais

Para ver uma lista detalhada, execute

  hypergan -h

Executando na CPU

Você pode mudar o back -end com:

  hypergan [...] -B cpu

Não treine na CPU! É muito lento.

Solução de problemas

Certifique -se de que seus drivers Cuda, Nvidia, travesseiros, pytorch e pytorch Vision sejam a versão mais recente.

Verifique a discórdia para obter ajuda.

Modo de desenvolvimento

Se você deseja modificar o Hypergan

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

Certifique -se de pip3 uninstall hypergan para evitar conflitos de versão.

Conjuntos de dados

Para criar uma nova rede, você precisa de um conjunto de dados.

Criando um conjunto de dados

Os conjuntos de dados no Hypergan devem ser simples de criar. Basta usar uma pasta de imagens. Pastas aninhadas também funcionam.

Limpando dados

O Hypergan é construído para ser resiliente a todos os tipos de dados impuros. Por padrão, as imagens são redimensionadas e cortadas, se necessário.

Veja --nocrop , --random_crop e --resize para opções adicionais de escala de imagem.

Características

Uma lista de recursos na versão 1.0:

• API
• CLI
• Visualizador - Um aplicativo Electron para explorar e criar modelos
• Cross Platform - Windows, OSX, Linux
• Inferência - Adicione a geração de conteúdo de IA ao seu projeto
• Treinamento - Treine modelos personalizados usando back -ends de treinamento paralelo acelerado
• Compartilhando - Compartilhe modelos construídos entre si. Use -os em projetos python como modelos hiperganes ou em qualquer projeto como modelos Onxx
• Customizable - Defina arquiteturas personalizadas no JSON ou substitua qualquer componente pela sua própria criação de Pytorch
• Dados - construídos para trabalhar em dados impuros e vários tipos de dados
• Aprendizado não supervisionado
• Alinhamento não supervisionado - alinhe uma distribuição a outra ou descubra novas distribuições de novas.
• Transferência de aprendizado
• Aprendizado online

Showcase

1.0 Os modelos ainda estão treinando

Envie sua vitrine com um pedido de tração!

Para mais, veja a sala #Showcase em

Patrocinadores

Agora estamos aceitando patrocinadores financeiros. Patrocinador para (opcionalmente) ser listado aqui.

https://github.com/sponsors/hypergan

Contribuindo

As contribuições são bem -vindas e apreciadas! Temos muitos problemas abertos na guia Questões . Junte -se à discórdia.

Veja como contribuir.

Versão

O Hypergan usa versão semântica. http://semver.org/

TLDR: XYZ

• X é incrementado em lançamentos públicos estáveis.
• y é incrementado nas mudanças de quebra de API. Isso inclui alterações de arquivo de configuração e alterações de construção de gráficos.
• Z é incrementado nas mudanças de quebra de API. Z Alterações poderão recarregar um gráfico salvo.

Citação

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

O Hypergan vem sem garantia ou suporte.