音乐GAN 塞缪尔·贝里恩（Samuel Berrien）

生成绘画火炬 根据作者的，对PyTorch重新。 先决条件 该代码已经在Ubuntu 14.04上进行了测试，以下是需要安装的主要组件： Python3 PyTorch 1.0+ 火炬视觉0.2.0+ 张量板 pyyaml 训练模型 python train.py --config configs/config.yaml 检查点和日志将保存到checkpoints 。 用训练好的模型进行测试 默认情况下，它将在检查点中加载最新保存的模型。 您也可以使用--iter通过迭代选择保存的模型。 训练有素的PyTorch模型：[ ] [] python test_single.py \ --image examples/imagenet/imagenet_patches_ILSVRC2012_val_00008210_input.png \ --mask examples/cen

训练12小时后512x512鲜花，1 gpu 训练12小时后256x256朵鲜花，1 gpu 比萨 ``轻巧''GAN 在Pytorch的ICLR 2021中提出的实现。 本文的主要贡献是发生器中的跳层激励，以及鉴别器中的自动编码自监督学习。 引用单行摘要“在经过数小时培训的情况下，可以在1024 g分辨率的数百张图像上融合在单个gpu上”。 安装 $ pip install lightweight-gan 使用 一个命令 $ lightweight_gan --data ./path/to/images --image-size 512 每隔1000次迭代，模型将保存到./models/{name} ，模型中的样本将保存到./results/{name} 。 name将是default ，默认情况下。 训练设定 深度学习从业人员的自我解释能力很强 $ lightweight_ga

StyleGAN —官方TensorFlow实施的编码器 的StyleGAN2 这是我的StyleGAN编码器； 有很多类似的东西，但这是我的。 感谢@Puzer作为原始人，其中包括叉子；感谢@SimJeg作为构成此处所用ResNet模型基础的初始代码；感谢@Pender他的叉子！ 从左到右：原始图像，在生成的StyleGAN面Kong上经过训练的ResNet的预测图像以及最终的编码图像。 我添加了什么： ResNet编码器-使用train_resnet.py自己训练或！ 将模型放在data / finetuned_resnet.h5中 可以直接替换以使用带有train_effnet.

TensorFlow-Conditional-GAN （Conditional-GAN）条件生成对抗网络 可以使用Vanilla GAN模型创建所需目标图像的模型 有条件的GAN论文： : 有条件的GAN.py * loss function는 https://github.com/SeonbeomKim/TensorFlow-vanilla-GAN 의 v2와 동일 * dataset : MNIST 有条件的GAN MNIST结果（经过290个训练周期）

循环GAN-TensorFlow 使用TensorFlow进行CycleGan的实现（正在进行中）。 原始论文： : 测试数据结果 苹果->橙色 输入值 输出量 输入值 输出量 输入值 输出量 橙色->苹果 输入值 输出量 输入值 输出量 输入值 输出量 环境 TensorFlow 1.0.0 的Python 3.6.0 数据准备 首先，下载一个数据集，例如apple2orange $ bash download_dataset.sh apple2orange 将数据集写入tfrecords $ python3 build_data.py 检查$ python3 build_

文本框 通过生成的对抗网络从输入的单词生成文本框。 视频：在不同的培训步骤中生成“生成”一词： ： 图1：使用我们的模型生成“具有相同样式的单词”的不同示例 内容 ： 经过训练的模型：经过预先训练的模型（有关该模型的更多详细信息，请参见“部分）。 将该目录放置在目录中。 要使用它，请将EXPERIMENT_NAME = None替换为EXPERIMENT_NAME = "trained model" ，并确保文件中的cfg.resume_step = 225000 。 aster_weights ：转换为tf2的 OCR的权重。 将此目录放置在项目的根目录下。 训练模型，运行投影仪和推断测试集是必需的。 perceptual_weights ：感知损失的权重，使用回购从pytorch转换而来。 将此目录放置在目录中。 运行投影仪是必需的。 构建码头工人 docker build

3dgan-chainer 3D生成对抗网络的Chainer实现。 结果 一些好的样品产生了椅子。 （50纪元） python generate_samples.py result/trained_models/Generator_50epoch.npz 要求 链接器（2.0.1） 科学的 scikit图像 h5py pip install scipy scikit-image h5py 可选的 如果要绘制体素，则需要 。 截至2017年10月19日，未发行版本的matplotlib仅包含功能 matplotlib 2.1.0 + 323.ge6448bafc pip install git+https://github.com/matplotlib/matplotlib 数据集 我使用了ShapeNet-v2数据集。 培训脚本支持.binbox或.h5扩展名。 描述你的数据集路径DATASET_PATH在train.py 。 .binvox 只需在ShapeNet-v2中使用.binvox文件

3dgan-keras 这是一个实现 ，最初是由MIT CSAIL提出。 运行python main.py进行训练，不要忘记将卷放在/data/train 。 要进行测试，只需运行python main.py --mode=test并指定所需的test_epoch 。 版本号 keras == 2.2.4 去做 数据加载器 测试脚本 添加张量板 作者 Chi Nok Enoch Kan /

瓦瑟斯坦·甘 Wasserstein GAN（WGAN）论文的PyTorch实现。 该项目正在尝试出于教育目的复制LSUN和CIFAR10实验。 在这个项目中，我们还可以看到深度卷积生成对抗网络（DCGAN）如何演变成WGAN。 注意：DCGAN最初是使用Keras 1实现的，并迁移到了Keras 2。 Jupyter笔记本 火炬 LSUN卧室数据集 用于下载和预处理LSUN LMDB数据的脚本 火炬 CIFAR10 凯拉斯2 MNIST 预训练模型 PyTorch权重文件： 生成的图像样本 更多生成的样本