ndbao2002 / DDPM_ResNet_Unet

File Utils.ipynb bao gồm:

• Di chuyển ảnh: Copy ngẫu nhiên 5k ảnh trong 10k ảnh được sample (cho việc tính FID 10k) từ các mô hình để tính IS 5k.
• Tính FID 10k và IS 5k bằng thư viện torch-fidelity ( https://github.com/toshas/torch-fidelity )

Trong mỗi thư mục (ví dụ resnet) gồm:

• Một thư mục "model" chứa checkpoint của mô hình cùng tên với thư mục gốc (ở đây là resnet) tại epoch thứ 30.
• Một thư mục "log" chứa log và ảnh sample sau mỗi 1000 iter. Số lượng ảnh sample có thể không bằng nhau do ban đầu để max_epoch là 50.
• Một tệp "DDPM_ResNet.ipynb", ở đây, ResNet chỉ là 1 ví dụ, với các mô hình khác sẽ có tên là "DDPM_ResNet_wo_t.ipynb" (mô hình Res-Net không sử dụng thời gian t), "DDPM_UNet.ipynb" (mô hình U-Net), "DDPM_UNet_wo_t.ipynb" (mô hình U-Net không có thời gian t). Trong đây sẽ tách rõ các phần của mô hình, code dùng để train, code dùng để lấy mẫu. (không nên chạy lấy mẫu ở file này)
• Một tệp "DDPM_ResNet.py", tên thay đổi theo mô hình như trên. Đây chỉ là bản convert từ một tệp ".ipynb" sang ".py" do treo máy nhà qua đêm, chạy trên tệp ".py" bằng terminal sẽ nhẹ nhàng hơn.
• Một tệp "DDPM_ResNet_sample.py", tên thay đổi theo mô hình như trên. Đây là bản chỉnh sửa từ tệp ".py", xoá hết tất cả các code về gọi data, huấn luyện, save log, ... và thay thế bằng code dùng để sample và lưu ảnh. (nên chạy lấy mẫu bằng file này)

Lưu ý:

• Mô hình U-Net và U-Net without t sử dụng cùng kiến trúc nhưng ở mỗi ResBlock, mô hình U-Net without t sẽ không cộng giá trị Embedded Time t vào biến x. Điều này xảy ra tương tự với mô hình Res-Net và Res-Net without t.
• Để xem rõ hơn về mô hình, vui lòng xem file có đuôi ".ipynb".