pygan 1.1.1

pygan Python kutubxonasi bo'lib, Umumiy Adversarial Networks (GANs), Shartli GANlar, Adversarial Auto-Encoders (AAEs) va Energiyaga asoslangan Generative Adversarial Network (EBGAN) ni amalga oshiradi.

Navigatsiya

Loyiha havolalari

  • Bosh sahifa

Statistika

  • Yulduzlar:
  • Vilkalar:
  • Ochiq muammolar/PRlar:

Bu loyiha statistikasini Libraries.io orqali yoki Google BigQuery -dagi ommaviy ma'lumotlar to'plamimiz yordamida ko'rish

Litsenziya:GNU General Public License v2 (GPLv2) (GPL2)

Teglar Generativ, Adversarial, Networks, Adversarial, Auto-Encoders, autoencoder, auto-encoder, convolution, deconvolution, encoder, decoder, LSTM

Himoyachilar

Tasniflagichlar

  • Rivojlanish holati
    • 5 - ishlab chiqarish/barqaror
    • Robot ramkasi
    • Axborot texnologiyalari
    • Ilm/tadqiqot
    • OSI tasdiqlangan :: GNU General Public License v2 (GPLv2)
    • Python :: 3
    • Ilmiy/muhandislik :: Sun'iy intellekt

    Loyihaning tavsifi

    Umumiy adversarial tarmoqlar kutubxonasi: pygan

    pygan Python kutubxonasi bo'lib, Umumiy Adversarial Networks (GANs), Shartli GANlar, Adversarial Auto-Encoders (AAEs) va Energiyaga asoslangan Generative Adversarial Network (EBGAN) ni amalga oshiradi.

    Ushbu kutubxona Generative Adversarial Networks (GANs), Conditional GANs, Adversarial Auto-Encoders (AAEs) va Energy-Generative Adversarial Network (EBGAN) bilan bog'liq holda statistik mashinalarni o'rganish muammolariga asoslangan avlod modellarini loyihalashtirishga imkon beradi. yarim nazorat ostida o'qitish uchun algoritm dizayni.

    O'rnatish

    Pip yordamida o'rnatish:

    Manba kodi

    Manba kodi hozirda GitHub -da joylashgan.

    Python paketlar indeksi (PyPI)

    Oxirgi chiqarilgan versiya uchun o'rnatuvchilar Python paketlar indeksida mavjud.

    Bog'liqliklar

      : v1.13.3 yoki undan yuqori. : v1.0.0 yoki undan yuqori.

    Hujjatlar

    To'liq hujjatlar https://code.accel-brain.com/Generative-Adversarial-Networks/ saytida mavjud. Ushbu hujjatda funktsional qayta foydalanish, funktsional kengayish va funktsional kengayish haqida ma'lumotlar mavjud.

    Tavsif

    pygan Python kutubxonasi bo'lib, Umumiy Adversarial Networks (GANs), Shartli GANlar, Adversarial Auto-Encoders (AAEs) va Energiyaga asoslangan Generative Adversarial Network (EBGAN) ni amalga oshiradi.

    Generative Adversarial Networks (GANs) (Goodfellow va boshq., 2014) ramkasi ikkita neyron tarmoq-min-max raqobat o'yinini o'rnatadi-generativ model G va kamsituvchi model D. Diskriminator modeli D (x) - bu neyron tarmoq bo'lib, u ma'lumotlar maydonida kuzatilgan x nuqtasi biz modellashtirishga harakat qilayotgan ma'lumotlar taqsimotining namunasi bo'lishi ehtimolini hisoblaydi, bizdan emas. generativ model (salbiy namunalar). Shu bilan birga, generator G (z) funktsiyasidan foydalanadi, u z namunalarini oldingi p (z) dan ma'lumotlar maydoniga xaritalaydi. G (z) diskriminatorni maksimal darajada chalg'itishga o'rgatilgan bo'lib, u yaratgan namunalar ma'lumotlar taqsimotidan kelib chiqadi. Jeneratör D (x) wrt x gradyanidan foydalanib va ​​uning parametrlarini o'zgartirish uchun o'qitiladi.

    Shartli GAN (yoki cGAN) uchun tizimli kengaytma .

    Shartli imkoniyati (yoki cGANs) tashqi axborot holiga modelini beradi asosiy GAN modeli oddiy kengaytirish hisoblanadi. Bu o'rganilgan generativ modelni har xil kontekstli ma'lumot bilan ta'minlab, uni har xil "rejimlarda" jalb qilish imkonini beradi (Gauthier, J. 2014).

