解开变分自编码器
PyTorch 实现的论文
团队成员：
安德烈亚斯·斯帕诺普洛斯 ( )
Demetrios Konstantinidis ( )
存储库结构
目录包含我们迄今为止创建的模型。 一路上还会有更多。
python脚本是主要的可执行文件。
目录包含可用于训练和测试的 colab notebook。
在目录中有一个 ，其中详细解释了变分自动编码器的基本数学概念。
在目录中有一些配置文件可用于创建模型。
在目录中有我们通过使用各种配置运行模型得到的结果。
楷模
目前支持两种模型，一个简单的变分自动编码器和一个解开版本 (beta-VAE)。 模型实现可以在目录中找到。 这些模型是使用PyTorch Lightning开发的。
变分自编码器
变分自编码器是一个生成模型。 它的目标是学习数据集的分布，然后从相同的分布中生成新的（看不见的）数据点。 在下图中，我们可
2023-04-17 15:19:38
5.04MB
1
β-VAE
下面两篇论文的Pytorch复制：
依赖关系
python 3.6.4
pytorch 0.3.1.post2
visdom
数据集
用法
初始化visdom
python -m visdom.server
您可以通过以下方式重现结果
sh run_celeba_H_beta10_z10.sh
sh run_celeba_H_beta10_z32.sh
sh run_3dchairs_H_beta4_z10.sh
sh run_3dchairs_H_beta4_z16.sh
sh run_dsprites_B_gamma100_z10.sh
或者您可以通过手动设置参数来运行您自己的实验。 对于客观和模型参数，您有两个选项 H 和 B 表示 Higgins 等人提出的方法。 和 Burgess 等人，分别。 参数--C_max和--C_stop_iter应该在--obj
2021-11-10 16:10:26
3.87MB
1
TensorFlow 2.0中的自动编码器
以下自动编码器的实现；
香草自动编码器（AE）
去噪自动编码器
备用自动编码器（进行中）
压缩式自动编码器（进行中）
可变自动编码器（VAE）
条件变分自动编码器（CVAE）
节拍变奏自编码器（beta-VAE）（进行中）
如何运行：
运行python3 main.py --ae_type AE
我们可以传递的参数：
ae_type：自动编码器的类型-AE，DAE，VAE，CVAE，BetaVAE
latent_dim：潜在维度的度数-2、3等。
num_epochs：训练纪元数-100等
learning_rate：培训期间的学习率-1e-4
batch_size：批量大小-1000
2021-06-11 17:04:12
2.47MB
1