siren pytorch

صفارة الإنذار في Pytorch

تنفيذ Pytorch لـ SIREN - التمثيلات العصبية الضمنية مع وظيفة التنشيط الدوري

ثَبَّتَ

$ pip install siren-pytorch

الاستخدام

شبكة عصبية متعددة الطبقات تعتمد على SIREN

 import torch
from torch import nn
from siren_pytorch import SirenNet

net = SirenNet (
    dim_in = 2 ,                        # input dimension, ex. 2d coor
    dim_hidden = 256 ,                  # hidden dimension
    dim_out = 3 ,                       # output dimension, ex. rgb value
    num_layers = 5 ,                    # number of layers
    final_activation = nn . Sigmoid (),   # activation of final layer (nn.Identity() for direct output)
    w0_initial = 30.                   # different signals may require different omega_0 in the first layer - this is a hyperparameter
)

coor = torch . randn ( 1 , 2 )
net ( coor ) # (1, 3) <- rgb value

طبقة واحدة من صفارة الإنذار

 import torch
from siren_pytorch import Siren

neuron = Siren (
    dim_in = 3 ,
    dim_out = 256
)

coor = torch . randn ( 1 , 3 )
neuron ( coor ) # (1, 256)

تنشيط الجيب (مجرد غلاف حول torch.sin )

 import torch
from siren_pytorch import Sine

act = Sine ( 1. )
coor = torch . randn ( 1 , 2 )
act ( coor )

غلاف للتدريب على صورة معينة ذات ارتفاع وعرض محددين من SirenNet معين، ثم يتم إنشاؤه لاحقًا.

 import torch
from torch import nn
from siren_pytorch import SirenNet , SirenWrapper

net = SirenNet (
    dim_in = 2 ,                        # input dimension, ex. 2d coor
    dim_hidden = 256 ,                  # hidden dimension
    dim_out = 3 ,                       # output dimension, ex. rgb value
    num_layers = 5 ,                    # number of layers
    w0_initial = 30.                   # different signals may require different omega_0 in the first layer - this is a hyperparameter
)

wrapper = SirenWrapper (
    net ,
    image_width = 256 ,
    image_height = 256
)

img = torch . randn ( 1 , 3 , 256 , 256 )
loss = wrapper ( img )
loss . backward ()

# after much training ...
# simply invoke the wrapper without passing in anything

pred_img = wrapper () # (1, 3, 256, 256) 

التعديل مع الكود الكامن

تقترح ورقة بحثية جديدة أن أفضل طريقة لتكييف صفارة الإنذار برمز كامن هي تمرير المتجه الكامن من خلال شبكة تغذية للأمام للمعدِّل، حيث يتم ضرب الحالة المخفية لكل طبقة بالطبقة المقابلة من صفارة الإنذار.

يمكنك استخدام هذا ببساطة عن طريق تعيين كلمة رئيسية إضافية latent_dim على SirenWrapper

 import torch
from torch import nn
from siren_pytorch import SirenNet , SirenWrapper

net = SirenNet (
    dim_in = 2 ,                        # input dimension, ex. 2d coor
    dim_hidden = 256 ,                  # hidden dimension
    dim_out = 3 ,                       # output dimension, ex. rgb value
    num_layers = 5 ,                    # number of layers
    w0_initial = 30.                   # different signals may require different omega_0 in the first layer - this is a hyperparameter
)

wrapper = SirenWrapper (
    net ,
    latent_dim = 512 ,
    image_width = 256 ,
    image_height = 256
)

latent = nn . Parameter ( torch . zeros ( 512 ). normal_ ( 0 , 1e-2 ))
img = torch . randn ( 1 , 3 , 256 , 256 )

loss = wrapper ( img , latent = latent )
loss . backward ()

# after much training ...
# simply invoke the wrapper without passing in anything

pred_img = wrapper ( latent = latent ) # (1, 3, 256, 256) 

الاستشهادات

 @misc { sitzmann2020implicit ,
    title   = { Implicit Neural Representations with Periodic Activation Functions } ,
    author  = { Vincent Sitzmann and Julien N. P. Martel and Alexander W. Bergman and David B. Lindell and Gordon Wetzstein } ,
    year    = { 2020 } ,
    eprint  = { 2006.09661 } ,
    archivePrefix = { arXiv } ,
    primaryClass = { cs.CV }
}

 @misc { mehta2021modulated ,
    title   = { Modulated Periodic Activations for Generalizable Local Functional Representations } , 
    author  = { Ishit Mehta and Michaël Gharbi and Connelly Barnes and Eli Shechtman and Ravi Ramamoorthi and Manmohan Chandraker } ,
    year    = { 2021 } ,
    eprint  = { 2104.03960 } ,
    archivePrefix = { arXiv } ,
    primaryClass = { cs.CV }
}