Questa è l'app di Windows denominata Reliable Metrics for Generative Models la cui ultima versione può essere scaricata come Initialrelease.zip. Può essere eseguito online nel provider di hosting gratuito OnWorks per workstation.
Scarica ed esegui online gratuitamente questa app chiamata Reliable Metrics for Generative Models with OnWorks.
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
Metriche affidabili per modelli generativi
DESCRIZIONE
Metriche affidabili di fedeltà e diversità per modelli generativi (ICML 2020). L'elaborazione di metriche di valutazione indicative per l'attività di generazione delle immagini rimane un problema aperto. La metrica più utilizzata per misurare la somiglianza tra immagini reali e generate è stata il punteggio Fréchet Inception Distance (FID). Poiché non differenzia gli aspetti di fedeltà e diversità delle immagini generate, articoli recenti hanno introdotto varianti di metriche di precisione e richiamo per diagnosticare queste proprietà separatamente. In questo documento, dimostriamo che anche l'ultima versione delle metriche di precisione e richiamo (Kynkäänniemi et al., 2019) non è ancora affidabile. Ad esempio, non riescono a rilevare la corrispondenza tra due distribuzioni identiche, non sono robusti rispetto ai valori anomali e gli iperparametri di valutazione vengono selezionati arbitrariamente. Proponiamo metriche di densità e copertura che risolvono i problemi di cui sopra.
Caratteristiche
- Metriche di precisione e richiamo
- Metriche di densità e copertura
- Testare 10000 campioni veri e falsi dalla distribuzione normale standard N(0,I) nello spazio euclideo a 1000 dimensioni
- La generazione di molti campioni falsi attorno al valore anomalo reale è sufficiente per aumentare la misura di precisione
- Poni il vicino più prossimo k=5
- Stime di precisione, richiamo, densità e copertura
Linguaggio di programmazione
Python
Categorie
Questa è un'applicazione che può anche essere recuperata da https://sourceforge.net/projects/reliable-met-gen-mod.mirror/. È stato ospitato in OnWorks per poter essere eseguito online nel modo più semplice da uno dei nostri Sistemi Operativi gratuiti.
