vegans.utils.loading.architectures 包

子模块

vegans.utils.loading.architectures.celeba 模块

类 vegans.utils.loading.architectures.celeba.MyAdversary(adv_in_dim, last_layer_activation)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

类 vegans.utils.loading.architectures.celeba.MyDecoder(x_dim, dec_in_dim)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

类 vegans.utils.loading.architectures.celeba.MyEncoder(enc_in_dim, z_dim)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

类 vegans.utils.loading.architectures.celeba.MyGenerator(x_dim, gen_in_dim)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

vegans.utils.loading.architectures.celeba.load_celeba_adversary(x_dim, y_dim=None, adv_type='Critic')

加载一些用于判别器的 celeba 架构。

参数

y_dim (integer, list, optional) – 指示标签的维度数量。

返回值

判别器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.celeba.load_celeba_decoder(x_dim, z_dim, y_dim=None)

加载一些用于解码器的 mnist 架构。

参数

• z_dim (integer, list) – 指示潜在空间的维度数量。

• y_dim (integer, list, optional) – 指示标签的维度数量。

返回值

解码器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.celeba.load_celeba_encoder(x_dim, z_dim, y_dim=None)

加载一些用于编码器的 celeba 架构。

参数

• x_dim (integer, list) – 指示真实数据的维度数量。

• z_dim (integer, list) – 指示潜在空间的维度数量。

• y_dim (integer, list, optional) – 指示标签的维度数量。

返回值

编码器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.celeba.load_celeba_generator(x_dim, z_dim, y_dim=None)

加载一些用于生成器的 celeba 架构。

参数

• z_dim (integer, list) – 指示潜在空间的维度数量。

• y_dim (None, optional) – 指示标签的维度数量。

返回值

生成器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.example 模块

类 vegans.utils.loading.architectures.example.MyAdversary(adv_in_dim, first_layer, last_layer)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

类 vegans.utils.loading.architectures.example.MyAutoEncoder(adv_in_dim, x_dim, first_layer)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

类 vegans.utils.loading.architectures.example.MyDecoder(x_dim, dec_in_dim)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

类 vegans.utils.loading.architectures.example.MyEncoder(enc_in_dim, z_dim, first_layer)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

类 vegans.utils.loading.architectures.example.MyGenerator(gen_in_dim, x_dim)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

vegans.utils.loading.architectures.example.load_example_adversary(x_dim, y_dim=None, adv_type='Critic')

加载一些用于判别器的示例架构。

参数

• x_dim (integer, list) – 指示真实数据的维度数量。

• y_dim (integer, list, optional) – 指示标签的维度数量。

返回值

判别器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.example.load_example_autoencoder(x_dim, y_dim=None)

加载一些用于自动编码器的示例架构。

参数

• x_dim (integer, list) – 指示真实数据的维度数量。

• y_dim (integer, list, optional) – 指示标签的维度数量。

返回值

自动编码器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.example.load_example_decoder(x_dim, z_dim, y_dim=None)

加载一些用于解码器的示例架构。

参数

• x_dim (integer, list) – 指示真实数据的维度数量。

• z_dim (integer, list) – 指示潜在空间的维度数量。

• y_dim (None, optional) – 指示标签的维度数量。

返回值

解码器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.example.load_example_encoder(x_dim, z_dim, y_dim=None)

加载一些用于编码器的示例架构。

参数

• x_dim (integer, list) – 指示真实数据的维度数量。

• z_dim (integer, list) – 指示潜在空间的维度数量。

• y_dim (None, optional) – 指示标签的维度数量。

返回值

编码器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.example.load_example_generator(x_dim, z_dim, y_dim=None)

加载一些用于生成器的示例架构。

参数

• x_dim (integer, list) – 指示真实数据的维度数量。

• z_dim (integer, list) – 指示潜在空间的维度数量。

• y_dim (integer, list, optional) – 指示标签的维度数量。

返回值

生成器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.mnist 模块

类 vegans.utils.loading.architectures.mnist.MyAdversary(adv_in_dim, last_layer)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

类 vegans.utils.loading.architectures.mnist.MyAutoEncoder(ae_in_dim)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

类 vegans.utils.loading.architectures.mnist.MyDecoder(x_dim, dec_in_dim)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

类 vegans.utils.loading.architectures.mnist.MyEncoder(enc_in_dim, z_dim)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

类 vegans.utils.loading.architectures.mnist.MyGenerator(x_dim, gen_in_dim)

基类: torch.nn.modules.module.Module

forward(x)

定义了每次调用时执行的计算。

所有子类都应重写此方法。

注意

虽然前向传播的实现需要在函数内定义，但之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行注册的钩子，而后者会静默忽略它们。

training: bool

vegans.utils.loading.architectures.mnist.load_mnist_adversary(x_dim=(1, 32, 32), y_dim=None, adv_type='Critic')

加载一些用于判别器的 mnist 架构。

参数

y_dim (integer, list, optional) – 指示标签的维度数量。

返回值

判别器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.mnist.load_mnist_autoencoder(x_dim=(1, 32, 32), y_dim=None)

加载一些用于自动编码器的 mnist 架构。

参数

• x_dim (integer, list) – 指示真实数据的维度数量。

• y_dim (integer, list, optional) – 指示标签的维度数量。

返回值

自动编码器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.mnist.load_mnist_decoder(x_dim, z_dim, y_dim=None)

加载一些用于解码器的 mnist 架构。

参数

• z_dim (integer, list) – 指示潜在空间的维度数量。

• y_dim (integer, list, optional) – 指示标签的维度数量。

返回值

解码器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.mnist.load_mnist_encoder(x_dim, z_dim, y_dim=None)

加载一些用于编码器的 mnist 架构。

参数

• x_dim (integer, list) – 指示真实数据的维度数量。

• z_dim (integer, list) – 指示潜在空间的维度数量。

• y_dim (integer, list, optional) – 指示标签的维度数量。

返回值

编码器的架构。

返回类型

torch.nn.Module

vegans.utils.loading.architectures.mnist.load_mnist_generator(x_dim, z_dim, y_dim=None)

加载一些用于生成器的 mnist 架构。

参数

• z_dim (integer, list) – 指示潜在空间的维度数量。

• y_dim (None, optional) – 指示标签的维度数量。

返回值

生成器的架构。

返回类型

torch.nn.Module

模块内容