samir5636 / Auto-encoder-GAN

Projet PyTorch - Auto-encodeurs et GANs

Ce projet consiste à implémenter des auto-encodeurs (AE), des auto-encodeurs variationnels (VAE) et des réseaux génératifs antagonistes (GANs) en utilisant la bibliothèque PyTorch. Les modèles seront entraînés sur l'ensemble de données MNIST pour les AE et VAE, et sur un ensemble de données d'art abstrait pour les GANs.

Partie 1: AE et VAE

1. Architecture de l'auto-encodeur (AE)

• Le fichier autoencoder.py contient l'implémentation de l'architecture de l'AE.
• Les hyperparamètres optimaux sont définis dans le fichier parameters.json.

2. Architecture de l'auto-encodeur variationnel (VAE)

• Le fichier variational_autoencoder.py contient l'implémentation de l'architecture du VAE.
• Les hyperparamètres optimaux sont également définis dans parameters.json.

3. Évaluation des modèles AE et VAE

• Le notebook Jupyter evaluation.ipynb contient les analyses des performances des modèles, y compris les courbes de perte et de divergence KL.

4. Visualisation de l'espace latent

• Le notebook latent_space_visualization.ipynb présente la visualisation de l'espace latent des modèles AE et VAE.

Partie 2: GANs

1. Implémentation des GANs

• Les fichiers generator.py et discriminator.py contiennent les implémentations du générateur et du discriminateur GAN.
• Le fichier gan.py gère l'entraînement du GAN.

2. Évaluation du modèle GAN

• Le notebook gan_evaluation.ipynb évalue les performances du générateur et du discriminateur.

3. Génération de nouvelles données

• Le notebook data_generation.ipynb génère de nouvelles données à l'aide du générateur GAN et les compare aux données originales.