文件名称：REBAR-pytorch:在PyTorch中实施REBAR
文件大小：3.76MB
文件格式：ZIP
更新时间：2024-05-20 13:18:07
JupyterNotebook
工作正在进行中 REBAR-火炬 在PyTorch中实施和复制NIPS 2017的的实验 作者实施Tensorflow 结果 我已经在5.1节中针对玩具问题实施了REBAR。 参见rebar_toy.ipynb 。 我试图为二值化MNIST基准和Sigmoid Belief Network模型实现REBAR。 在下面，您可以看到我的实现与作者的Tensorflow实现的性能。 在此运行中，两个模型都使用1个非线性随机层，固定温度为0.5，固定η为1.0（该参数乘以gumbel控制变量，通常使用方差目标对其进行优化）。 我已经把我的实现和他们的实现全部倾注了进去，无法确定我哪里出错了。 我已经看过权重的初始化，梯度等，但是我对ML这个领域不熟悉，所以我可能错过了一些东西。 如果有人能弄清楚我的实现有什么问题（或者与某些奇怪的PyTorch与Tensorflow有关？），请告诉我！！！ 本
【文件预览】：
REBAR-pytorch-master
----results()
--------TF-log-grad-var.csv(21KB)
--------paper-loggradvar.png(41KB)
--------scores.hdf5(6KB)
--------sbn-step-1000000.0.pt(1.88MB)
--------TF-ELBO.csv(21KB)
--------results.png(56KB)
--------sbn-step-500000.0.pt(1.88MB)
--------paper-elbo.png(66KB)
----rebar()
--------util.py(1KB)
--------config.py(976B)
--------datasets.py(3KB)
--------__init__.py(0B)
--------download_data.py(3KB)
----LICENSE(1KB)
----visualize_rebar_sbn.ipynb(76KB)
----rebar_toy.ipynb(80KB)
----README.md(2KB)
----rebar_sbn.py(18KB)
----.gitignore(70B)