文件名称：Cycle_SN:生成和可解释的恒星光谱深度学习
文件大小：146.18MB
文件格式：ZIP
更新时间：2024-06-15 23:22:21
JupyterNotebook
周期星网 依存关系 ： pip install torch torchvision -h5py： pip install h5py -scikit-learn： pip install -U scikit-learn 生成和可解释的恒星光谱深度学习 该项目旨在弥合两组不同的恒星光谱之间的差距。 尽管产生这两组数据的基本物理原理可能是相同的，但由于多种原因，数据在视觉上可能看起来非常不同。 Cycle-StarNet的作用是确定两组光谱之间的共性（即物理参数），并学习如何将一组数据转换为另一组数据。 图1 ：建议方法的概述（顶部）和Cycle-StarNet体系结构的简化图（底部）。 图2 ：来自具有相同恒星参数的相反域的两个光谱的示例（取自我们的New Lines项目）。 当将合成光谱（具有不完整的线列表）映射到观察域时，所得光谱更适合观察光谱，并且丢失的信息现在存在于转移光谱中
【文件预览】：
Cycle_SN-master
----train_network.py(14KB)
----README.md(3KB)
----configs()
--------kurucz_to_apogee_1.ini(1KB)
--------new_lines_45perc.ini(1KB)
--------new_lines_30perc.ini(1KB)
--------new_lines_25perc.ini(1KB)
--------new_lines_5perc.ini(1KB)
--------new_lines_35perc.ini(1KB)
--------new_lines_20perc.ini(1KB)
--------new_lines_1.ini(1KB)
--------new_lines_50perc.ini(1KB)
--------new_lines_15perc.ini(1KB)
--------new_lines_40perc.ini(1KB)
--------new_lines_10perc.ini(1KB)
----docs()
--------README.md(30KB)
--------IMCLW2020_StellarSpectra_Video.mp4(23.88MB)
--------ICMLW2020_StellarSpectra.pdf(5.5MB)
----LICENSE(34KB)
----models()
--------README.md(65B)
--------kurucz_to_apogee_1.pth.tar(51.09MB)
--------PAYNE.pth.tar(8.66MB)
--------new_lines_1.pth.tar(51.18MB)
----analysis_fns.py(19KB)
----domain_transfer()
--------README.md(1KB)
--------Estimating_Stellar_Params.ipynb(2.72MB)
--------fit_labels.py(6KB)
--------Domain_Transfer_DR14.ipynb(9.93MB)
----figures()
--------split_cc_task.png(29KB)
--------day2night.png(193KB)
--------paynetopayne_nozsplit_1_training_progress.png(131KB)
--------jac_diff_C_and_N.pdf(203KB)
--------jac_diff.pdf(258KB)
--------synthetic_gap.png(284KB)
--------diagram.png(38KB)
--------snowy2summery.png(263KB)
--------split_rec_task.png(25KB)
--------Architecture.png(85KB)
--------split_latent_space.png(40KB)
--------split_gen_task.png(35KB)
--------tsne.png(495KB)
--------split_infer.png(29KB)
--------synth_to_obs.png(46KB)
--------jac_diff.png(101KB)
--------full_logo.png(80KB)
----scripts()
--------fit_labels.sh(293B)
--------new_lines_1.sh(442B)
--------kur_to_ap_1.sh(372B)
----progress()
--------kurucz_to_apogee_1.npy(316KB)
--------new_lines_1.npy(424KB)
----new_lines_project()
--------Generate_Observed_Payne_Domain.ipynb(3.65MB)
--------README.md(3KB)
--------Track_Lines_Mock.ipynb(965KB)
--------Create_Line_Mask.ipynb(228KB)
----training_fns.py(15KB)
----network.py(19KB)
----data()
--------README.md(66B)
--------mean_and_std_PAYNE_specs.npy(144B)
--------mock_missing_lines.npz(1.17MB)