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

Official PyTorch BIVA implementation (BIVA: A Very Deep Hierarchy of Latent Variables for Generative Modeling)

ویژگی	مقدار
سیستم عامل	-
نام فایل	biva-pytorch-0.1.4
نام	biva-pytorch
نسخه کتابخانه	0.1.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Valentin Lievin
ایمیل نویسنده	valentin.lievin@gmail.com
آدرس صفحه اصلی	https://github.com/vlievin/biva-pytorch
آدرس اینترنتی	https://pypi.org/project/biva-pytorch/
مجوز	-

# BIVA (PyTorch) Official PyTorch BIVA implementation (BIVA: A Very Deep Hierarchy of Latent Variables forGenerative Modeling) for binarized MNIST and CIFAR. The original Tensorflow implementation can be found [here](https://github.com/larsmaaloee/BIVA). ## run the experiments ```bash conda create --name biva python=3.7 conda activate biva pip install -r requirements.txt CUDA_VISIBLE_DEVICES=0 python run_deepvae.py --dataset binmnist --q_dropout 0.5 --p_dropout 0.5 --device cuda CUDA_VISIBLE_DEVICES=0 python run_deepvae.py --dataset cifar10 --q_dropout 0.2 --p_dropout 0 --device cuda ``` ## Citation ``` @article{maale2019biva, title={BIVA: A Very Deep Hierarchy of Latent Variables for Generative Modeling}, author={Lars Maaløe and Marco Fraccaro and Valentin Liévin and Ole Winther}, year={2019}, eprint={1902.02102}, archivePrefix={arXiv}, primaryClass={stat.ML} } ``` ## Pip package ### install requirements * `pytorch 1.3.0` * `torchvision` * `matplotlib` * `tensorboard` * `booster-pytorch==0.0.2` ### install package ```bash pip install git+https://github.com/vlievin/biva-pytorch.git ``` ### build deep VAEs ```python import torch from torch.distributions import Bernoulli from biva import DenseNormal, ConvNormal from biva import VAE, LVAE, BIVA # build a 2 layers VAE for binary images # define the stochastic layers z = [ {'N': 8, 'kernel': 5, 'block': ConvNormal}, # z1 {'N': 16, 'block': DenseNormal} # z2 ] # define the intermediate layers # each stage defines the configuration of the blocks for q_(z_{l} | z_{l-1}) and p_(z_{l-1} | z_{l}) # each stage is defined by a sequence of 3 resnet blocks # each block is degined by a tuple [filters, kernel, stride] stages = [ [[64, 3, 1], [64, 3, 1], [64, 3, 2]], [[64, 3, 1], [64, 3, 1], [64, 3, 2]] ] # build the model model = VAE(tensor_shp=(-1, 1, 28, 28), stages=stages, latents=z, dropout=0.5) # forward pass and data-dependent initialization x = torch.empty((8, 1, 28, 28)).uniform_().bernoulli() data = model(x) # data = {'x_' : p(x|z), z \sim q(z|x), 'kl': [kl_z1, kl_z2]} # sample from prior data = model.sample_from_prior(N=16) # data = {'x_' : p(x|z), z \sim p(z)} samples = Bernoulli(logits=data['x_']).sample() ```

نحوه نصب

نصب پکیج whl biva-pytorch-0.1.4:

pip install biva-pytorch-0.1.4.whl

نصب پکیج tar.gz biva-pytorch-0.1.4:

pip install biva-pytorch-0.1.4.tar.gz