Il s'agit de l'application Windows nommée Denoising Diffusion Probabilistic Model dont la dernière version peut être téléchargée sous le nom 1.9.2asourcecode.zip. Il peut être exécuté en ligne chez le fournisseur d'hébergement gratuit OnWorks pour les postes de travail.
Téléchargez et exécutez en ligne gratuitement cette application nommée Modèle probabiliste de diffusion de débruitage avec OnWorks.
Suivez ces instructions pour exécuter cette application :
- 1. Téléchargé cette application sur votre PC.
- 2. Entrez dans notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous voulez.
- 3. Téléchargez cette application dans ce gestionnaire de fichiers.
- 4. Démarrez n'importe quel émulateur en ligne OS OnWorks à partir de ce site Web, mais un meilleur émulateur en ligne Windows.
- 5. Depuis le système d'exploitation OnWorks Windows que vous venez de démarrer, accédez à notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous souhaitez.
- 6. Téléchargez l'application et installez-la.
- 7. Téléchargez Wine depuis les dépôts de logiciels de vos distributions Linux. Une fois installé, vous pouvez ensuite double-cliquer sur l'application pour les exécuter avec Wine. Vous pouvez également essayer PlayOnLinux, une interface sophistiquée sur Wine qui vous aidera à installer des programmes et des jeux Windows populaires.
Wine est un moyen d'exécuter un logiciel Windows sur Linux, mais sans Windows requis. Wine est une couche de compatibilité Windows open source qui peut exécuter des programmes Windows directement sur n'importe quel bureau Linux. Essentiellement, Wine essaie de ré-implémenter suffisamment de Windows à partir de zéro pour qu'il puisse exécuter toutes ces applications Windows sans avoir réellement besoin de Windows.
CAPTURES D'ÉCRAN
Ad
Modèle probabiliste de diffusion de débruitage
DESCRIPTION
Implémentation du modèle probabiliste de diffusion de débruitage dans Pytorch. Il s'agit d'une nouvelle approche de la modélisation générative qui pourrait avoir le potentiel de rivaliser avec les GAN. Il utilise l'appariement des scores de débruitage pour estimer le gradient de la distribution des données, suivi d'un échantillonnage de Langevin pour échantillonner à partir de la vraie distribution. Si vous souhaitez simplement transmettre un nom de dossier et les dimensions d'image souhaitées, vous pouvez utiliser la classe Trainer pour former facilement un modèle.
Caractéristiques
- Code annoté par des chercheurs scientifiques
- Cette implémentation a été transcrite à partir de la version officielle de Tensorflow
- Les échantillons et les points de contrôle du modèle seront enregistrés périodiquement dans ./results
- La classe Dresseur est maintenant équipée d'Accélérateur
- Vous pouvez facilement faire une formation multi-gpu en deux étapes
- Une nouvelle approche de la modélisation générative
Langage de programmation
Python
Catégories
Il s'agit d'une application qui peut également être récupérée sur https://sourceforge.net/projects/denoising-diff-probabil.mirror/. Il a été hébergé dans OnWorks afin d'être exécuté en ligne de la manière la plus simple à partir de l'un de nos systèmes d'exploitation gratuits.
