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

Pytorch implementation of 'Improved Denoising Diffusion Probabilistic Models', 'Denoising Diffusion Probabilistic Models' and 'Classifier-free Diffusion Guidance'

ویژگی	مقدار
سیستم عامل	-
نام فایل	ddpm-1.0.0
نام	ddpm
نسخه کتابخانه	1.0.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	-
ایمیل نویسنده	-
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/ddpm/
مجوز	MIT

# DDPMs Pytorch Implementation Pytorch implementation of "_Improved Denoising Diffusion Probabilistic Models_", "_Denoising Diffusion Probabilistic Models_" and "_Classifier-free Diffusion Guidance_" ## Install ```bash pip install ddpm ``` # Usage ## Gaussian plain DDPM ```python from ddpm import GaussianDDPM, UNetTimeStep from ddpm.variance_scheduler import LinearScheduler T = 1_000 width = 32 height = 32 channels = 3 # Create a Gaussian DDPM with 1000 noise steps scheduler = LinearScheduler(T=T, beta_start=1e-5, beta_end=1e-2) denoiser = UNetTimeStep(channels=[3, 128, 256, 256, 384], kernel_sizes=[3, 3, 3, 3], strides=[1, 1, 1, 1], paddings=[1, 1, 1, 1], p_dropouts=[0.1, 0.1, 0.1, 0.1], time_embed_size=100, downsample=True) model = GaussianDDPM(denoiser, T, scheduler, vlb=False, lambda_variational=1.0, width=width, height=height, input_channels=channels, logging_freq=1_000) # pytorch lightning module ``` ## Gaussian "Improved" DDPM ```python from ddpm import GaussianDDPM, UNetTimeStep from ddpm.variance_scheduler import CosineScheduler T = 1_000 width = 32 height = 32 channels = 3 # Create a Gaussian DDPM with 1000 noise steps scheduler = CosineScheduler(T=T) denoiser = UNetTimeStep(channels=[3, 128, 256, 256, 384], kernel_sizes=[3, 3, 3, 3], strides=[1, 1, 1, 1], paddings=[1, 1, 1, 1], p_dropouts=[0.1, 0.1, 0.1, 0.1], time_embed_size=100, downsample=True) model = GaussianDDPM(denoiser, T, scheduler, vlb=True, lambda_variational=0.0001, width=width, height=height, input_channels=channels, logging_freq=1_000) # pytorch lightning module ``` ## Classifier-free Diffusion Guidance ```python from ddpm import GaussianDDPMClassifierFreeGuidance, UNetTimeStep from ddpm.variance_scheduler import CosineScheduler T = 1_000 width = 32 height = 32 channels = 3 num_classes = 10 # Create a Gaussian DDPM with 1000 noise steps scheduler = CosineScheduler(T=T) denoiser = UNetTimeStep(channels=[3, 128, 256, 256, 384], kernel_sizes=[3, 3, 3, 3], strides=[1, 1, 1, 1], paddings=[1, 1, 1, 1], p_dropouts=[0.1, 0.1, 0.1, 0.1], time_embed_size=100, downsample=True) model = GaussianDDPMClassifierFreeGuidance(denoiser, T, w=0.3, v=0.2, variance_scheduler=scheduler, width=width, height=height, input_channels=channels, logging_freq=1_000, p_uncond=0.2, num_classes=num_classes) # pytorch lightning module ```

نیازمندی

مقدار	نام
>=1.8	torch
>=1.8	pytorch-lightning
-	torchvision
==1.0.0	tensorguard
>=16.0	path
-	pytest

زبان مورد نیاز

مقدار	نام
<3.10,>=3.7	Python

نحوه نصب

نصب پکیج whl ddpm-1.0.0:

pip install ddpm-1.0.0.whl

نصب پکیج tar.gz ddpm-1.0.0:

pip install ddpm-1.0.0.tar.gz