Questa è l'app Windows denominata Denoising Diffusion Probabilistic Model la cui ultima versione può essere scaricata come 1.9.2asourcecode.zip. Può essere eseguito online nel provider di hosting gratuito OnWorks per workstation.
Scarica ed esegui online questa app denominata Denoising Diffusion Probabilistic Model with OnWorks gratuitamente.
Segui queste istruzioni per eseguire questa app:
- 1. Scaricata questa applicazione sul tuo PC.
- 2. Entra nel nostro file manager https://www.onworks.net/myfiles.php?username=XXXXX con il nome utente che desideri.
- 3. Carica questa applicazione in tale file manager.
- 4. Avvia qualsiasi emulatore online OS OnWorks da questo sito Web, ma migliore emulatore online Windows.
- 5. Dal sistema operativo OnWorks Windows che hai appena avviato, vai al nostro file manager https://www.onworks.net/myfiles.php?username=XXXXX con il nome utente che desideri.
- 6. Scarica l'applicazione e installala.
- 7. Scarica Wine dai repository software delle tue distribuzioni Linux. Una volta installato, puoi quindi fare doppio clic sull'app per eseguirli con Wine. Puoi anche provare PlayOnLinux, un'interfaccia fantasiosa su Wine che ti aiuterà a installare programmi e giochi Windows popolari.
Wine è un modo per eseguire il software Windows su Linux, ma senza Windows richiesto. Wine è un livello di compatibilità Windows open source in grado di eseguire programmi Windows direttamente su qualsiasi desktop Linux. Essenzialmente, Wine sta cercando di re-implementare abbastanza Windows da zero in modo che possa eseguire tutte quelle applicazioni Windows senza effettivamente bisogno di Windows.
IMMAGINI
Ad
Modello probabilistico di diffusione denoising
DESCRIZIONE
Implementazione del modello probabilistico di diffusione del rumore in Pytorch. È un nuovo approccio alla modellazione generativa che potrebbe avere il potenziale per competere con i GAN. Utilizza la corrispondenza del punteggio di denoising per stimare il gradiente della distribuzione dei dati, seguito dal campionamento di Langevin per campionare dalla distribuzione reale. Se vuoi semplicemente passare il nome di una cartella e le dimensioni dell'immagine desiderate, puoi utilizzare la classe Trainer per addestrare facilmente un modello.
Caratteristiche
- Codice annotato da ricercatori
- Questa implementazione è stata trascritta dalla versione ufficiale di Tensorflow
- I campioni e i punti di controllo del modello verranno registrati periodicamente in ./results
- La classe Trainer è ora dotata di Accelerator
- Puoi facilmente eseguire l'addestramento multi-gpu in due passaggi
- Un nuovo approccio alla modellazione generativa
Linguaggio di programmazione
Python
Categorie
Questa è un'applicazione che può anche essere recuperata da https://sourceforge.net/projects/denoising-diff-probabil.mirror/. È stato ospitato in OnWorks per poter essere eseguito online nel modo più semplice da uno dei nostri Sistemi Operativi gratuiti.
