For beginner, this will be the best start for VAEs, GANs, and CVAE-GAN. This contains AE, DAE, VAE, GAN, CGAN, DCGAN, WGAN, WGAN-GP, VAE-GAN, CVAE-GAN. All use PyTorch.
YixinChen-AI/CVAE-GAN-zoos-PyTorch-Beginner 排名第 13,372，有 831 个星标。
同类别比较
YixinChen-AI/CVAE-GAN-zoos-PyTorch-Beginner 排名第 13,372，此处有 8 个同类条目；openai/model_spec 排名第 13,377。
同类别比较 名称 排名 指标 AllentDan/LibtorchTutorials 13,320
语言: C++
星标数: 838
分叉数: 131
简介: This is a code repository for pytorch c++ (or libtorch) tutorial. WakeUp-Jin/Practical-Guide-to-Context-Engineering 13,339
星标数: 835
分叉数: 67
简介: 大模型应用开发 -上下文工程与运行空间实践指南，上下文工程是设计原则，Agent Harness 是构建目标，本项目的目标，是为开发者和研究者提供一份大模型应用开发的骨架思路 dipanjanS/hands-on-transfer-learning-with-python 13,354
语言: Jupyter Notebook
星标数: 833
分叉数: 413
简介: Deep learning simplified by transferring prior learning using the Python deep learning ecosystem erikbern/deep-pink 13,355
语言: Python
星标数: 833
分叉数: 158
简介: Deep Pink is a chess AI that learns to play chess using deep learning. openai/model_spec 13,377
星标数: 831
分叉数: 104
简介: The OpenAI Model Spec databricks-academy/large-language-models 13,385
语言: Python
星标数: 830
分叉数: 465
简介: Notebooks for Large Language Models (LLMs) Specialization firecrawl/firecrawl-app-examples 13,398
语言: Jupyter Notebook
星标数: 829
分叉数: 213
简介: 🔥 This repository contains complete application examples, including websites and other projects, developed using Firecrawl. Machine-Learning-Tokyo/papers-with-annotations 13,413
星标数: 827
分叉数: 75
简介: Research papers with annotations, illustrations and explanations
关键参数与规格
关键参数与规格 参数 值 语言 Python 类别 Tutorials 子类别 ML/AI fundamentals 星标数 831 分叉数 116 贡献者 1 创建日期 2020-03-08 更新日期 2026-10-16 1 天星标数 0 7 天星标数 1 排名 13,372 上次排名 13,274 排名变化 -98 7 天星标排名 10,594 上次 7 天星标排名 10,641 7 天星标排名变化 47 总星标排名 12,918 上次总星标排名 12,899 总星标排名变化 -19
README 摘录
CVAE-GAN-zoos-PyTorch-Beginner 首先先感谢给小透明点赞的几个朋友。 中文讲解： 如果你是第一次接触AE自编码器和GAN生成对抗网络，那这将会是一个非常有用且效率的学习资源。 所有的内容使用PyTorch编写，编写格式
清晰，非常适合PyTorch新手作为学习资源。 本项目总共包含以下模型：AE（自编码器）, DAE（降噪自编码器）, VAE（变分自编码器）, GAN（对抗生成网络）, CGAN（条件对抗生成网络）, DCGAN（深度卷积对抗生成网络）, WGAN（Wasserstain 对抗生成网络
）, WGAN-GP（基于梯度惩罚的WGAN）, VAE-GAN（变分自编码对抗生成网络）, CVAE-GAN（条件变分自编码对抗生成网络）PS:部分英文翻译的中文是我自己编的，哈哈！ py的时候，会自动在同目录下生成**data**文件，这个文件是自动
下载的MNIST数据集；还会生成**img_AE**，这个是每一个epoch模型生成的图片 AE和DAE是非常类似的，这两个不是生成模型，而是单纯的对数据进行压缩存储的网络，不是生成网络! py**，会生成网络对手写数字的
压缩，可以看到相同数字映射到2维度的时候，会聚集在一起，有一点像是聚类分析。 来看一下AE的编码图像： 可以看到相同的数字彼此更靠近 这个就是把28\*28的手写数字映射x,y两个维度上，看
