Advertisement

Pytorch-StarGAN-Digits: 非官方Pytorch版本的StarGAN，适用于Digit-5数据集(MNIST...)

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

简介：
Pytorch-StarGAN-Digits是一个非官方的Pytorch实现库，用于在MNIST等Digit-5数据集上运行StarGAN模型。 派托克·史塔根·迪格斯StarGAN的非官方Pytorch实现用于生成Digit-5数据集（包括MNIST、SVHN、SynDigits、MNIST-M和USPS）。典型的顶层目录布局如下： ``` ├── build # 编译文件 ├── docs # 文档文件 ├── src # 源代码文件 ├── test # 自动化测试 ├── tools ```

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Pytorch-StarGAN-Digits: 非官方Pytorch版本的StarGAN，适用于Digit-5数据集(MNIST...)
    优质
    Pytorch-StarGAN-Digits是一个非官方的Pytorch实现库，用于在MNIST等Digit-5数据集上运行StarGAN模型。 派托克·史塔根·迪格斯StarGAN的非官方Pytorch实现用于生成Digit-5数据集（包括MNIST、SVHN、SynDigits、MNIST-M和USPS）。典型的顶层目录布局如下： ``` ├── build # 编译文件 ├── docs # 文档文件 ├── src # 源代码文件 ├── test # 自动化测试 ├── tools ```
     
  • Stargan-V2: StarGAN v2的官方PyTorch实现（CVPR 2020）
    优质
    简介：StarGAN-v2是继StarGAN之后的升级版模型，本项目提供了其官方的PyTorch实现。该代码在CVPR 2020上展示，并包含多种先进的图像到图像翻译功能。 StarGAN v2：多个域的多样化图像合成*，* *，*，在CVPR 2020中。（*表示相等贡献） 良好的图像到图像转换模型应学习不同视觉领域之间的映射，并且满足以下属性：1）生成图像的多样性和2）多领域的可扩展性。现有方法解决了其中一个问题——对于所有域而言，其多样性有限或需要多个独立模型。我们提出了StarGAN v2框架，它同时解决这两个问题并在基线之上显示出明显改善的结果。 在CelebA-HQ和新的动物面部Kong数据集（AFHQ）上的实验验证了我们在视觉质量、多样性和可伸缩性方面的优越表现。为了更好地评估图像到图像的翻译模型，我们发布了具有较大领域间及域内差异的高质量动物脸的数据集AFHQ。 StarGAN v2的相关代码、预训练模型和数据集可在clovaai stargan-v2中找到。
     
  • Stargan-v2-annotated-pytorch: 我的PyTorch中带注释的StarGAN实现
    优质
    这是一个包含详细注释的PyTorch版本的StarGAN代码库，旨在帮助学习者更好地理解和掌握StarGAN模型及其应用。 我对StarGAN v2的研究旨在促进个人学习。该研究基于CVPR 2020会议发表的论文《StarGAN v2：多个域的多样化图像合成》。 良好的图像到图像转换模型应当能够学习不同视觉领域间的映射，并且需要满足以下两个属性：1）生成图像的多样性；2）在多个领域的可扩展性。现有的方法通常只能解决上述问题中的一个，要么是所有领域内的多样性有限，要么就是存在多套独立运行的模型。 我们提出了一种名为StarGAN v2的新框架，它能够同时改善这两个方面，并且相较于基线技术显示出了显著的进步。我们在CelebA-HQ和新的动物面部Kong数据集（AFHQ）上进行了实验，这些实验验证了我们在视觉质量、多样性和可伸缩性方面的优越表现。 为了更好地评估图像到图像的转换模型的效果，我们发布了AFHQ数据集。
     
  • PyTorch-ARM-Builds：适用于ARM设备的非官方PyTorch及Torchvision版本
    优质
    PyTorch-ARM-Builds提供针对ARM架构设备的非官方PyTorch和Torchvision库版本，便于在嵌入式系统或移动设备上进行深度学习开发。 pytorch-arm-builds 提供了非官方的 ARMv6、ARMv7 和 Aarch64 构建版本，适用于 Raspberry Pi 0、1、2、3、4 等设备及 Android 手机等平台。 ### 常见问题解答 #### 1. 构建过程 构建详细说明如下： - 这些是在带有 qemu-static chroot 的 Fedora x86_64 系统上进行的。 - armv6 版本在 Raspberry Pi Zero WH（运行 Raspbian） 上完成构建。 #### 2. 依赖关系 PyTorch 的 Python 包仅需要 numpy。建议使用发行版包管理器下载二进制版本，避免自行编译。还需其他一些依赖项如 openblas、libgom 和 pillow 等。 Python 解释器在导入时会警告缺失的模块。 Fedora 用户可以通过以下命令安装所需依赖： ```bash sudo dnf install ``` 请根据实际需要替换 `` 为具体的包名。
     
