นี่คือแอป Windows ชื่อ Reliable Metrics for Generative Models ซึ่งสามารถดาวน์โหลดรุ่นล่าสุดได้ในชื่อ Initialrelease.zip สามารถเรียกใช้ออนไลน์ได้ใน OnWorks ผู้ให้บริการโฮสต์ฟรีสำหรับเวิร์กสเตชัน
ดาวน์โหลดและเรียกใช้แอปนี้ทางออนไลน์ชื่อ Reliable Metrics for Generative Models with OnWorks ฟรี
ทำตามคำแนะนำเหล่านี้เพื่อเรียกใช้แอปนี้:
- 1. ดาวน์โหลดแอปพลิเคชั่นนี้ในพีซีของคุณ
- 2. เข้าไปที่ file manager https://www.onworks.net/myfiles.php?username=XXXXX ด้วยชื่อผู้ใช้ที่คุณต้องการ
- 3. อัปโหลดแอปพลิเคชันนี้ในตัวจัดการไฟล์ดังกล่าว
- 4. เริ่มโปรแกรมจำลองออนไลน์ของ OS OnWorks จากเว็บไซต์นี้ แต่โปรแกรมจำลองออนไลน์ของ Windows ที่ดีกว่า
- 5. จากระบบปฏิบัติการ Windows ของ OnWorks ที่คุณเพิ่งเริ่มต้น ไปที่ตัวจัดการไฟล์ของเรา https://www.onworks.net/myfiles.php?username=XXXXX พร้อมชื่อผู้ใช้ที่คุณต้องการ
- 6. ดาวน์โหลดแอปพลิเคชั่นและติดตั้ง
- 7. ดาวน์โหลดไวน์จากที่เก็บซอฟต์แวร์ลีนุกซ์ดิสทริบิวชันของคุณ เมื่อติดตั้งแล้ว คุณสามารถดับเบิลคลิกที่แอปเพื่อเรียกใช้แอปด้วย Wine คุณยังสามารถลองใช้ PlayOnLinux ซึ่งเป็นอินเทอร์เฟซแฟนซีบน Wine ที่จะช่วยคุณติดตั้งโปรแกรมและเกมยอดนิยมของ Windows
ไวน์เป็นวิธีเรียกใช้ซอฟต์แวร์ Windows บน Linux แต่ไม่จำเป็นต้องใช้ Windows Wine เป็นเลเยอร์ความเข้ากันได้ของ Windows แบบโอเพ่นซอร์สที่สามารถเรียกใช้โปรแกรม Windows ได้โดยตรงบนเดสก์ท็อป Linux โดยพื้นฐานแล้ว Wine พยายามนำ Windows กลับมาใช้ใหม่ให้เพียงพอตั้งแต่เริ่มต้น เพื่อให้สามารถเรียกใช้แอปพลิเคชัน Windows เหล่านั้นทั้งหมดโดยไม่จำเป็นต้องใช้ Windows จริงๆ
ภาพหน้าจอ
Ad
เมตริกที่เชื่อถือได้สำหรับโมเดลทั่วไป
DESCRIPTION
เมตริกความเที่ยงตรงและความหลากหลายที่เชื่อถือได้สำหรับโมเดลเชิงกำเนิด (ICML 2020) การสร้างเมตริกการประเมินเชิงบ่งชี้สำหรับงานสร้างภาพยังคงเป็นปัญหาที่เปิดอยู่ เมตริกที่ใช้กันอย่างแพร่หลายที่สุดในการวัดความคล้ายคลึงกันระหว่างภาพจริงและภาพที่สร้างขึ้นคือคะแนน Fréchet Inception Distance (FID) เนื่องจากไม่ได้แยกความแตกต่างด้านความเที่ยงตรงและความหลากหลายของภาพที่สร้างขึ้น เอกสารล่าสุดจึงแนะนำรูปแบบต่างๆ ของความแม่นยำและเมตริกการเรียกคืนเพื่อวินิจฉัยคุณสมบัติเหล่านั้นแยกกัน ในบทความนี้ เราแสดงให้เห็นว่าแม้แต่เมตริกความแม่นยำและการเรียกคืนเวอร์ชันล่าสุด (Kynkäänniemi et al., 2019) ก็ยังไม่น่าเชื่อถือ ตัวอย่างเช่น พวกเขาตรวจไม่พบการจับคู่ระหว่างการแจกแจงที่เหมือนกันสองรายการ พวกเขาไม่แข็งแกร่งเมื่อเทียบกับค่าผิดปกติ และไฮเปอร์พารามิเตอร์การประเมินจะถูกเลือกโดยพลการ เราเสนอเมตริกความหนาแน่นและความครอบคลุมที่ช่วยแก้ปัญหาข้างต้น
คุณสมบัติ
- ตัวชี้วัดความแม่นยำและการเรียกคืน
- เมตริกความหนาแน่นและความครอบคลุม
- ทดสอบตัวอย่างจริงและปลอม 10000 ตัวอย่างจากการแจกแจงปกติมาตรฐาน N(0,I) ในปริภูมิแบบยุคลิด 1000 มิติ
- การสร้างตัวอย่างปลอมจำนวนมากรอบๆ ค่าผิดปกติจริงก็เพียงพอแล้วที่จะเพิ่มความแม่นยำในการวัด
- ตั้งค่าเพื่อนบ้านที่ใกล้ที่สุด k=5
- ความแม่นยำ การเรียกคืน ความหนาแน่น และความครอบคลุมโดยประมาณ
ภาษาโปรแกรม
หลาม
หมวดหมู่
นี่เป็นแอปพลิเคชันที่สามารถเรียกได้จาก https://sourceforge.net/projects/reliable-met-gen-mod.mirror/ มีการโฮสต์ใน OnWorks เพื่อให้ทำงานออนไลน์ด้วยวิธีที่ง่ายที่สุดจากหนึ่งในระบบปฏิบัติการฟรีของเรา
