pytorch generative model collections

Pytorch-generative-model-collections

ต้นฉบับ: [รุ่น Tensorflow]

การใช้ Pytorch ของ Gans ต่างๆ

พื้นที่เก็บข้อมูลนี้ได้รับการดำเนินการอีกครั้งโดยอ้างอิงถึงการสะสมแบบจำลองแบบ Tensorflow-Generative-Model โดย Hwalsuk Lee

ฉันพยายามที่จะใช้ที่เก็บข้อมูลนี้ให้มากที่สุดเท่าที่จะเป็นไปได้ด้วยการสะสมแบบรุ่นเทนเซอร์โฟลว์-รุ่น แต่บางรุ่นก็แตกต่างกันเล็กน้อย

ที่เก็บนี้รวมรหัสสำหรับโหมด CPU pytorch แต่ฉันไม่ได้ทดสอบ ฉันทดสอบเฉพาะในโหมด GPU pytorch

ชุดข้อมูล

• MNIST
• แฟชั่น-นิสต์
• CIFAR10
• svhn
• STL10
• เตียงนอน

ฉันทดสอบรหัสกับ MNIST และ Fashion-Mnist เท่านั้น

เครือข่ายฝ่ายตรงข้ามกำเนิด (GANS)

รายการ (ตารางถูกยืมมาจาก Tensorflow-Generative-Model-Collections)

ชื่อ	ลิงค์กระดาษ	ฟังก์ชันค่า
กาน	arxiv
lsgan	arxiv
wgan	arxiv
wgan_gp	arxiv
Dragan	arxiv
cgan	arxiv
คนอินฟ็กโก	arxiv
Acgan	arxiv
Ebgan	arxiv
เริ่มต้น	arxiv

ตัวแปรของโครงสร้าง GAN (ตัวเลขถูกยืมมาจาก Tensorflow-Generative-Model-Collections)

ผลลัพธ์สำหรับ MNIST

สถาปัตยกรรมเครือข่ายของเครื่องกำเนิดไฟฟ้าและ discriminator เป็น sames exaclty เช่นเดียวกับในกระดาษ infogan
เพื่อการเปรียบเทียบความคิดหลักในทุกรุ่น GAN การใช้งานทั้งหมดสำหรับสถาปัตยกรรมเครือข่ายจะถูกเก็บไว้เหมือนกันยกเว้น Ebgan และเริ่ม การดัดแปลงขนาดเล็กถูกสร้างขึ้นสำหรับ Ebgan/เริ่มต้นเนื่องจากผู้ที่ใช้ Strucutre เข้ารหัสอัตโนมัติสำหรับ Discriminator แต่ฉันพยายามรักษาความสามารถของ discirminator

ผลลัพธ์ต่อไปนี้สามารถทำซ้ำได้ด้วยคำสั่ง:

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

รุ่นคงที่

ผลลัพธ์ทั้งหมดถูกสร้างขึ้นจากเวกเตอร์เสียงคงที่

ชื่อ	ยุค 1	ยุค 25	ยุค 50	GIF
กาน
lsgan
wgan
wgan_gp
Dragan
Ebgan
เริ่มต้น

การสร้างแบบมีเงื่อนไข

แต่ละแถวมีเวกเตอร์เสียงรบกวนเดียวกันและแต่ละคอลัมน์มีเงื่อนไขฉลากเดียวกัน

ชื่อ	ยุค 1	ยุค 25	ยุค 50	GIF
cgan
Acgan
คนอินฟ็กโก

Infogan: จัดการรหัสต่อเนื่องสองรหัส

ผลลัพธ์ทั้งหมดมีเวกเตอร์เสียงรบกวนและสภาพฉลากเหมือนกัน แต่มีเวกเตอร์ต่อเนื่องที่แตกต่างกัน

ชื่อ	ยุค 1	ยุค 25	ยุค 50	GIF
คนอินฟ็กโก

พล็อตสูญเสีย

ชื่อ	การสูญเสีย
กาน
lsgan
wgan
wgan_gp
Dragan
Ebgan
เริ่มต้น
cgan
Acgan
คนอินฟ็กโก

ผลลัพธ์สำหรับ Fashion-Mnist

ความคิดเห็นเกี่ยวกับสถาปัตยกรรมเครือข่ายใน MNIST ก็ถูกนำไปใช้กับที่นี่
Fashion-Mnist เป็นชุดข้อมูลที่เสนอเมื่อเร็ว ๆ นี้ซึ่งประกอบด้วยชุดฝึกอบรม 60,000 ตัวอย่างและชุดทดสอบ 10,000 ตัวอย่าง แต่ละตัวอย่างคือภาพสีเทา 28x28 ที่เกี่ยวข้องกับฉลากจาก 10 คลาส (เสื้อยืด/ด้านบน, กางเกง, เสื้อสวมหัว, ชุด, เสื้อ, รองเท้า, รองเท้า, เสื้อ, รองเท้า, รองเท้า, กระเป๋า, รองเท้าบู๊ตข้อเท้า)

ผลลัพธ์ต่อไปนี้สามารถทำซ้ำได้ด้วยคำสั่ง:

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

รุ่นคงที่

ผลลัพธ์ทั้งหมดถูกสร้างขึ้นจากเวกเตอร์เสียงคงที่

ชื่อ	ยุค 1	ยุค 25	ยุค 50	GIF
กาน
lsgan
wgan
wgan_gp
Dragan
Ebgan
เริ่มต้น

การสร้างแบบมีเงื่อนไข

แต่ละแถวมีเวกเตอร์เสียงรบกวนเดียวกันและแต่ละคอลัมน์มีเงื่อนไขฉลากเดียวกัน

ชื่อ	ยุค 1	ยุค 25	ยุค 50	GIF
cgan
Acgan
คนอินฟ็กโก

• Acgan มีแนวโน้มที่จะตกอยู่ในการล่มสลายของโหมดใน collection-model-model-model-model-model-model-model-model-model-model-model-model-model-model

Infogan: จัดการรหัสต่อเนื่องสองรหัส

ผลลัพธ์ทั้งหมดมีเวกเตอร์เสียงรบกวนและสภาพฉลากเหมือนกัน แต่มีเวกเตอร์ต่อเนื่องที่แตกต่างกัน

ชื่อ	ยุค 1	ยุค 25	ยุค 50	GIF
คนอินฟ็กโก

พล็อตสูญเสีย

ชื่อ	การสูญเสีย
กาน
lsgan
wgan
wgan_gp
Dragan
Ebgan
เริ่มต้น
cgan
Acgan
คนอินฟ็กโก

โครงสร้างโฟลเดอร์

ต่อไปนี้แสดงโครงสร้างโฟลเดอร์พื้นฐาน

 ├── 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

สภาพแวดล้อมการพัฒนา

• 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

กิตติกรรมประกาศ

การใช้งานนี้มีพื้นฐานมาจาก Tensorflow-Generative-Model-Collections และทดสอบด้วย Pytorch 0.4.0 บน Ubuntu 16.04 โดยใช้ GPU