samim23/vortexnet: VortexNet: нейронные вычисления посредством гидродинамики

Этот репозиторий содержит реализации игрушек понятий, представленных в исследовательской работе VortexNet: нейронные вычисления посредством гидродинамики. Эти примеры демонстрируют, как вихревые слои на основе PDE и механизмы, основанные на жидкости, могут быть интегрированы в нейронные архитектуры, такие как автокодировщики для различных наборов данных.

Примечание: Это прототипы игрушек в образовательных целях и являются нет предназначены для полностью оптимизированных или физически точных решателей жидкостей.

• vortexnet_mnist.py:
  Демонстрационный сценарий для создания и обучения автоэнкодера VortexNet на наборе данных MNIST.
• vortexnext_image.py:
  Расширенный сценарий для создания и обучения автоэнкодера VortexNet на пользовательских наборах данных изображений с расширенными функциями, такими как увеличение данных и интерполяция скрытого пространства.

git clone https://github.com/samim23/vortexnet.git
cd vortexnet

Убедитесь, что у вас установлен Python 3.8+. Установите необходимые пакеты Python, используя pip:

pip install torch torchvision matplotlib pyyaml scikit-learn seaborn tensorboard

• Набор данных MNIST:
  Набор данных MNIST будет автоматически загружен vortexnet_mnist.py если еще не присутствует.

• Пользовательский набор данных изображений:
  Для vortexnext_image.pyпоместите изображения (форматы JPEG, PNG или JPEG) внутри my_data/ каталог.

Этот сценарий создает и обучает автоэнкодер VortexNet на наборе данных MNIST.

Использование:

python3.11 vortexnet_mnist.py

Этот расширенный сценарий создает и обучает автоэнкодер VortexNet на пользовательских наборах данных изображений с расширенными функциями.

Использование:

python3.11 vortexnext_image.py --config config_image.yaml

• Файлы конфигурации:
  Убедитесь, что файл конфигурации (config_image.yaml) правильно настроен перед запуском сценариев.

• Выходной каталог:
  Все выходные данные, включая журналы, реконструированные изображения и контрольные точки модели, сохраняются в output_dir указано в соответствующих файлах конфигурации.

• Тензорборд:
  Для мониторинга прогресса обучения вы можете запустить TensorBoard, указав на output_dir