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。

萨根 Self Attention GAN的TensorFlow实现 进展：SAGAN在理论上起作用； 需要进行收敛测试； 必须计算数据集的均值和方差

对抗生成网络学习（十二）——MARTA-GAN实现遥感图像的场景生成(tensorflow实现)-附件资源

Keras_TP-GAN TP-GAN的非官方Keras（带有Tensorflow）的重新实现，“超越面部旋转：用于真实感和身份保留正面视图合成的全局和局部感知GAN” 该代码的主要部分是参考作者的官方纯Tensorflow实现来实现的。 原纸是 Huang R，Zhang，S.，Li T.，＆He，R.（2017年）。 除面部旋转之外：全局和局部感知可用于实现真实感和身份保留的正面视图合成。 arXiv预印本arXiv：1704.04086。 当前结果 目前，概括性不如作者的结果。 如果您对此实现有任何评论，请给我发电子邮件。 我很高兴一起讨论。 输入 综合的 GT 这4张图像的主题包含在训练数据集中，但照明度有所不同。 图书馆版本 的Python：3.6.3 Tensorflow：1.5.0 凯拉斯：2.1.3 GPU：GeForce GTX 1080 Ti（单个）

尽管生成式对抗网络(GAN)的历史并不长，但它已被广泛地研究和用于各种任务，包括其最初的目的，即合成样品的生成。然而，将GAN用于具有不同神经网络结构的不同数据类型，由于其在训练方面的局限性，使得模型很容易出现混乱。

GAN的设计资料

感性 该存储库包含以下论文的PyTorch实现：GANomaly：通过对抗训练进行半监督异常检测 1.目录 2.安装 首先克隆存储库 git clone https://github.com/samet-akcay/ganomaly.git 通过conda创建虚拟环境 conda create -n ganomaly python=3.7 激活虚拟环境。 conda activate ganomaly 安装依赖项。 conda install -c intel mkl_fft pip install --user --requirement requirements.txt 3.实验 要在纸上为MNIST和CIFAR10数据集复制结果，请运行以下命令： # MNIST sh experiments/run_mnist.sh # CIFAR sh experiments/run

DCGAN-TensorFlow-面生成 使用深度卷积生成对抗网络生成的人脸图像