一下x,y属于\[-2,2\]的这个正方形区域，分别对应哪些图片。 这个图片有点那个味道，但是我们发现中心的数字更亮，那是因为这个网络只能编码，而不能生成，想看比较好的效果的可以直接去看CVAE
-GAN生成的图片，很有feel，你也很快就能生成。 *** CGAN是conditional
常见问题
记录了多少星标和分叉？ YixinChen-AI/CVAE-GAN-zoos-PyTorch-Beginner 有 831 个星标和 116 个分叉。
仓库排名是多少？ YixinChen-AI/CVAE-GAN-zoos-PyTorch-Beginner 排名第 13,372。
记录的语言和类别是什么？ YixinChen-AI/CVAE-GAN-zoos-PyTorch-Beginner 有 831 个星标，语言为 Python，类别为 Tutorials。
哪个仓库排名最接近？ YixinChen-AI/CVAE-GAN-zoos-PyTorch-Beginner 与 openai/model_spec 比较，后者排名第 13,377，有 831 个星标。
CVAE-GAN-zoos-PyTorch-Beginner
首先先感谢给小透明点赞的几个朋友。
中文讲解：
如果你是第一次接触AE自编码器和GAN生成对抗网络，那这将会是一个非常有用且效率的学习资源。所有的内容使用PyTorch编写，编写格式清晰，非常适合PyTorch新手作为学习资源。本项目的所有模型目前都是基于MNIST数据库进行图片生成。MNIST数据集是一个比较小，一个光CPU就能跑起来的小数据库。新人友好数据库。
本项目总共包含以下模型：AE（自编码器）, DAE（降噪自编码器）, VAE（变分自编码器）, GAN（对抗生成网络）, CGAN（条件对抗生成网络）, DCGAN（深度卷积对抗生成网络）, WGAN（Wasserstain 对抗生成网络）, WGAN-GP（基于梯度惩罚的WGAN）, VAE-GAN（变分自编码对抗生成网络）, CVAE-GAN（条件变分自编码对抗生成网络）PS:部分英文翻译的中文是我自己编的，哈哈！
建议学习这些模型的顺序为：
运行AE.py的时候，会自动在同目录下生成data 文件，这个文件是自动下载的MNIST数据集；还会生成img_AE ，这个是每一个epoch模型生成的图片
AE和DAE是非常类似的，这两个不是生成模型，而是单纯的对数据进行压缩存储的网络，不是生成网络!在运行完AE.py AE_z2.pth 模型存储文件，之后可以运行AE_test.py ，会生成网络对手写数字的压缩，可以看到相同数字映射到2维度的时候，会聚集在一起，有一点像是聚类分析。是一种无监督学习。来看一下AE的编码图像：
可以看到相同的数字彼此更靠近
这个就是把28*28的手写数字映射x,y两个维度上，看一下x,y属于[-2,2]的这个正方形区域，分别对应哪些图片。这个图片有点那个味道，但是我们发现中心的数字更亮，那是因为这个网络只能编码，而不能生成，想看比较好的效果的可以直接去看CVAE-GAN生成的图片，很有feel，你也很快就能生成。
CGAN是conditional 虽然GAN是无监督学习，但是我们也可以加入标签信息，然后生成指定标签的图片：
VAE是AE模型家族中的一个生成模型，来看一下VAE生成的图像：
VAE-WGANGP是一个在本项目中效果最好的无需标签的无监督生成网络。图像清晰，而且过度均匀
CVAE-GAN是本项目中效果最好的，采用了标签信息的监督生成网络。这里本想尝试改成CVAE-WGANGP，但是因为加入了标签信息导致WGANGP的损失函数不知道如何处理标签的梯度惩罚，所以没能实现。但是CVAE-GAN的效果也是不错的。
首先我们可以生成指定的不同样式的数字：
我们也可以观察一个数字是如何慢慢转化成另外一个数字的：
英文版本还没有写完2333
For beginner, this will be the best start for VAEs, GANs, and CVAE-GAN.
This contains AE, DAE, VAE, GAN, CGAN, DCGAN, WGAN, WGAN-GP, VAE-GAN, CVAE-GAN.
All use PyTorch.
All use MNIST dataset and you do not need download anything but this Github.
If you are new to GAN and AutoEncoder, I advice you can study these models in such a sequence.
1,GAN->DCGAN->WGAN->WGAN-GP
2,GAN->CGAN
3,AE->DAE->VAE
4 if you finish all above models, it time to study CVAE-GAN.
I have spent two days on rebuilding all these models using PyTorch and I believe you can do better and faster.
Let's see the results of CVAE-GAN:
you can generate any photos as you like
you can find out how a number change to a different one. It's interesting!
