หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>หลาม
ดาวน์โหลด

Pytorch Vae

อัปเดต 22/12/2021: เพิ่มการสนับสนุนสำหรับ Pytorch Lightning 1.5.6 เวอร์ชันและทำความสะอาดรหัส

คอลเลกชันของ Variational Autoencoders (VAES) ที่ใช้ใน Pytorch โดยมุ่งเน้นไปที่การทำซ้ำ เป้าหมายของโครงการนี้คือการจัดทำตัวอย่างการทำงานที่รวดเร็วและรวดเร็วสำหรับรุ่น VAE ที่เย็นสบายหลายรุ่น ทุกรุ่นได้รับการฝึกฝนในชุดข้อมูล Celeba เพื่อความสอดคล้องและการเปรียบเทียบ สถาปัตยกรรมของแบบจำลองทั้งหมดจะถูกเก็บไว้ให้ใกล้เคียงกับเลเยอร์เดียวกันยกเว้นกรณีที่กระดาษต้นฉบับจำเป็นต้องมีสถาปัตยกรรมที่แตกต่างกันอย่างสิ้นเชิง (เช่น VQ VAE ใช้เลเยอร์ที่เหลือและไม่มีแบทช์-Norm ซึ่งแตกต่างจากรุ่นอื่น ๆ ) นี่คือผลลัพธ์ของแต่ละรุ่น

ความต้องการ

  • Python> = 3.5
  • pytorch> = 1.3
  • Pytorch Lightning> = 0.6.0 (GitHub repo)
  • อุปกรณ์คอมพิวเตอร์ที่เปิดใช้งาน CUDA

การติดตั้ง 

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

การใช้งาน 

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

เทมเพลตไฟล์กำหนดค่า 

 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> "

ดูบันทึก Tensorboard 

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

หมายเหตุ: ชุดข้อมูลเริ่มต้นคือ celeba อย่างไรก็ตามมีปัญหามากมายเกี่ยวกับการดาวน์โหลดชุดข้อมูลจาก Google Drive (เนื่องจากการเปลี่ยนแปลงโครงสร้างไฟล์บางอย่าง) ดังนั้นคำแนะนำคือการดาวน์โหลดไฟล์จาก Google Drive โดยตรงและแยกไปยังเส้นทางที่คุณเลือก พา ธ เริ่มต้นที่สันนิษฐานไว้ในไฟล์ config คือ `data/celeba/img_align_celeba ' แต่คุณสามารถเปลี่ยนมันตามความชอบของคุณ

ผลลัพธ์

แบบอย่าง กระดาษ การสร้างใหม่ ตัวอย่าง
vae (รหัส, config) การเชื่อมโยง
VAE แบบมีเงื่อนไข (รหัส, config) การเชื่อมโยง
WAE - MMD (เคอร์เนล RBF) (รหัส, config) การเชื่อมโยง
WAE - MMD (เคอร์เนล IMQ) (รหัส, config) การเชื่อมโยง
Beta-vae (รหัส, config) การเชื่อมโยง
disentangled beta-vae (รหัส, config) การเชื่อมโยง
beta-tc-vae (รหัส, config) การเชื่อมโยง
iwae ( k = 5 ) (รหัส, config) การเชื่อมโยง
miwae ( k = 5, m = 3 ) (รหัส, config) การเชื่อมโยง
dfcvae (รหัส, config) การเชื่อมโยง
mssim vae (รหัส, config) การเชื่อมโยง
หมวดหมู่ vae (รหัส, config) การเชื่อมโยง
ร่วม VAE (รหัส, config) การเชื่อมโยง
info vae (รหัส config) การเชื่อมโยง
logcosh vae (รหัส, config) การเชื่อมโยง
Swae (200 การคาดการณ์) (รหัส, config) การเชื่อมโยง
vq-vae ( k = 512, d = 64 ) (รหัส, config) การเชื่อมโยง N/A
จุ่ม vae (รหัส config) การเชื่อมโยง

การบริจาค

หากคุณได้รับการฝึกฝนแบบจำลองที่ดีกว่าโดยใช้การใช้งานเหล่านี้โดยการปรับแต่งพารามไฮเปอร์ในไฟล์กำหนดค่าฉันยินดีที่จะรวมผลลัพธ์ของคุณ (พร้อมกับไฟล์กำหนดค่าของคุณ) ใน repo นี้โดยอ้างชื่อของคุณ?

นอกจากนี้หากคุณต้องการมีส่วนร่วมบางรุ่นโปรดส่ง PR

ใบอนุญาต

ใบอนุญาต Apache 2.0

การอนุญาต ข้อ จำกัด เงื่อนไข
✔การใช้งานเชิงพาณิชย์ การใช้เครื่องหมายการค้า ⓘใบอนุญาตและประกาศลิขสิทธิ์
✔การดัดแปลง ความรับผิดชอบ ⓘการเปลี่ยนแปลงของรัฐ
✔การกระจาย การรับประกัน
✔การใช้สิทธิบัตร
✔ใช้ส่วนตัว

การอ้างอิง 

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