Unduh fidjax - unduh kode sumber fidjax

fidjax

Kode Sumber AI

1.0.0

Unduh

FID JAX

Implementasi bersih Frechet Inception Distance di JAX.

Mereproduksi implementasi TensorFlow OpenAI.
Implementasi JAX murni berjalan pada CPU/GPU/TPU dan di dalam JIT.
Dapat memuat bobot dari GCS menggunakan pathlib API.
Kode bersih dan sederhana.

instruksi

1️⃣ FID JAX adalah file tunggal, jadi Anda cukup menyalinnya ke direktori proyek Anda. Atau Anda dapat menginstal paketnya:

pip install fidjax

2️⃣ Unduh bobot Inception (kredit untuk Matthias Wright):

wget https://www.dropbox.com/s/xt6zvlvt22dcwck/inception_v3_weights_fid.pickle ? dl=1

3️⃣ Unduh statistik referensi ImageNet dengan resolusi yang diinginkan (buat sendiri untuk kumpulan data lain):

wget https://openaipublic.blob.core.windows.net/diffusion/jul-2021/ref_batches/imagenet/64/VIRTUAL_imagenet64_labeled.npz
wget https://openaipublic.blob.core.windows.net/diffusion/jul-2021/ref_batches/imagenet/128/VIRTUAL_imagenet128_labeled.npz
wget https://openaipublic.blob.core.windows.net/diffusion/jul-2021/ref_batches/imagenet/256/VIRTUAL_imagenet256_labeled.npz
wget https://openaipublic.blob.core.windows.net/diffusion/jul-2021/ref_batches/imagenet/512/VIRTUAL_imagenet512.npz

4️⃣ Hitung aktivasi, statistik, dan skor di JAX:

 import fidjax
import numpy as np

weights = './inception_v3_weights_fid.pickle?dl=1'
reference = './VIRTUAL_imagenet128_labeled.npz'
fid = fidjax . FID ( weights , reference )

fid_total = 50000
fid_batch = 1000
acts = []
for range ( fid_total // fid_batch ):
  samples = ...  # (B, H, W, 3) jnp.uint8
  acts . append ( fid . compute_acts ( samples ))
stats = fid . compute_stats ( acts )
score = fid . compute_score ( stats )

print ( float ( score ))  # FID

Ketepatan

Kumpulan data	Model	FID JAX	OpenAI TF
GambarNet 256	ADM (dipandu, diambil sampelnya)	3.937	3.943

Tutorial

Menggunakan Penyimpanan Cloud

Arahkan ke file melalui implementasi pathlib.Path yang mendukung penyimpanan Cloud Anda. Misalnya untuk GCS:

 import elements  # pip install elements
import fidjax

weights = elements . Path ( 'gs://bucket/fid/inception_v3_weights_fid.pickle' )
reference = elements . Path ( 'gs://bucket/fid/VIRTUAL_imagenet128_labeled.npz' )

fid = fidjax . FID ( weights , reference )

Kumpulan Data Khusus

Hasilkan statistik referensi untuk kumpulan data khusus:

 import fidjax
import numpy as np

weights = './inception_v3_weights_fid.pickle?dl=1'
fid = fidjax . FID ( weights )

acts = fid . compute_acts ( images )
mu , sigma = fid . compute_stats ( acts )

np . savez ( 'reference.npz' , { 'mu' : mu , 'sigma' : sigma })