Awesome GitHub RepositoriesGenerative Adversarial Network Training

UGATIT este o rețea generativă adversarială (GAN) nesupervizată și un model de traducere imagine-la-imagine implementat în TensorFlow. Acesta servește drept implementare oficială de cercetare a unei lucrări ICLR 2020, oferind un framework pentru convertirea imaginilor între diferite stiluri vizuale fără a necesita exemple de antrenament pereche. Sistemul utilizează o rețea atențională generativă nesupervizată și hărți de atenție pentru a deforma formele geometrice și a modifica texturile în timpul procesului de traducere. Utilizează un framework cycle-consistent pentru a asigura calitatea traducerii, necesitând ca imaginile să revină la starea lor originală după schimbări de domeniu în ambele sensuri. Codul sursă acoperă antrenarea generativă adversarială și transformarea geometrică a imaginilor, utilizând arhitecturi de discriminare multi-scală și normalizarea adaptivă layer-instance pentru a rafina calitatea sintezei.

This repository is a collection of guided tutorials for building and training machine learning models using the TensorFlow framework. It provides practical walkthroughs and examples for implementing a variety of model architectures to solve data prediction and analysis problems. The guides cover the construction of feedforward, convolutional, and recurrent neural networks to analyze complex data patterns. It includes specific tutorials for unsupervised learning, such as denoising autoencoders and word-to-vec embeddings, as well as examples for training generative adversarial networks to synth

Acest proiect este o colecție de cursuri de deep learning în PyTorch, constând în proiecte practice și exerciții de programare. Se concentrează pe implementarea arhitecturilor de rețele neuronale și antrenarea modelelor pentru a rezolva probleme complexe de date. Repository-ul include o suită de proiecte de computer vision pentru construirea de clasificatori de imagini, autoencodere și aplicații de transfer de stil. Dispune de un laborator de rețele generative adversariale (GAN) pentru crearea de imagini sintetice și implementări specifice pentru transfer learning, pentru a adapta ponderile pre-antrenate la sarcini noi. Codul sursă acoperă analiza datelor secvențiale pentru procesarea limbajului natural (NLP) folosind rețele neuronale recurente și word embeddings. Capabilitățile suplimentare includ preprocesarea datelor de imagine, evaluarea performanței modelelor și deployment-ul modelelor antrenate în infrastructuri cloud. Materialele sunt livrate sub forma unei serii de Jupyter Notebooks.

StarGAN este un framework de traducere imagine-la-imagine PyTorch conceput pentru a sintetiza stiluri vizuale și atribute între mai multe domenii. Implementează o rețea generativă adversarială care servește drept traducător de imagini deep learning pentru modificarea caracteristicilor vizuale specifice într-un set de date de imagini. Framework-ul utilizează un singur model unificat pentru a gestiona traducerile între mai multe domenii de imagine, în loc să necesite perechi separate de modele. Este o implementare de cercetare care învață mapări între diferite atribute ale imaginii fără a fi nevoie de date de antrenament pereche. Proiectul acoperă antrenarea și optimizarea modelelor generative, inclusiv aplicarea checkpoint-urilor de modele pre-antrenate pentru inferență. De asemenea, oferă utilitare pentru pregătirea și organizarea seturilor de date de imagini pe baza etichetelor și a împărțirilor.

Srez este un framework de deep learning pentru super-rezoluția imaginilor, conceput pentru a upscala imaginile de joasă rezoluție în detalii vizuale clare, de înaltă rezoluție. Funcționează ca un instrument de antrenare a rețelelor neuronale care utilizează rețele generative adversariale (GAN) pentru a sintetiza detalii realiste ale imaginilor. Proiectul include un vizualizator al evoluției modelului care generează animații și loturi de imagini pentru a urmări îmbunătățirile vizuale în timpul procesului de antrenare. Utilizează o combinație de funcții de pierdere (loss functions) adversariale și L1 pentru a optimiza ponderile modelului și suportă checkpoint-uri periodice ale stării pentru recuperare și deployment. Sistemul acoperă construcția rețelelor neuronale folosind straturi feedforward, normalizarea loturilor (batch normalization) și funcții de activare. Oferă, de asemenea, instrumente de observabilitate pentru compararea calității upscaling-ului față de datele ground truth și monitorizarea progresului antrenării prin secvențe vizuale iterative.

