Esta es la aplicación de Windows llamada Reliable Metrics for Generative Models cuya última versión se puede descargar como Initialrelease.zip. Se puede ejecutar en línea en el proveedor de alojamiento gratuito OnWorks para estaciones de trabajo.
Descargue y ejecute en línea esta aplicación llamada Métricas confiables para modelos generativos con OnWorks de forma gratuita.
Siga estas instrucciones para ejecutar esta aplicación:
- 1. Descargue esta aplicación en su PC.
- 2. Ingrese en nuestro administrador de archivos https://www.onworks.net/myfiles.php?username=XXXXX con el nombre de usuario que desee.
- 3. Cargue esta aplicación en dicho administrador de archivos.
- 4. Inicie cualquier emulador en línea de OS OnWorks desde este sitio web, pero mejor emulador en línea de Windows.
- 5. Desde el sistema operativo OnWorks Windows que acaba de iniciar, vaya a nuestro administrador de archivos https://www.onworks.net/myfiles.php?username=XXXXX con el nombre de usuario que desee.
- 6. Descarga la aplicación e instálala.
- 7. Descargue Wine desde los repositorios de software de sus distribuciones de Linux. Una vez instalada, puede hacer doble clic en la aplicación para ejecutarla con Wine. También puedes probar PlayOnLinux, una elegante interfaz sobre Wine que te ayudará a instalar programas y juegos populares de Windows.
Wine es una forma de ejecutar software de Windows en Linux, pero no requiere Windows. Wine es una capa de compatibilidad de Windows de código abierto que puede ejecutar programas de Windows directamente en cualquier escritorio de Linux. Esencialmente, Wine está tratando de volver a implementar una cantidad suficiente de Windows desde cero para poder ejecutar todas esas aplicaciones de Windows sin necesidad de Windows.
SCREENSHOTS
Ad
Métricas confiables para modelos generativos
DESCRIPCIÓN
Métricas confiables de fidelidad y diversidad para modelos generativos (ICML 2020). El diseño de métricas de evaluación indicativas para la tarea de generación de imágenes sigue siendo un problema abierto. La métrica más utilizada para medir la similitud entre las imágenes reales y las generadas ha sido la puntuación Fréchet Inception Distance (FID). Debido a que no diferencia los aspectos de fidelidad y diversidad de las imágenes generadas, los artículos recientes han introducido variantes de métricas de precisión y recuperación para diagnosticar esas propiedades por separado. En este artículo, mostramos que incluso la última versión de las métricas de precisión y recuperación (Kynkäänniemi et al., 2019) aún no son confiables. Por ejemplo, no detectan la coincidencia entre dos distribuciones idénticas, no son robustos frente a valores atípicos y los hiperparámetros de evaluación se seleccionan de forma arbitraria. Proponemos métricas de densidad y cobertura que resuelven los problemas anteriores.
Caracteristicas
- Métricas de precisión y recuperación
- Métricas de densidad y cobertura
- Pruebe 10000 muestras reales y falsas de la distribución normal estándar N(0,I) en un espacio euclidiano de 1000 dimensiones
- Generar muchas muestras falsas alrededor del valor atípico real es suficiente para aumentar la medida de precisión.
- Establecer el vecino más cercano k = 5
- Estimaciones de precisión, recuperación, densidad y cobertura
Lenguaje de programación
Python
Categorías
Esta es una aplicación que también se puede obtener de https://sourceforge.net/projects/reliable-met-gen-mod.mirror/. Ha sido alojado en OnWorks para poder ejecutarse online de la forma más sencilla desde uno de nuestros Sistemas Operativos gratuitos.
