Il s'agit de l'application Windows nommée Reliable Metrics for Generative Models dont la dernière version peut être téléchargée sous Initialrelease.zip. Il peut être exécuté en ligne dans le fournisseur d'hébergement gratuit OnWorks pour les postes de travail.
Téléchargez et exécutez en ligne gratuitement cette application nommée Métriques fiables pour les modèles génératifs avec OnWorks.
Suivez ces instructions pour exécuter cette application :
- 1. Téléchargé cette application sur votre PC.
- 2. Entrez dans notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous voulez.
- 3. Téléchargez cette application dans ce gestionnaire de fichiers.
- 4. Démarrez n'importe quel émulateur en ligne OS OnWorks à partir de ce site Web, mais un meilleur émulateur en ligne Windows.
- 5. Depuis le système d'exploitation OnWorks Windows que vous venez de démarrer, accédez à notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous souhaitez.
- 6. Téléchargez l'application et installez-la.
- 7. Téléchargez Wine depuis les dépôts de logiciels de vos distributions Linux. Une fois installé, vous pouvez ensuite double-cliquer sur l'application pour les exécuter avec Wine. Vous pouvez également essayer PlayOnLinux, une interface sophistiquée sur Wine qui vous aidera à installer des programmes et des jeux Windows populaires.
Wine est un moyen d'exécuter un logiciel Windows sur Linux, mais sans Windows requis. Wine est une couche de compatibilité Windows open source qui peut exécuter des programmes Windows directement sur n'importe quel bureau Linux. Essentiellement, Wine essaie de ré-implémenter suffisamment de Windows à partir de zéro pour qu'il puisse exécuter toutes ces applications Windows sans avoir réellement besoin de Windows.
CAPTURES D'ÉCRAN
Ad
Métriques fiables pour les modèles génératifs
DESCRIPTION
Métriques fiables de fidélité et de diversité pour les modèles génératifs (ICML 2020). La conception de métriques d'évaluation indicatives pour la tâche de génération d'images reste un problème ouvert. La métrique la plus largement utilisée pour mesurer la similarité entre les images réelles et générées a été le score Fréchet Inception Distance (FID). Parce qu'il ne différencie pas les aspects de fidélité et de diversité des images générées, des articles récents ont introduit des variantes de métriques de précision et de rappel pour diagnostiquer ces propriétés séparément. Dans cet article, nous montrons que même la dernière version des mesures de précision et de rappel (Kynkäänniemi et al., 2019) n'est pas encore fiable. Par exemple, ils ne parviennent pas à détecter la correspondance entre deux distributions identiques, ils ne sont pas robustes contre les valeurs aberrantes et les hyperparamètres d'évaluation sont sélectionnés arbitrairement. Nous proposons des métriques de densité et de couverture qui résolvent les problèmes ci-dessus.
Fonctionnalités:
- Mesures de précision et de rappel
- Mesures de densité et de couverture
- Testez 10000 échantillons réels et faux de la distribution normale standard N(0,I) dans un espace euclidien à 1000 dimensions
- Générer de nombreux faux échantillons autour de la valeur aberrante réelle suffit à augmenter la précision de la mesure
- Définir le voisin le plus proche k=5
- Estimations de la précision, du rappel, de la densité et de la couverture
Langage de programmation
Python
Catégories
Il s'agit d'une application qui peut également être récupérée à partir de https://sourceforge.net/projects/reliable-met-gen-mod.mirror/. Il a été hébergé dans OnWorks afin d'être exécuté en ligne de la manière la plus simple à partir de l'un de nos systèmes d'exploitation gratuits.