    Bu modelni generatorga ham, diskriminatorga ham shart qilib, ma'lumotni y berish orqali qurish mumkin. Shartsiz generativ modelda oldingi p (z) dan olingan z xaritalar namunalari bir xil yoki normal taqsimotdan olinganligi sababli, hosil qilinayotgan ma'lumotlarning rejimlari nazorat qilinmaydi. Boshqa tomondan, modelni qo'shimcha ma'lumotlarga moslashtirish orqali ma'lumotlarni yaratish jarayonini yo'naltirish mumkin (Mirza, M., & Osindero, S. 2014).

    Adversarial Auto-Encoders (AAE) uchun tizimli kengaytma.

    Bu kutubxona, shuningdek, avtomatik kodlovchi maxfiy qatlamidagi xususiyat nuqtalarining to'plangan orqa qismini o'zboshimchalik bilan oldindan taqsimlash bilan GAN-larni ishlatib, o'zgaruvchan xulosa chiqarish uchun GAN-larni ishlatadigan ehtimollik avtomatik kodlovchisi bo'lgan Adversarial Auto-Encoders (AAE) ni ham taqdim etadi. Maxzani, A. va boshqalar, 2015). Birlashtirilgan posteriorni oldingisiga moslashtirish, oldingi bo'shliqning istalgan qismidan mazmunli namunalar olishini ta'minlaydi. Natijada, Adversarial Auto-Encoder dekoderi ma'lumot tarqatishdan oldin o'rnatilgan xaritani tuzadigan chuqur generativ modelni o'rganadi.

    Energiyaga asoslangan generativ adversarial tarmoq (EBGAN) uchun tizimli kengaytma.

    Avtomatik kodlovchilarni qayta ishlatib, ushbu kutubxona kamsituvchi ma'lumotlarga yaqin bo'lgan hududlarga kam energiya sarflaydigan energiya funktsiyasi sifatida qaraydigan Energiyaga asoslangan Generativ Adversarial Network (EBGAN) modelini (Zhao, J. va boshq., 2016) taqdim etadi. boshqa mintaqalarga ko'p va yuqori energiya. Avtomatik kodlovchilar an'anaviy ravishda energiyaga asoslangan modellarni ko'rsatish uchun ishlatilgan. Avtomatik kodlovchilar ba'zi tartibga solish shartlari bilan o'qitilganda, nazorat yoki salbiy misollarsiz energiya kollektorini o'rganish imkoniyatiga ega. Bu shuni anglatadiki, hatto haqiqiy namunani rekonstruksiya qilish uchun energiyaga asoslangan Avtomatik kodlash modeli o'rgatilgan bo'lsa ham, model o'z-o'zidan ma'lumotlar to'plamini topishga yordam beradi.

    AAE va EBGAN o'rtasidagi tizimli aloqa.

    Ushbu kutubxona AAE va EBGAN o'rtasidagi tizimli bog'lanish orqali Energiyaga asoslangan Adversarial-Auto-Encoder (EBAAE) modelini yaratadi. Ta'lim algoritmi AAElarni generator sifatida va EBGANni diskriminator sifatida raqobatbardosh o'qitishga tengdir.

    Foydalanish holati: GANlar tomonidan tasvir yaratish.

    Python modulini import qiling.

    Qo'ng'iroq usulini o'rganish.

    Posterior jurnallarni tekshirishingiz mumkin.

    Va qo'ng'iroq qilish usuli. Yaratilgan tasvir ma'lumotlari o'zgarmaydigan arrda saqlanadi.

    Arr shakli.

    • partiya
    • kanal
    • balandlik
    • kenglik

    Batafsil yoki original modellashtirish yoki sozlash uchun, accel-brain-base ga qarang. Bu kutubxona "accel-brain-base" ga asoslangan.

    Foydalanish holati: EBGANlar tomonidan tasvir yaratish.

    Python modulini import qiling.

    Qo'ng'iroq usulini o'rganish.

    Posterior jurnallarni tekshirishingiz mumkin.

    Va qo'ng'iroq qilish usuli. Yaratilgan tasvir ma'lumotlari o'zgarmaydigan arrda saqlanadi.

    Arr shakli.

    • partiya
    • kanal
    • balandlik
    • kenglik

    Batafsil yoki original modellashtirish yoki sozlash uchun, accel-brain-base ga qarang. Bu kutubxona "accel-brain-base" ga asoslangan.

    Foydalanish holati: AAEs tomonidan tasvir yaratish.

    Python modulini import qiling.

    Qo'ng'iroq usulini o'rganish.

    Posterior jurnallarni tekshirishingiz mumkin.

    Va qo'ng'iroq qilish usuli. Yaratilgan tasvir ma'lumotlari decoded_arr o'zgaruvchisida saqlanadi.

    Decoded_arr shakli.

    • partiya
    • kanal
    • balandlik
    • kenglik

    Batafsil yoki original modellashtirish yoki sozlash uchun, accel-brain-base ga qarang. Bu kutubxona "accel-brain-base" ga asoslangan.