文件名称：ODE2VAE:ODE2VAE
文件大小：18.55MB
文件格式：ZIP
更新时间：2024-05-22 02:29:20
Python
的TensorFlow和PyTorch实现 ， 和 。 我们解决了学习可能的高维顺序数据轨迹的低秩潜在表示的问题。 我们的模型将变分自动编码器（VAE）扩展为具有由连续时间概率常微分方程（ODE）控制的潜在空间的顺序数据。 我们建议 强大的二阶ODE，允许对分解为位置和动量的潜在动态ODE状态进行建模 一个深的贝叶斯神经网络来推断潜在的动力学。 视频 这是总结本文的视频： 最少的PyTorch实施 除了下面描述的TensorFlow实施之外，为清晰起见，我们还提供了一个最小的，易于遵循的PyTorch实施。 有关详细信息，请检查 。 运行脚本所需的数据集。 确保更新路径或将两个文件放入同一文件夹。 复制实验 该代码是在python3.7和TensorFlow 1.13上开发和测试的。 还需要库来加载数据集。 依赖项的完整列表： python==3.7 tensorflow==1.13
【文件预览】：
ODE2VAE-master
----ode2vae_poster.pdf(3.91MB)
----images()
--------walking2.gif(4.18MB)
--------5.gif(161KB)
--------2.gif(163KB)
--------8.gif(162KB)
--------3.gif(163KB)
--------12.gif(163KB)
--------6.gif(162KB)
--------11.gif(158KB)
--------0.gif(162KB)
--------main_fig.png(340KB)
--------7.gif(157KB)
--------walking4.gif(6.38MB)
--------bballs.png(32KB)
--------ode2vae-anim.gif(1.62MB)
--------10.gif(156KB)
--------rec-1.gif(655KB)
----model()
--------ode2vae_args.py(4KB)
--------data()
--------__init__.py(0B)
--------tf_utils.py(979B)
--------ode2vae.py(21KB)
--------ode2vae_nonuniform.py(22KB)
----test.py(5KB)
----train.py(6KB)
----torch_bnn.py(5KB)
----.gitignore(2KB)
----README.md(4KB)
----scripts()
--------test_mnist.sh(115B)
--------test_mocap_many.sh(231B)
--------test_mocap_single.sh(140B)
--------train_mnist.sh(216B)
--------train_bballs.sh(173B)
--------train_mocap_many.sh(198B)
--------test_bballs.sh(209B)
--------test_mnist_nonuniform.sh(257B)
--------train_mocap_single.sh(200B)
--------train_mnist_nonuniform.sh(227B)
----torch_ode2vae_minimal.py(12KB)