vegans.utils.loading 包

子包

• vegans.utils.loading.architectures 包
  • 子模块
  • vegans.utils.loading.architectures.celeba 模块
  • vegans.utils.loading.architectures.example 模块
  • vegans.utils.loading.architectures.mnist 模块
  • 模块内容

子模块

vegans.utils.loading.CIFAR100Loader 模块

类 vegans.utils.loading.CIFAR100Loader.CIFAR100Loader(root=None)

基类：vegans.utils.loading.CIFAR10Loader.CIFAR10Loader

静态 _preprocess(X_train, y_train, X_test, y_test)

通过归一化和填充预处理 mnist。

vegans.utils.loading.CIFAR10Loader 模块

类 vegans.utils.loading.CIFAR10Loader.CIFAR10Loader(root=None)

基类：vegans.utils.loading.MNISTLoader.MNISTLoader

静态 _preprocess(X_train, y_train, X_test, y_test)

通过归一化和填充预处理 mnist。

load_adversary(x_dim=(3, 32, 32), y_dim=10, adv_type='Discriminator')

加载可用的对抗网络架构

load_autoencoder(z_dim=64, y_dim=10)

加载可用的自编码器架构

load_decoder(z_dim=64, y_dim=10)

加载可用的生成器架构

load_encoder(x_dim=(3, 32, 32), z_dim=64, y_dim=10)

加载可用的编码器架构

load_generator(x_dim=(3, 32, 32), z_dim=64, y_dim=10)

加载可用的生成器架构

vegans.utils.loading.CelebALoader 模块

类 vegans.utils.loading.CelebALoader.CelebALoader(root=None, batch_size=32, max_loaded_images=5000, crop_size=128, output_shape=64, verbose=False, **kwargs)

基类：vegans.utils.loading.DatasetLoader.DatasetLoader

__init__(root=None, batch_size=32, max_loaded_images=5000, crop_size=128, output_shape=64, verbose=False, **kwargs)

参数

• batch_size (int) – 训练期间的批次大小。

• max_loaded_images (int) – 在加载新批次之前加载到内存中的样本数量。

• kwargs – torchvision.utils.data.DataLoader 的其他输入参数

load_adversary(x_dim=None, y_dim=40, adv_type='Discriminator')

加载可用的对抗网络架构

load_autoencoder(x_dim=None, y_dim=40)

加载可用的自编码器架构

load_decoder(x_dim=None, z_dim=(16, 4, 4), y_dim=40)

加载可用的生成器架构

load_encoder(x_dim=None, z_dim=(16, 4, 4), y_dim=40)

加载可用的编码器架构

load_generator(x_dim=None, z_dim=(16, 4, 4), y_dim=40)

加载可用的生成器架构

vegans.utils.loading.DatasetLoader 模块

类 vegans.utils.loading.DatasetLoader.DatasetLoader(metadata, root=None)

基类：abc.ABC

一个用于下载数据集并将其本地缓存的类。假定文件可下载（即通过 URI 公开可用）

目前可用的有

• MNIST：带有标签的手写数字。可通过 download=True 下载。

• FashionMNIST：带有标签的服装。可通过 download=True 下载。

• CelebA：带有属性的名人图片。必须从 https://www.kaggle.com/jessicali9530/celeba-dataset 下载

  并移动到 root 文件夹中。

• CIFAR：带有标签的物体图片。必须从 http://www.cs.toronto.edu/~kriz/cifar.html 下载

  并移动到 root 文件夹中。

_check_dataset_integrity_or_raise(path, expected_hash)

确保数据集存在且其 MD5 校验和与预期的哈希值匹配。

抽象方法 _load_from_disk()

给定文件的 Path 和 DataLoaderMetadata 对象，以 numpy 数组形式返回训练集和测试集。可以假设文件存在且其 MD5 校验和已在此函数被调用之前验证过。

load()

将数据集作为 numpy 数组加载到内存中。如果数据集不存在则下载。

抽象方法 load_adversary()

加载可用的对抗网络架构

抽象方法 load_autoencoder()

加载可用的自编码器架构

抽象方法 load_decoder()

加载可用的生成器架构

抽象方法 load_encoder()

加载可用的编码器架构

抽象方法 load_generator()

加载可用的生成器架构

类 vegans.utils.loading.DatasetLoader.DatasetMetaData(directory, m5hashes)

基类：object

vegans.utils.loading.ExampleLoader 模块

类 vegans.utils.loading.ExampleLoader.ExampleLoader

基类：vegans.utils.loading.DatasetLoader.DatasetLoader

load_adversary(x_dim, y_dim=None, adv_type='Discriminator')

加载可用的对抗网络架构

load_autoencoder(x_dim, y_dim=None)

加载可用的自编码器架构

load_decoder(x_dim, z_dim, y_dim=None)

加载可用的生成器架构

load_encoder(x_dim, z_dim, y_dim=None)

加载可用的编码器架构

load_generator(x_dim, z_dim, y_dim=None)

加载可用的生成器架构

vegans.utils.loading.FashionMNISTLoader 模块

类 vegans.utils.loading.FashionMNISTLoader.FashionMNISTLoader(root=None)

基类：vegans.utils.loading.MNISTLoader.MNISTLoader

vegans.utils.loading.MNISTLoader 模块

类 vegans.utils.loading.MNISTLoader.MNISTLoader(root=None)

基类：vegans.utils.loading.DatasetLoader.DatasetLoader

静态 _preprocess(X_train, y_train, X_test, y_test)

通过归一化和填充预处理 mnist。

load_adversary(x_dim=(1, 32, 32), y_dim=10, adv_type='Discriminator')

加载可用的对抗网络架构

load_autoencoder(x_dim=(1, 32, 32), y_dim=10)

加载可用的自编码器架构

load_decoder(x_dim=(1, 32, 32), z_dim=32, y_dim=10)

加载可用的生成器架构

load_encoder(x_dim=(1, 32, 32), z_dim=32, y_dim=10)

加载可用的编码器架构

load_generator(x_dim=(1, 32, 32), z_dim=32, y_dim=10)

加载可用的生成器架构

模块内容