  • CBDNet-pytorch: 非官方的PyTorch版本CBDNet
    优质
    CBDNet-pytorch是一个非官方维护的项目，提供了使用PyTorch框架实现的CBDNet代码库。该项目旨在为希望在PyTorch环境中工作的研究人员和开发者提供便利。 CBDNet-火炬CBDNet的非官方PyTorch实现。 更新2021.04.02：该代码可能存在一些实现错误，请谨慎使用。 欢迎提交拉请求。 2020.12.04：我们使用新的数据集训练了CBDNet模型，PSNR（DND基准）从38.06提升到了39.63。 快速开始指南： - 下载数据集和预训练的模型。 - 将文件解压缩到data文件夹和save_model文件夹中，如下所示： ~/ data/ SIDD_train/ Syn_train/ DND/ images_srgb/ 保存模型路径为：~/ save_model/ checkpoint.pth.tar 训练模型： python tr
     
  • 基于Stargan的CelebA数据集应用
    优质
    本研究利用StarGAN模型在CelebA数据集中进行人脸属性编辑与风格迁移实验，探索多任务学习框架下的生成对抗网络性能优化。 适用于StarGAN的CelebA数据集，由于原始数据集在Dropbox上下载困难，尤其是对于无法使用梯子的人群来说更加不便。现在我已经将该数据集搬到了百度云，并分享给大家。
     
  • StarGAN中的CelebA数据集
    优质
    简介：CelebA数据集是StarGAN研究中广泛使用的人脸属性编辑数据库，包含数十万张名人面部图像及其多种属性标签。 CelebA数据集（StarGAN）由于直接通过命令行下载通常难以成功，因此我将其上传到了百度云盘供大家下载。
     
  • FixMatch-pytorch：非官方的PyTorch版本实现
    优质
    FixMatch-pytorch是由社区维护的一个非官方项目，提供了用PyTorch框架实现的FixMatch半监督学习算法。此代码库旨在为机器学习爱好者和研究者提供一个易于使用的实验平台。 这是FixMatch的非官方PyTorch实现。Tensorflow的官方实现在另一处提供。 该代码仅在使用RandAugment的情况下适用于FixMatch。 结果如下： CIFAR10数据集： 标签数量：40，250，4000 论文（RA）的结果为：86.19±3.37, 94.93±0.65, 95.74±0.05 本代码实现结果为：93.60, 95.31, 95.77 CIFAR100数据集： 标签数量：400，2500，10000 论文（RA）的结果为：51.15±1.75, 71.71±0.11, 77.40±0.12 本代码实现结果为：57.50, 72.93, 78.12 使用以下选项进行训练--amp --opt_level O2 --wdecay 0.001。 用法： 通过CIFAR-10数据集的4000个标记数据来训练模型。
     
  • 非官方PyTorch版本的RandAugment重现：pytorch-randaugment
    优质
    pytorch-randaugment是一个非官方但功能强大的PyTorch库，实现了RandAugment数据增强技术，用于提高机器学习模型在图像分类任务中的性能和泛化能力。 PyTorch-Randaugment 是 RandAugment 的非官方 PyTorch 重新实现版本。大部分代码来自其他开源项目。介绍使用 RandAugment 可以在不依赖单独代理任务的情况下，对感兴趣的数据集训练模型。通过仅调整两个超参数（N 和 M），您可以获得与 AutoAugments 性能相竞争的效果。 安装方法： ``` pip install git+https://github.com/ildoonet/pytorch-randaugment ``` 用法示例： ```python from torchvision.transforms import transforms from RandAugment import RandAugment transform_train = transforms.Compose([ transforms.RandomCrop(32, padding=4), # 其他转换步骤... ]) ```
     
  • PyTorch官方示例代码中的MNIST数据集
    优质
    这段简介是关于如何在PyTorch框架中使用官方提供的示例代码来操作和训练基于MNIST手写数字数据集的神经网络模型。 Pytorch 官方示例代码中的 MNIST 数据集使用 tar 命令进行了压缩，请使用 tar 工具进行解压操作。