• [Pytorch] AAE

    Adversarial Autoencoder를 Pytorch로 구현 https://github.com/Lyusungwon/pytorch/tree/master/aae Reference https://github.com/musyoku/adversarial-autoencoder Note latent variable들을 내가 원하는 그림 문양으로 만들고 싶어서 이미지로부터 sampling하는 부분을 구현 기하학적 모양을 sampling하는 부분은 참고하였 Reconstruction은 잘 되나 latent variable을 내가 원하는 모양으로 만드는 것은 실패. Result


  • Information Modeling Method and Application

    Information Modeling Method and Application Internet and Web Fundamentals: 3 네트워크 지수법칙10 www의 출현과 성장 13 W3C 14 web browser 15 웹의 구성 요소 16 URL 18 HTML form 23 HTTP message request / response 30 web services 33 WWW web server web client plugin web proxy 35 browser 39...


  • Wild tales

    평점: 4 화끈한 이야기들(Wild tales)의 야생의 흔적(Wild tails). 뒤도 생각 안하고 뻗치는 분노는 얼마나 자연스러운가?


  • [Pytorch] VQVAE

    Neural Discrete Representation Learning를 Pytorch로 구현 https://github.com/Lyusungwon/pytorch/tree/master/vqvae Reference https://github.com/nakosung/VQ-VAE https://github.com/nadavbh12/VQ-VAE Note 각 latent variable 마다 가장 가까운 임베딩 벡터를 찾는게 복잡했는데 단순한 트릭으로 해결할 수 있다는 것을 발견 들어오는 gradient를 가로채는 방법이 어려웠는데 register_hook을 통하여 해결 Result -Image -Loss


  • Unsupervised Learning of Disentangled and Interpretable Representations from Sequential Data

    WHY? 이미지에 대한 unsupervised disentangling의 시도는 많았지만 오디오와 같은 sequential data에서의 unsupervised disentangling의 시도는 많지 않았다. WHAT? Factorized Hierarchical Variational Autoencoder에서는 sequential data를 sequential dependent prior와 sequence independent prior를 가진 hierarchical graphical model로 가정한다. Sequential data이기 때문에 sequence를 나타내는 인덱스 i와 segment를 나타내는 인덱스 n이 존재한다. 한 sequence의 likelihood에 대하여...