pytorch generative model collections
1.0.0
Оригинал: [версия TensorFlow]
Реализация Pytorch различных Gans.
Этот репозиторий был повторно внедрен со ссылкой на модель-коллекции Tensorflow-генерализации Hwalsuk Lee
Я пытался внедрить этот репозиторий как можно больше с помощью модель-коллекций Tensorflow-генерализатора, но некоторые модели немного отличаются.
Этот репозиторий включен код для CPU Mode Pytorch, но я не тестировал. Я тестировал только в режиме графического процессора Pytorch.
| Имя | Бумажная ссылка | Значение функции |
|---|---|---|
| Ган | Arxiv |  |
| Lsgan | Arxiv |  |
| Wgan | Arxiv |  |
| Wgan_gp | Arxiv |  |
| Драган | Arxiv |  |
| Cgan | Arxiv |  |
| Infogan | Arxiv |  |
| Акган | Arxiv |  |
| Эбган | Arxiv |  |
| Начался | Arxiv |  |
Сетевая архитектура генератора и дискриминатора - это неприятная сами, как в Infogan Paper.
Для справедливого сравнения основных идей во всех вариантах GAN все реализации для сетевой архитектуры остаются одинаковыми, кроме Ebgan и начались. Небольшая модификация внесена для Ebgan/началась, поскольку те, кто принимает страховой strucutre для дискриминатора. Но я пытался сохранить способность сброса.
Следующие результаты могут быть воспроизведены с помощью команды:
python main.py --dataset mnist --gan_type <TYPE> --epoch 50 --batch_size 64
Все результаты генерируются из вектора фиксированного шума.
| Имя | Эпоха 1 | Эпоха 25 | Эпоха 50 | Гифка |
|---|---|---|---|---|
| Ган |  |  |  |  |
| Lsgan |  |  |  |  |
| Wgan |  |  |  |  |
| Wgan_gp |  |  |  |  |
| Драган |  |  |  |  |
| Эбган |  |  |  |  |
| Начался |  |  |  |  |
Каждая строка имеет одинаковый вектор шума, и каждый столбец имеет одинаковое условие метки.
| Имя | Эпоха 1 | Эпоха 25 | Эпоха 50 | Гифка |
|---|---|---|---|---|
| Cgan |  |  |  |  |
| Акган |  |  |  |  |
| Infogan |  |  |  |  |
Все результаты имеют одинаковый вектор шума и состояние метки, но имеют различный постоянный вектор.
| Имя | Эпоха 1 | Эпоха 25 | Эпоха 50 | Гифка |
|---|---|---|---|---|
| Infogan |  |  |  |  |
| Имя | Потеря |
|---|---|
| Ган |  |
| Lsgan |  |
| Wgan |  |
| Wgan_gp |  |
| Драган |  |
| Эбган |  |
| Начался |  |
| Cgan |  |
| Акган |  |
| Infogan |  |
Комментарии к сетевой архитектуре в MNIST также применяются здесь.
Fashion-Mnist-это недавно предложенный набор данных, состоящий из учебного набора из 60 000 примеров и тестового набора из 10000 примеров. Каждый пример представляет собой изображение серого сетей 28x28, связанное с меткой из 10 классов. (Футболка/топ, брюки, пуловер, платье, пальто, сандалия, рубашка, кроссовки, сумка, ботинок на лодыжке)
Следующие результаты могут быть воспроизведены с помощью команды:
python main.py --dataset fashion-mnist --gan_type <TYPE> --epoch 50 --batch_size 64
Все результаты генерируются из вектора фиксированного шума.
| Имя | Эпоха 1 | Эпоха 25 | Эпоха 50 | Гифка |
|---|---|---|---|---|
| Ган |  |  |  |  |
| Lsgan |  |  |  |  |
| Wgan |  |  |  |  |
| Wgan_gp |  |  |  |  |
| Драган |  |  |  |  |
| Эбган |  |  |  |  |
| Начался |  |  |  |  |
Каждая строка имеет одинаковый вектор шума, и каждый столбец имеет одинаковое условие метки.
| Имя | Эпоха 1 | Эпоха 25 | Эпоха 50 | Гифка |
|---|---|---|---|---|
| Cgan |  |  |  |  |
| Акган |  |  |  |  |
| Infogan |  |  |  |  |
Все результаты имеют одинаковый вектор шума и состояние метки, но имеют различный постоянный вектор.
| Имя | Эпоха 1 | Эпоха 25 | Эпоха 50 | Гифка |
|---|---|---|---|---|
| Infogan |  |  |  |  |
| Имя | Потеря |
|---|---|
| Ган |  |
| Lsgan |  |
| Wgan |  |
| Wgan_gp |  |
| Драган |  |
| Эбган |  |
| Начался |  |
| Cgan |  |
| Акган |  |
| Infogan |  |
Следующее показывает основную структуру папок.
├── 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
Эта реализация основывалась на создании тензора, генерирующих модель, и протестирована с помощью Pytorch 0.4.0 на Ubuntu 16.04 с использованием графического процессора.
