使用seq2seq模型与attention注意力机制生成对联，数据集中有预处理代码，其对应的工程代码github地址：https://github.com/zhangzhiqiangccm/NLP-project

T2F: 使用深度学习根据文本生成人脸图像

本资源是文本生成图像的SSA-GAN模型复现过程中必备的鸟数据集元处理数据包。包括test、text、train、example_filenames.txt、example_captions.txt、captions.pickle等数据。

SSAGAN预训练的 DAMSM 模型，包括文本编码器text encoder和图像编码器image encoder，其中text encoder是双向LSTM模型，image encoder是CNN模型。在文件中均已经预训练好了的第200轮。 下载后将其上传到 DAMSMencoders目录下并进行解压

本资源是文本生成图像的DF-GAN模型复现过程中必备的元处理数据包，包括DAMSMencoder的imageencoder和textencoder，FID评估使用的npz，class_info.pickle文件、filenames.pickle文件。 复现步骤请查看：https://blog.csdn.net/air__Heaven/article/details/125467190

本压缩包是文本生成图像里的 R分数实验代码 R-precision评估指标定量工程文件，可以用来评估文本与图像的对齐性（即生成的图像是否符合文本），工程包括build_RPdata.py、config.py、encoder.py、eval_Rprecision.py、all_texts.txt。 运行时： 1.先更改参数，将文件位置改成你已经生成好的图像的位置 2.运行build_RPdata.py，生成RPdata的数据，即每个数据是一个图像+n条句子 3.运行eval_Rprecision.py，评估图像与文本的对齐度 4.还可以更改R值，继续3进行各种实验

这是FID预训练好的模型，针对CUB-birds的文本生成图像定量指标训练好的模型 FID分数用于根据预训练网络提取的特征，测量真实图像分布和生成图像分布之间的距离。真实图像在空间中是服从一个分布的（假设为正态分布），而GAN生成的特征也是一个分布，GAN做的事情就是不断训练使这两个分布尽可能的相同。FID就是计算这两个分布直接的距离，使用的距离算法叫做Frechet distance。

这个是已经训练好的DFGAN，针对CUB的生成器模型，训练轮数601轮 默认bird.yml： CONFIG_NAME: 'bird' DATASET_NAME: 'bird' DATA_DIR: '../data/bird' GPU_ID: 0 WORKERS: 1 B_VALIDATION: True # True # False loss: 'hinge' TREE: BRANCH_NUM: 1 BASE_SIZE: 256 TRAIN: NF: 32 # default 64 BATCH_SIZE: 24 MAX_EPOCH: 601 NET_G: '../test' TEXT: EMBEDDING_DIM: 256 CAPTIONS_PER_IMAGE: 10 DAMSM_NAME: '../DAMSMencoders/bird/inception/text_encoder200.pth'

预训练好的inception model 是StackGAN 用来于鸟评估的inception score模型 也可以用于AttnGAN、DF-GAN等等文本生成图像模型当中 主要用于评估图像质量

通过文本生成二维码以及扫描二维码功能，android开发继承zxing详解代码