GitHubじゃ!Pythonじゃ!

GitHubからPython関係の優良リポジトリを探したかったのじゃー、でも英語は出来ないから日本語で読むのじゃー、英語社会世知辛いのじゃー

openai

glow – “Glow:可逆1×1畳み込みを伴う生成フロー”

投稿日:

“Glow:可逆1×1畳み込みを伴う生成フロー”

グロー

“Glow:可逆1×1畳み込みを伴う生成フロー”

あらかじめ用意されたCelebA-HQモデルを使用するには、独自の操作ベクトルを作成し、インタラクティブなデモを実行し、 demoフォルダを確認します。

要件

  • Tensorflow(v1.8.0でテスト済み)
  • Horovod(v0.13.8でテスト済み)と(open)MPI

走る

pip install -r requirements.txt

MPIをセットアップ(開く)するには、Horovod github ページの指示を確認してください

データセットをダウンロード

データセットはGoogle Cloudの場所https://storage.googleapis.com/glow-demo/data/{dataset_name}-tfr.tar dataset_namesは以下の通りですが、尤度の正しい比較のための正確な前処理/ダウンサンプリング方法について言及します。

定量的結果

  • imagenet-oord – 無条件ImageNet 32​​x32および64×64(PixelRNN / RealNVPの論文に記載されています)。
  • lsun_realnvp – LSUN 96×96。 RealNVPで説明されているように、処理時に64×64のランダムな作物が撮影されます。

定性的結果

  • celeba – CelebA-HQ 1024×1024データセット、GANのプログレッシブな成長に記載されています。
  • imagenet – ImageNet 32​​x32および64×64(クラスラベル付き) センタークロップ、エリアダウンサンプリング。
  • lsun – LSUN 256×256。 センタークロップ、エリアダウンサンプリング。

例えば、セレブをダウンロードして抽出するには、

wget https://storage.googleapis.com/glow-demo/data/celeba-tfr.tar
tar -xvf celeb-tfr.tar

train.pyファイルのhps.data_dirを上記のフォルダを指すように変更します(または、 --data_dirを実行するときに--data_dirフラグを使用します)

シンプルトレイン、1 GPU

小さな深さでテストを実行する

CUDA_VISIBLE_DEVICES=0 python train.py --depth 1

MPIとHorovodを使用して複数のGPUでトレーニングする

8つのGPUでデフォルトのトレーニングスクリプトを実行する:

mpiexec -n 8 python train.py
アブレーション実験
mpiexec -n 8 python train.py --problem cifar10 --image_size 32 --n_level 3 --depth 32 --flow_permutation [0/1/2] --flow_coupling [0/1] --seed [0/1/2] --learntop --lr 0.001
CIFAR-10定量結果
mpiexec -n 8 python train.py --problem cifar10 --image_size 32 --n_level 3 --depth 32 --flow_permutation 2 --flow_coupling 1 --seed 0 --learntop --lr 0.001 --n_bits_x 8
ImageNet 32​​x32定量結果
mpiexec -n 8 python train.py --problem imagenet-oord --image_size 32 --n_level 3 --depth 48 --flow_permutation 2 --flow_coupling 1 --seed 0 --learntop --lr 0.001 --n_bits_x 8
ImageNet 64×64定量結果
mpiexec -n 8 python train.py --problem imagenet-oord --image_size 64 --n_level 4 --depth 48 --flow_permutation 2 --flow_coupling 1 --seed 0 --learntop --lr 0.001 --n_bits_x 8
LSUN 64×64定量結果
mpiexec -n 8 python train.py --problem lsun_realnvp --category [bedroom/church_outdoor/tower] --image_size 64 --n_level 3 --depth 48 --flow_permutation 2 --flow_coupling 1 --seed 0 --learntop --lr 0.001 --n_bits_x 8
CelebA-HQ 256×256定性的結果
mpiexec -n 40 python train.py --problem celeba --image_size 256 --n_level 6 --depth 32 --flow_permutation 2 --flow_coupling 0 --seed 0 --learntop --lr 0.001 --n_bits_x 5
LSUN 96×96および128×128定性的結果
mpiexec -n 40 python train.py --problem lsun --category [bedroom/church_outdoor/tower] --image_size [96/128] --n_level 5 --depth 64 --flow_permutation 2 --flow_coupling 0 --seed 0 --learntop --lr 0.001 --n_bits_x 5
条件付きCIFAR-10定性的結果
mpiexec -n 8 python train.py --problem cifar10 --image_size 32 --n_level 3 --depth 32 --flow_permutation 2 --flow_coupling 0 --seed 0 --learntop --lr 0.001 --n_bits_x 5 --ycond --weight_y=0.01
条件付きImageNet 32​​x32定性的結果
mpiexec -n 8 python train.py --problem imagenet --image_size 32 --n_level 3 --depth 48 --flow_permutation 2 --flow_coupling 0 --seed 0 --learntop --lr 0.001 --n_bits_x 5 --ycond --weight_y=0.01







-openai
-

執筆者:

openai

glow – “Glow:可逆1×1畳み込みを伴う生成フロー”

投稿日:

(さらに…)







-openai
-

執筆者: