文件名称：matlab代码sqrt-biggan_vase:BigGAN的少量返工用于另一个回购
文件大小：2.4MB
文件格式：ZIP
更新时间：2024-06-12 15:55:18
系统开源
Matlab代码sqrt BigGAN-PyTorch 作者的官方非官方PyTorch BigGAN实现。 此仓库包含来自Andrew Brock，Jeff Donahue和Karen Simonyan的BigGAN 4-8 GPU训练的代码。 这段代码是由Andy Brock和Alex Andonian编写的。 如何使用此代码 你会需要： ，版本1.0.1 tqdm，numpy，scipy和h5py ImageNet培训集 首先，您可以选择为目标数据集准备经过预处理的HDF5版本，以实现更快的I / O。 遵循此步骤（或不执行此操作），您将需要计算FID所需的Inception时刻。 这些都可以通过修改和运行来完成 sh scripts/utils/prepare_data.sh 默认情况下，这假定您的ImageNet训练集已下载到此目录中的根文件夹data中，并将以128x128像素分辨率准备缓存的HDF5。 在scripts文件夹中，有多个bash脚本，它们将训练具有不同批处理大小的BigGAN。 此代码假定您无权访问完整的TPU吊舱，并因此通过使用梯度累积（对多个迷你批次的平均
【文件预览】：
biggan_vase-master
----.gitignore(1B)
----vasegen()
--------train.sh(818B)
--------inception_met.sh(138B)
--------sample.sh(950B)
----calculate_inception_moments.py(3KB)
----sample.py(8KB)
----BigGANdeep.py(22KB)
----datasets.py(12KB)
----LICENSE(1KB)
----layers.py(17KB)
----make_hdf5.py(5KB)
----utils.py(48KB)
----sync_batchnorm()
--------replicate.py(3KB)
--------__init__.py(449B)
--------unittest.py(746B)
--------batchnorm_reimpl.py(2KB)
--------comm.py(4KB)
--------batchnorm.py(15KB)
----scripts()
--------sample_cifar_ema.sh(426B)
--------launch_BigGAN_ch64_bs256x8.sh(638B)
--------launch_cifar_ema.sh(406B)
--------utils()
--------launch_BigGAN_bs512x4.sh(640B)
--------launch_BigGAN_bs256x8.sh(640B)
--------launch_SAGAN_bs128x2_ema.sh(535B)
--------launch_SNGAN.sh(507B)
--------sample_BigGAN_bs256x8.sh(1016B)
--------launch_BigGAN_deep.sh(671B)
----README.md(12KB)
----animal_hash.py(32KB)
----imgs()
--------header_image.jpg(139KB)
--------G Singular Values.png(231KB)
--------interp_sample.jpg(790KB)
--------DeepSamples.png(160KB)
--------Losses.png(108KB)
--------D Singular Values.png(228KB)
--------IS_FID.png(36KB)
--------DogBall.png(723KB)
----inception_utils.py(12KB)
----TFHub()
--------converter.py(17KB)
--------biggan_v1.py(12KB)
--------README.md(670B)
----BigGAN.py(19KB)
----inception_tf13.py(5KB)
----logs()
--------process_training.m(3KB)
--------BigGAN_ch96_bs256x8.jsonl(9KB)
--------metalog.txt(4KB)
--------compare_IS.m(2KB)
--------process_inception_log.m(445B)
----train_fns.py(8KB)
----losses.py(821B)
----train.py(9KB)