Advertisement

Wasserstein GAN 和 WGAN_gp。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
利用TensorFlow框架构建的wGAN和wGAN-GP模型，只需将数据集放置于名为“data”的文件夹之中，例如“data/数据/*.jpg”。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • (WGAN、WGAN_gp) Wasserstein GAN
    优质
    简介：Wasserstein GAN（WGAN）及其改进版WGAN-GP是利用Wasserstein距离替代JS散度以解决传统GAN训练难题的生成对抗网络模型。 基于TensorFlow实现的WGAN和WGAN_GP，将数据集放置在data文件夹下即可，例如路径为data/数据/*.jpg。
     
  • Wasserstein-GAN:基于PyTorch的WGAN实现
    优质
    本项目采用Python深度学习库PyTorch实现了Wasserstein Generative Adversarial Networks (WGAN)，旨在提供一种改进的生成对抗网络训练方法，以解决传统GAN训练过程中的难题。 瓦瑟斯坦·甘（WGAN）论文的PyTorch实现正在进行中，目的是为了教育目的复制LSUN和CIFAR10实验。该项目还展示了深度卷积生成对抗网络（DCGAN）如何演变为WGAN的过程。 项目包括： - Jupyter笔记本用于处理火炬LSUN卧室数据集 - 脚本用于下载和预处理LSUN LMDB数据 - 火炬CIFAR10 凯拉斯2 MNIST预训练模型的转换工作 - PyTorch权重文件，其中包含了生成图像样本的部分
     
  • 1D中计算1-和2-Wasserstein距离的Wasserstein代码——MATLAB开发
    优质
    本项目提供了一个MATLAB工具箱，用于在1维空间中高效地计算1-和2-Wasserstein距离。适用于统计分析、机器学习等领域研究者使用。 此代码计算通过样本给出的两个均匀概率分布之间的 1-Wasserstein 距离和 2-Wasserstein 距离。从图形上讲，它测量输入向量的（归一化）直方图之间的距离。有关更多详细信息，请参阅相关文档或资料。
     
  • WGAN_GP的生成对抗网络.py
    优质
    本代码实现了基于梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)，用于改进生成模型的学习过程，提高图像等数据的生成质量。 WGAN-GP是为了满足WGAN中的李普西斯条件而提出的。WGAN本身通过梯度裁剪来实现这一点，但这种方法会导致大多数权重变为正负0.01左右的值。因此，需要一种新的方法来满足李普西斯条件，这就是引入WGAN-GP的原因。
     
  • MATLAB-GAN：从GAN到Pixel2Pixel和CycleGAN的实现
    优质
    《MATLAB-GAN》是一份详尽指南，介绍了如何使用MATLAB实现多种生成对抗网络模型，包括基础GAN架构、像素级图像转换及循环一致性GAN。 该研究论文提出了一个生成对抗网络（GAN）的MATLAB实现集合，其中包括了多种类型的GAN模型，如标准GAN、条件式GAN（cGAN）、信息论导向的GAN（info-GAN）、对抗自编码器、Pix2Pix以及CycleGAN等。这些模型被应用于不同的数据集上进行测试和验证，具体包括MNIST手写数字数据库、celebA人脸图像库及Facade建筑立面图数据集。
     
  • IE598NH-Lecture 21: Wasserstein Distributionally Robust Optimization...
    优质
    本课程聚焦于Wasserstein分布鲁棒优化理论及其应用，探讨在不确定性条件下的决策制定方法。通过案例分析和数学建模，深入理解该领域核心概念与算法。 IE598NH-lecture-21-Wasserstein Distributionally Robust Optimization.pdf 这段文字描述的是一个PDF文档的名称，该文档的内容与Wasserstein分布鲁棒优化有关。重写后保持了原有的信息内容不变，去除了任何可能存在的联系方式和链接等非必要信息。
     
  • GAN与VAE：分别在CIFAR-10和MNIST任务中实现GAN和VAE
    优质
    本项目探讨了生成对抗网络（GAN）和变分自编码器（VAE）的应用，在CIFAR-10数据集上使用GAN进行图像生成，同时在MNIST数据集上实施VAE以评估其性能。 GAN-VAE 分别在CIFAR-10和MNIST任务上实施了生成对抗网络（GAN）和变分自编码器（VAE）。
     
  • Wasserstein库：高效的Python和C++ Wassertein距离计算工具
    优质
    Wasserstein库是一款集成了高效Python与C++代码的工具包，专注于快速准确地计算Wasserstein距离（又称Earth Movers Distance），适用于数据科学及机器学习领域。 瓦瑟施泰因是一个用于高效计算Wasserstein距离的Python和C++库。版权所有（C）2019-2021 Patrick T.Komiske III。
     
  • GAN Lab: GAN实验室
    优质
    GAN实验室致力于研究和开发生成对抗网络技术，探索其在图像处理、数据增强及人工智能领域的广泛应用与创新。 GAN Lab：用于生成对抗网络的交互式可视化实验工具 概述： GAN Lab是一种新颖的交互式可视化工具，任何人都可以学习并尝试通用对抗性网络（GANs），这是一类流行的复杂深度学习模型。借助于GAN Lab，您可以像使用玩具一样训练2D数据分布上的GAN模型，并且能够实时地观察其内部工作原理。该工具采用浏览器内GPU加速的深度学习库实现，从模型训练到可视化展示的所有操作均由JavaScript完成。用户只需通过Chrome等现代网络浏览器即可运行此应用。 发展： 本节介绍如何开发GAN Lab。 安装依赖项： 执行以下命令克隆GitHub上的相关代码仓库：$ git clone https://github.com/polymerlabs/ganlab.git