معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

easy wrapper for initializing several GAN networks in keras

ویژگی	مقدار
سیستم عامل	-
نام فایل	Adversarials-1.0.1
نام	Adversarials
نسخه کتابخانه	1.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Domnan Diretnan, Victor Afolabi
ایمیل نویسنده	diretnandomnan@gmail.com, javafolabi@gmail.com
آدرس صفحه اصلی	https://github.com/deven96/Simple_GAN
آدرس اینترنتی	https://pypi.org/project/Adversarials/
مجوز	MIT

# Simple GAN This is my attempt to make a wrapper class for a GAN in keras which can be used to abstract the whole architecture process. [![Build Status](https://travis-ci.org/deven96/Simple_GAN.svg?branch=master)](https://travis-ci.com/deven96/Simple_GAN) - [Simple GAN](#simple-gan) - [Overview](#overview) - [Flow Chart](#flow-chart) - [Installation](#installation) - [Example](#example) - [Credits](#credits) - [Contribution](#contribution) - [License (MIT)](#license-mit) ## Overview ![alt text](assets/mnist_gan.png "GAN network using the MNIST dataset") ## Flow Chart Setting up a Generative Adversarial Network involves having a discriminator and a generator working in tandem, with the ultimate goal being that the generator can come up with samples that are indistinguishable from valid samples by the discriminator. ![alt text](assets/flow.jpg "High level flowchart") ## Installation ```bash pip install adversarials ``` ## Example ```python import numpy as np from keras.datasets import mnist from adversarials.core import Log from adversarials import SimpleGAN if __name__ == '__main__': (X_train, _), (_, _) = mnist.load_data() # Rescale -1 to 1 X_train = (X_train.astype(np.float32) - 127.5) / 127.5 X_train = np.expand_dims(X_train, axis=3) Log.info('X_train.shape = {}'.format(X_train.shape)) gan = SimpleGAN(save_to_dir="./assets/images", save_interval=20) gan.train(X_train, epochs=40) ``` ## Credits - [Understanding Generative Adversarial Networks](https://towardsdatascience.com/understanding-generative-adversarial-networks-4dafc963f2ef) - Noaki Shibuya - [Github Keras Gan](https://github.com/osh/KerasGAN) - [Simple gan](https://github.com/daymos/simple_keras_GAN/blob/master/gan.py) ## Contribution You are very welcome to modify and use them in your own projects. Please keep a link to the [original repository](https://github.com/deven96/Simple_GAN). If you have made a fork with substantial modifications that you feel may be useful, then please [open a new issue on GitHub](https://github.com/deven96/Simple_GAN/issues) with a link and short description. ## License (MIT) This project is opened under the [MIT 2.0 License](https://github.com/deven96/Simple_GAN/blob/master/LICENSE) which allows very broad use for both academic and commercial purposes. A few of the images used for demonstration purposes may be under copyright. These images are included under the "fair usage" laws.

نحوه نصب

نصب پکیج whl Adversarials-1.0.1:

pip install Adversarials-1.0.1.whl

نصب پکیج tar.gz Adversarials-1.0.1:

pip install Adversarials-1.0.1.tar.gz