文件名称：Generative_Adversarial_Networks_LS：用Pytorch编写的GAN
文件大小：42.77MB
文件格式：ZIP
更新时间：2024-03-06 04:14:16
Python
生成对抗网络 GAN的应用很多，但是在这里我将实现一些概念证明，以便更好地学习该网络的基础并使用Pytorch进行编码。 内容 1- GAN-MNIST：在MNIST数据集上使用线性层实现的GAN 优化程序判别器：Adam，学习率= 0.0002，β=（0.4，0.999）。 优化程序生成器：Adam，学习率= 0.0002，β=（0.4，0.999）。 标准：二元交叉熵 30纪元 2- GAN-CELEBA：受过训练的Generator在CELEBA数据集上使用它，已个性化以从GAN_GUI.py启动，DCGAN在< >上进行了解释
【文件预览】：
Generative_Adversarial_Networks_LS-master
----README.md(684B)
----GAN_CELEBA_GUI.py(7KB)
----GAN.py(7KB)
----models()
--------model_30_epochs.pt(9.36MB)
----output()
--------generated_3600.png(18KB)
--------generated_12400.png(14KB)
--------generated_17200.png(14KB)
--------generated_19200.png(14KB)
--------generated_14800.png(14KB)
--------generated_20400.png(13KB)
--------generated_17600.png(13KB)
--------generated_10800.png(13KB)
--------generated_26800.png(13KB)
--------generated_8000.png(14KB)
--------generated_26000.png(13KB)
--------generated_4400.png(17KB)
--------new1.png(1KB)
--------generated_7200.png(15KB)
--------generated_24800.png(13KB)
--------generated_12800.png(13KB)
--------generated_27600.png(15KB)
--------generated_13600.png(15KB)
--------generated_15600.png(14KB)
--------generated_24400.png(15KB)
--------generated_16400.png(13KB)
--------generated_8800.png(16KB)
--------generated_2000.png(25KB)
--------generated_23600.png(12KB)
--------generated_6000.png(16KB)
--------generated_400.png(37KB)
--------generated_2400.png(24KB)
--------generated_9600.png(15KB)
--------generated_22000.png(13KB)
--------generated_18800.png(13KB)
--------generated_1600.png(27KB)
--------generated_26400.png(13KB)
--------generated_20000.png(14KB)
--------generated_10000.png(15KB)
--------generated_19600.png(13KB)
--------generated_11200.png(13KB)
--------generated_22400.png(13KB)
--------generated_8400.png(15KB)
--------generated_24000.png(12KB)
--------generated_IMG2.png(445B)
--------generated_14000.png(14KB)
--------generated_25600.png(13KB)
--------generated_16800.png(14KB)
--------generated_4800.png(17KB)
--------generated_18400.png(13KB)
--------generated_800.png(33KB)
--------generated_3200.png(21KB)
--------generated_28000.png(13KB)
--------generated_18000.png(15KB)
--------generated_5200.png(16KB)
--------generated_12000.png(15KB)
--------new.png(2KB)
--------generated_21600.png(13KB)
--------generated_10400.png(15KB)
--------generated_6400.png(16KB)
--------generated_2800.png(21KB)
--------generated_16000.png(14KB)
--------generated_15200.png(13KB)
--------generated_13200.png(15KB)
--------generated_20800.png(13KB)
--------generated_25200.png(13KB)
--------generated_22800.png(13KB)
--------generated_21200.png(14KB)
--------generated_23200.png(14KB)
--------generated_11600.png(14KB)
--------generated_6800.png(15KB)
--------generated_14400.png(13KB)
--------generated_0.png(52KB)
--------generated_9200.png(14KB)
--------generated_1200.png(29KB)
--------generated_4000.png(19KB)
--------generated_27200.png(14KB)
--------generated_5600.png(16KB)
--------generated_7600.png(15KB)
----GAN_generator.py(1KB)
----GAN_MNIST.py(7KB)
----GAN_GUI.py(4KB)
----data()
--------MNIST()