ganomaly下载 - ganomaly源代码下载

ganomaly

Python

1.0.0

下载

更新：

此存储库不再保留。 Ganomaly实施已添加到Anomalib，这是最大的公共收藏集合，即现成的深度学习异常检测算法和基准数据集。

Ganomaly

该存储库包含以下论文的Pytorch实施：Ganomaly：通过对抗训练的半监督异常检测[1]

1。目录

Ganomaly
- 目录
- 安装
- 实验
- 训练
  - 对MNIST的培训
  - CIFAR10的培训
  - 在自定义数据集上训练
- 引用甘诺利
- 参考

2。安装

首先克隆存储库

 git clone https://github.com/samet-akcay/ganomaly.git

通过Conda创建虚拟环境
```
 conda create -n ganomaly python=3.7
```
激活虚拟环境。
```
 conda activate ganomaly
```

安装依赖项。

 conda install -c intel mkl_fft
pip install --user --requirement requirements.txt

3。实验

要复制MNIST和CIFAR10数据集的论文中的结果，请运行以下命令：

 # MNIST
sh experiments/run_mnist.sh

# CIFAR
sh experiments/run_cifar.sh # CIFAR10

4。培训

要列出参数，请运行以下命令：

 python train.py -h

4.1。对MNIST的培训

要在MNIST数据集上训练该模型的给定异常类，请运行以下内容：

 python train.py 
    --dataset mnist                         
    --niter <number-of-epochs>              
    --abnormal_class <0,1,2,3,4,5,6,7,8,9>  
    --display                               # optional if you want to visualize

4.2。 CIFAR10的培训

要在CIFAR10数据集上训练该模型的给定异常类，请运行以下内容：

 python train.py 
    --dataset cifar10                                                   
    --niter <number-of-epochs>                                          
    --abnormal_class                                                    
        <plane, car, bird, cat, deer, dog, frog, horse, ship, truck>    
    --display                       # optional if you want to visualize

4.3。在自定义数据集上训练

要在自定义数据集上训练模型，应将数据集复制到./data目录中，并应具有以下目录和文件结构：

 Custom Dataset
├── test
│   ├── 0.normal
│   │   └── normal_tst_img_0.png
│   │   └── normal_tst_img_1.png
│   │   ...
│   │   └── normal_tst_img_n.png
│   ├── 1.abnormal
│   │   └── abnormal_tst_img_0.png
│   │   └── abnormal_tst_img_1.png
│   │   ...
│   │   └── abnormal_tst_img_m.png
├── train
│   ├── 0.normal
│   │   └── normal_tst_img_0.png
│   │   └── normal_tst_img_1.png
│   │   ...
│   │   └── normal_tst_img_t.png

然后，模型培训与上面解释的培训MNIST或CIFAR10数据集相同。

 python train.py                     
    --dataset <name-of-the-data>    
    --isize <image-size>            
    --niter <number-of-epochs>      
    --display                       # optional if you want to visualize

有关更多培训选项，请运行python train.py -h 。

5。引用Ganomaly

如果您使用此存储库或想引用该论文，请使用以下Bibtex条目

 @inproceedings{akcay2018ganomaly,
  title={Ganomaly: Semi-supervised anomaly detection via adversarial training},
  author={Akcay, Samet and Atapour-Abarghouei, Amir and Breckon, Toby P},
  booktitle={Asian Conference on Computer Vision},
  pages={622--637},
  year={2018},
  organization={Springer}
}