【文件属性】：
文件名称：swae:切片Wasserstein自动编码器的实现
文件大小：19.27MB
文件格式：ZIP
更新时间：2021-05-15 00:33:19
deep-neural-networks autoencoders optimal-transport generativemodeling JupyterNotebook
片式华森斯坦
该存储库包含使用Keras和Tensorflow的论文的实现： 。 所提出的方法减轻了训练生成模型中对抗网络的需求，并且在具有非常简单的实现的同时提供了稳定的优化。
友善地提供了SWAE算法的PyTorch实现。
SWAE_MNIST_uniform.ipynb
该笔记本在MNIST数据集上训练SWAE，并且在嵌入空间中具有均匀的分布。 下图显示了MNIST数据集的嵌入数据和嵌入空间：
SWAE_MNIST_Circle.ipynb
同样，此笔记本使用嵌入空间中的磁盘分布在MNIST数据集上训练SWAE。 下图显示了MNIST数据集的嵌入数据和嵌入空间：
SWAE_MNIST_Ring.ipynb
类似地，该笔记本在嵌入空间中具有环形分布的MNIST数据集上训练SWAE。 下图显示了MNIST数据集的嵌入数据和嵌入空间：
预训练模型
预先训练的SWAE模块也已上传：
【文件预览】：
swae-master
----LearnedModels()
--------MNIST_circle_decoder.h5(1.22MB)
--------MNIST_uniform_decoder.h5(1.22MB)
--------MNIST_circle_encoder.h5(837KB)
--------MNIST_circle_autoencoder.h5(3.97MB)
--------MNIST_ring_encoder.h5(837KB)
--------MNIST_uniform_encoder.h5(837KB)
--------MNIST_ring_decoder.h5(1.22MB)
--------MNIST_ring_autoencoder.h5(3.97MB)
--------MNIST_uniform_autoencoder.h5(3.97MB)
----MNIST_SlicedWassersteinAutoEncoder_Circle.ipynb(1.02MB)
----README.md(2KB)
----Figures()
--------SWAE_Ring.png(315KB)
--------SWAE_circle.png(300KB)
--------SWAE_uniform.png(380KB)
----MNIST_SlicedWassersteinAutoEncoder_Ring.ipynb(1.06MB)
----MNIST_SlicedWassersteinAutoEncoder_uniform.ipynb(1.2MB)