пыган 1.1.1

pygan - это библиотека Python для реализации генерирующих состязательных сетей (GAN), условных GAN, состязательных автокодировщиков (AAE) и генерирующих состязательных сетей на основе энергии (EBGAN).

pygan - это библиотека Python для реализации генерирующих состязательных сетей (GAN), условных GAN, состязательных автокодировщиков (AAE) и генерирующих состязательных сетей на основе энергии (EBGAN).

Навигация

Ссылки на проекты

  • Домашняя страница

Статистика

  • Звезды:
  • Вилки:
  • Открытые вопросы / PR:

Просмотрите статистику этого проекта через Libraries.io или используя наш общедоступный набор данных в Google BigQuery.

Лицензия:Стандартная общественная лицензия GNU v2 (GPLv2) (GPL2)

Теги Генеративные, Состязательные, Сети, Состязательные, Автокодеры, автокодер, автокодировщик, свертка, деконволюция, кодировщик, декодер, LSTM

Сопровождающие

Классификаторы

  • Статус разработки
    • 5 - Производство / Конюшня
    • Робот Фреймворк
    • Информационные технологии
    • Наука / Исследования
    • Одобрено OSI :: Стандартная общественная лицензия GNU v2 (GPLv2)
    • Python :: 3
    • Наука / Инженерия :: Искусственный интеллект

    Описание Проекта

    Библиотека генеративных состязательных сетей: pygan

    pygan - это библиотека Python для реализации генерирующих состязательных сетей (GAN), условных GAN, состязательных автокодировщиков (AAE) и генерирующих состязательных сетей на основе энергии (EBGAN).

    Эта библиотека позволяет разрабатывать генеративные модели на основе задач статистического машинного обучения в отношении генерирующих состязательных сетей (GAN), условных GAN, состязательных автокодировщиков (AAE) и генерирующих состязательных сетей на основе энергии (EBGAN) на практике. разработка алгоритмов для полууправляемого обучения.

    Монтаж

    Установить с помощью pip:

    Исходный код

    Исходный код в настоящее время размещен на GitHub.

    Индекс пакетов Python (PyPI)

    Установщики последней выпущенной версии доступны в указателе пакетов Python.

    Зависимости

      : v1.13.3 или выше. : v1.0.0 или выше.

    Документация

    Полная документация доступна на https://code.accel-brain.com/Generative-Adversarial-Networks/. Этот документ содержит информацию о функциональной возможности повторного использования, функциональной масштабируемости и функциональной расширяемости.

    Описание

    pygan - это библиотека Python для реализации генерирующих состязательных сетей (GAN), условных GAN, состязательных автокодировщиков (AAE) и генерирующих состязательных сетей на основе энергии (EBGAN).

    Фреймворк Generative Adversarial Networks (GANs) (Goodfellow et al., 2014) устанавливает минимальную и максимальную состязательную игру между двумя нейронными сетями - генеративной моделью G и дискриминативной моделью D. Модель дискриминатора, D (x), представляет собой нейронную сеть, которая вычисляет вероятность того, что наблюдаемая точка данных x в пространстве данных является выборкой из распределения данных (положительные выборки), которое мы пытаемся смоделировать, а не выборкой из нашего генеративная модель (отрицательные образцы). Одновременно генератор использует функцию G (z), которая отображает отсчеты z из предшествующего p (z) в пространство данных. G (z) обучен максимально сбивать с толку дискриминатор, заставляя его поверить в то, что генерируемые им выборки берутся из распределения данных. Генератор обучается, используя градиент D (x) относительно x и используя его для изменения своих параметров.

    Структурное расширение для условных сетей GAN (или cGAN).

    В условных GANS (или CGANS) является простым расширением базовой модели ГАН , которая позволяет модели состояния на внешней информации. Это позволяет задействовать изученную генеративную модель в разных «режимах», предоставляя ей разную контекстную информацию (Gauthier, J. 2014).

    Эта модель может быть построена путем простой подачи данных y для согласования как с генератором, так и с дискриминатором. В безусловной генеративной модели, поскольку выборки карт z из предыдущего p (z) взяты из равномерного или нормального распределения, нет никакого контроля над режимами генерируемых данных. С другой стороны, можно управлять процессом генерации данных, обусловливая модель дополнительной информацией (Mirza, M., & Osindero, S. 2014).

    Структурное расширение для состязательных автокодировщиков (AAE).

    Эта библиотека также предоставляет состязательные автокодеры (AAE), которые представляют собой вероятностный автокодировщик, который использует GAN для выполнения вариационного вывода путем сопоставления агрегированных апостериорных точек характерных точек в скрытом слое автокодировщика с произвольным предварительным распределением ( Махзани А. и др., 2015). Сопоставление агрегированного апостериорного значения с априорным гарантирует, что создание из любой части априорного пространства приведет к значимым выборкам. В результате декодер Adversarial Auto-Encoder изучает глубокую генеративную модель, которая отображает наложенные данные до распределения.

    Структурное расширение для Energy-based Generative Adversarial Network (EBGAN).

    Повторно используя автокодировщики, эта библиотека представляет модель генерирующей состязательной сети на основе энергии (EBGAN) (Zhao, J., et al., 2016), которая рассматривает дискриминатор как функцию энергии, которая приписывает низкие энергии областям рядом с данными. многообразие и более высоких энергий в другие регионы. Авто-кодеры традиционно использовались для представления моделей, основанных на энергии. При обучении с некоторыми терминами регуляризации автокодировщики получают возможность изучать энергетическое многообразие без наблюдения или отрицательных примеров. Это означает, что даже когда модель автокодирования на основе энергии обучается восстанавливать реальный образец, модель сама способствует обнаружению многообразия данных.

    Структурная связь между AAE и EBGAN.

    Эта библиотека моделирует Adversarial-Auto-Encoder на основе энергии (EBAAE) путем структурной связи между AAE и EBGAN. Алгоритм обучения эквивалентен состязательному обучению AAE как генератора и EBGAN как дискриминатора.

    Пример использования: создание изображений с помощью GAN.

    Импортируйте модуль Python.

    Вызов метода обучения.

    Вы можете проверить журналы апостериорного.

    И вызовите метод draw. Сгенерированные данные изображения хранятся в переменной arr.

    Форма обр.

    • партия
    • канал
    • высота
    • ширина

    Для более подробного или оригинального моделирования или настройки см. Accel-Brain-Base. Эта библиотека основана на Accel-Brain-Base.

    Пример использования: создание изображений с помощью сетей EBGAN.

    Импортируйте модуль Python.

    Вызов метода обучения.

    Вы можете проверить журналы апостериорного.

    И вызовите метод draw. Сгенерированные данные изображения хранятся в переменной arr.

    Форма обр.

    • партия
    • канал
    • высота
    • ширина

    Для более подробного или оригинального моделирования или настройки см. Accel-Brain-Base. Эта библиотека основана на Accel-Brain-Base.

    Вариант использования: создание изображений с помощью AAE.

    Импортируйте модуль Python.

    Вызов метода обучения.

    Вы можете проверить журналы апостериорного.

    И вызовите метод draw. Сгенерированные данные изображения хранятся в переменной decoded_arr.

    Форма decoded_arr равна.

    • партия
    • канал
    • высота
    • ширина

    Для более подробного или оригинального моделирования или настройки см. Accel-Brain-Base. Эта библиотека основана на Accel-Brain-Base.