pytorch/examples

VAE reconstruction loss (BCE)

Offen

#460 geöffnet am 01.12.2018

Auf GitHub ansehenContributor Guide
 (2 Kommentare) (3 Reaktionen) (0 zugewiesene Personen)Python (9.429 Forks)batch import
good first issue

Repository-Metriken

Stars
 (21.634 Sterne)
PR-Merge-Metriken
 (PR-Metriken ausstehend)

Beschreibung

The current implementation uses

F.binary_cross_entropy(recon_x, x.view(-1, 784), reduction='sum')

as the reconstruction loss. The image x has pixel values in [0,1]. This is not the same as Bernoulli log likelihood. The images would have to binarized.

In Ladder Variational Autoencoders by Sonderby et al, they binarize the images as a Bernoulli sample after each epoch.

Contributor Guide

Research-Richtung
Untersuchen Sie, wie Bilder im VAE Beispiel binarisiert werden, und modifizieren Sie die Trainingsschleife, um Bilder nach jeder Epoche zu binarisieren, wie im Ladder VAE Papier beschrieben.
Tech Stack
pythonpytorch
Domain
machine learning
Issue Type
Fehler
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
1-3 Stunden
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Aktiv
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Klar
Voraussetzungen
PythonPyTorchVariational Autoencoders
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
65