FER2013-CNN-Resnet- 这些是我关于面部表情识别的论文项目，旨在改善Yujin Gan等人先前在2018年发表的研究论文。

为了提高工作速度和响应度，往往采用PIN结构。PIN结构GaN紫外光电探测器具有以下优点：（1）由于高的势垒，因此有较低的暗电流；（2）工作速度高；（3）高阻抗适于焦平面阵列读出电路；（4）通过调整本征层的厚度可以调整其量子效率和工作速度；（5）器件可以在低偏压下或者零偏压下工作[12]。在PIN结构中，本征层起到了至关重要的作用，其厚度需要认真优化，因为它既影响了效率又影响了器件速度。图3－25是一种常见的GaN ΠN光电探测器结构四，首先在600°C下淀积⒛nm厚的低压缓冲层到蓝宝石称底，接着淀积500 nm厚的n￣Al0.5Ga0.5N层，然后生长本征层1.Al 0.4Ga 0.6N。本

SinGAN_图片生成简版，只包含图片生成的代码，相比GitHub的代码更小更简洁更容易看懂，许多代码我都加了注释

最近在研究GAN，好多生成式对抗网络是在tensorflow0.12.1框架下的，就下载了一个，传过来供大家使用

图像旋转45度的matlab代码TP-GAN ICCV17论文“”的TP-GAN Tensorflow正式实施，作者为张和Shu，李和，天宇和。 目的是从任何姿势下的单个面部图像中恢复同一个人的正面面部图像。 这是本文中的一些示例。 测试图像 可以在此处获得所有姿势的综合测试图像，MultiPIE中设置2中的相应照明（及其裁剪的输入）。 常见问题解答：可以根据要求获得其他照明条件和/或训练集的合成图像（不是原始图像）。 不幸的是，由于版权原因，我无法重新分发原始数据集。 如果您想访问原始的MultiPIE数据集，请联系。 随机例子 这是每个度数的10个测试图像对的随机示例。 15度和30度： 45度和60度： 75度和90度： 笔记 它最初是用Tensorflow 0.12编写的。 如果您已经实现了另一个版本，我将很乐意在这里引用它。 这是代码的初始版本，可能尚未经过全面测试。 优化，输入数据示例，预训练的模型和预计算的测试图像功能将在稍后发布。 使用Matlab脚本face_db_align_single_custom.m裁剪输入，该脚本接受5个关键点并输出裁剪的图像和转换后的关键点

Self-Attention Generative Adversarial Networks （SAGAN，自注意力机制GAN） 论文、代码 DeOldify 是用于着色和恢复旧图像及视频的深度学习项目 代码资源

GAN的集合 无监督GAN的Pytorch实现。 有关使用pytorch计算初始分数和FID的更多信息，请参见 楷模 直流电源 威根 WGAN-GP SN-GAN 要求 初始化metric模型git submodule update --init 安装python包pip install -U pip setuptools pip install -r requirements.txt 结果 模型 数据集 起始分数 FID 直流电源 CIFAR10 6.04（0.05） 47.90 WGAN（CNN） CIFAR10 6.64（0.6） 33.27 WGAN-GP（CNN） CIFAR10 7.47（0.06） 24.00 WGAN-GP（ResNet） CIFAR10 7.74（0.10） 21.89 SNGAN（CNN） CIFAR10 7

MNIST / CIFAR10的预训练GAN，VAE +分类器 在pytorch中使用GAN / VAE建模的简单起点。 包括模型类定义+培训脚本 包括笔记本电脑，其中显示了如何加载预训练的网络/如何使用它们 用pytorch 1.0+测试 生成与数据集图像大小相同的图像 mnist 使用基于的体系结构生成MNIST数据集（28x28）大小的图像。 训练了100个纪元。 重量。 数据样本 dcgan样本 样品 为了与不那么复杂的体系结构进行比较，我还在文件夹中包含了一个预训练的非卷积GAN，它基于代码（训练了300个纪元）。 我还基于在文件夹中包含了经过预训练的LeNet分类器，该分类器可实现99％的测试准确性。 cifar10 cifar10 gan来自pytorch示例回购，并实现了DCGAN论文。 它只需要很小的改动就可以生成大小为cifar10数据集（32x32x3）的

VAE_GAN_PyTorch 生成模型的集合（VAE，CVAE，GAN，DCGAN）

通过预训练模型进行AttnGAN推理 运行推断 涉及三个步骤。 创建容器（可选地，选择cpu或gpu dockerfile： docker build -t "attngan" -f dockerfile.cpu . 运行容器： docker run -it --name attngan -p 8888:8888 attngan bash 运行jupyter笔记本。 学分 所有代码均已从借用。 此回购协议只是将评估api简化为一个Jupyter笔记本，而不是托管在Azure上。