Edward is a probabilistic programming language and inference engine designed for building deep generative models and Bayesian neural networks. It utilizes the TensorFlow framework to represent probabilistic models as differentiable computational graphs. The library enables the construction of complex data distributions through Bayesian neural networks, mixture models, and Gaussian processes. It differentiates itself by providing an integrated toolkit for both supervised and unsupervised probabilistic modeling, including the implementation of generative adversarial networks and mixture density

AnimeGAN este o rețea adversară generativă (GAN) și un traducător de imagini dezvoltat cu TensorFlow. Este conceput pentru transferul de stil foto-în-anime, utilizând un sistem de deep learning pentru a transforma fotografiile din lumea reală și cadrele video în imagini în stil anime. Sistemul include un convertor video-în-anime care aplică transformări vizuale consistente pe cadrele secvențiale. Suportă atât antrenarea rețelelor generative pe seturi de date artistice pentru a replica stiluri specifice, cât și extragerea ponderilor generatorului din checkpoint-uri pentru o inferență eficientă. Proiectul oferă utilitare pentru rafinarea imaginilor, inclusiv netezirea marginilor și blurarea pentru a îmbunătăți tranzițiile vizuale. De asemenea, gestionează procesarea fișierelor video prin pipeline-uri de cadre secvențiale.

OUCML este un curator de cercetare în machine learning și un instrument automat de curare a datelor. Oferă o colecție de lucrări de cercetare structurate, exemple de cod și ghiduri de studiu concepute pentru stăpânirea conceptelor complexe de data science. Proiectul include un framework de antrenare a rețelelor adverse generative care utilizează modele generatoare și discriminatoare pentru a rafina iterativ datele sintetice. De asemenea, funcționează ca o bibliotecă de calcul bazată pe tensori pentru efectuarea operațiilor matriciale de înaltă dimensiune pentru a accelera antrenarea rețelelor neuronale. Sistemul acoperă educația în machine learning și curarea cercetării prin agregarea materialelor tehnice în seturi de învățare structurate. Aceasta susține învățarea tehnică auto-ghidată prin organizarea lucrărilor academice și a modelelor de automatizare.

Acest proiect este o implementare PyTorch a unei rețele generative adversariale (GAN) concepută pentru sinteza imaginilor de înaltă rezoluție. Acesta oferă un model de sinteză a imaginilor care produce imagini realiste din vectori latenți și condiții de clasă învățate, susținut de un instrument de proiecție în spațiul latent pentru a găsi vectori numerici care reprezintă imagini țintă specifice. Implementarea include augmentarea adaptivă a discriminatorului, o tehnică de antrenare utilizată pentru a preveni supra-ajustarea (overfitting) discriminatorului atunci când se antrenează pe seturi de date limitate. Include, de asemenea, o suită de evaluare a modelelor generative care oferă metrici cantitative pentru a măsura fidelitatea și diversitatea imaginilor sintetizate. Biblioteca acoperă fluxuri de lucru generative mai largi, inclusiv amestecarea stilurilor de imagine, proiecția imagine-la-latent și antrenarea rețelelor generative pe seturi de date personalizate. Oferă utilitare pentru pregătirea seturilor de date de imagini și conversia ponderilor rețelei.

Acest proiect este o implementare de rețea adversară generativă și un framework de cercetare. Oferă instrumentele și hiperparametrii necesari pentru a antrena și evalua modele generative pe diverse seturi de date, fiind conceput special pentru a reproduce rezultatele din cercetările academice. Framework-ul include un estimator de verosimilitate a densității Parzen pentru a calcula log-verosimilitatea modelului. Acest lucru permite evaluarea cantitativă a distribuțiilor generative și măsurarea performanței generale a modelului. Codul sursă acoperă capabilități de cercetare în machine learning, concentrându-se pe antrenarea rețelelor adverse și evaluarea distribuțiilor de date sintetice.

photo2cartoon is a vision-based software tool and training framework designed to convert real human portrait photographs into stylized cartoon images. It utilizes generative adversarial networks to translate images from a real-world domain to a cartoon style. The project includes a training framework for these models that supports paired-data supervision and multi-GPU distributed training. It employs identity-preserving loss functions to ensure that the resulting cartoon outputs retain the original facial features of the subject. The system incorporates a full preprocessing pipeline that han

Acest proiect este o bibliotecă de deep learning construită pentru super-rezoluția unei singure imagini și îmbunătățirea vizuală. Oferă un framework pentru antrenarea și deployment-ul arhitecturilor de rețele neuronale concepute pentru a reconstrui imagini de înaltă rezoluție din surse de joasă rezoluție, recuperând eficient detaliile fine și eliminând artefactele cauzate de downscaling sau compresie. Biblioteca se distinge prin implementarea rețelelor generative adversariale și a arhitecturilor de blocuri reziduale, care lucrează împreună pentru a îmbunătăți realismul și claritatea output-urilor upscalate. Suportă antrenarea atât prin pierderea de reconstrucție la nivel de pixel, cât și prin funcții de pierdere perceptivă, permițând un echilibru între acuratețea obiectivă și calitatea vizuală. Toolset-ul include utilitare cuprinzătoare pentru pregătirea seturilor de date, permițând conversia colecțiilor de imagini brute în formate binare optimizate pentru a accelera ciclurile de antrenare. De asemenea, oferă proceduri pentru fine-tuning-ul modelelor și evaluarea performanței, folosind metrici precum raportul semnal-zgomot de vârf (PSNR) pentru a evalua eficacitatea sarcinilor de restaurare a imaginilor.