门控PixelCNN解码器生成图像Conditional-PixelCNN-decoder.zip

上传者: 39841882 | 上传时间: 2021-09-01 23:48:14 | 文件大小: 2.54MB | 文件类型: ZIP
这是使用 PixelCNN 解码器生成条件图像的 Tensorflow 实现,其引入了最初在像素周期性神经网络中提及的基于 PixelCNN 架构的门控 PixelCNN 模型。该模型可以基于标签或图像的潜在表示来相应地生成图像。图像也可以无条件地建模。它也可以作为一个强大的解码器,并可以在自动编码器和 GANs 中取代反卷积(转置卷积)。这篇文章的详细摘要可以在这里找到。示例:架构:这是模型中使用的 Gated PixelCNN 的架构:


标签:Conditional

文件下载

资源详情

[{"title":"( 13 个子文件 2.54MB ) 门控PixelCNN解码器生成图像Conditional-PixelCNN-decoder.zip","children":[{"title":"Conditional-PixelCNN-decoder-master","children":[{"title":".gitignore <span style='color:#111;'> 35B </span>","children":null,"spread":false},{"title":"images","children":[{"title":"ae_sample.jpg <span style='color:#111;'> 26.29KB </span>","children":null,"spread":false},{"title":"conditioned_samples.png <span style='color:#111;'> 2.21MB </span>","children":null,"spread":false},{"title":"gated_cnn.png <span style='color:#111;'> 124.57KB </span>","children":null,"spread":false},{"title":"conditional.gif <span style='color:#111;'> 92.42KB </span>","children":null,"spread":false},{"title":"sample.jpg <span style='color:#111;'> 27.87KB </span>","children":null,"spread":false},{"title":"loss.png <span style='color:#111;'> 116.38KB </span>","children":null,"spread":false}],"spread":true},{"title":"layers.py <span style='color:#111;'> 4.58KB </span>","children":null,"spread":false},{"title":"models.py <span style='color:#111;'> 4.34KB </span>","children":null,"spread":false},{"title":"utils.py <span style='color:#111;'> 3.65KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 3.05KB </span>","children":null,"spread":false},{"title":"autoencoder.py <span style='color:#111;'> 2.16KB </span>","children":null,"spread":false},{"title":"main.py <span style='color:#111;'> 3.89KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明