42 lines
1.6 KiB
Markdown
42 lines
1.6 KiB
Markdown
# Wasserstein GAN
|
|
L'objectif de ce projet était d'étudier les GANs dans le cas de la distance de Wasserstein.
|
|
|
|
Voici les membres de notre groupe classés par ordres alphabétiques pour leur nom de famille :
|
|
- Paul Corbalan
|
|
- Nicolas Gonel
|
|
- Oihan Joyot
|
|
- Tristan Portugues
|
|
- Florian Zorzynski
|
|
|
|
Notre projet s'inspire grandement des ressources suivantes qui sont l'article initial de notre projet ainsi que le code correspondant.
|
|
- Article : [[1701.07875] Wasserstein GAN (arxiv.org)](https://arxiv.org/abs/1701.07875)
|
|
- Code : [martinarjovsky/WassersteinGAN (github.com)](https://github.com/martinarjovsky/WassersteinGAN)
|
|
|
|
|
|
## Installation
|
|
Il est important de noter que Python 3.11 a été utilisé pour ce projet notamment au niveau de la compatibilité avec la librairie PyTorch, il est donc recommandé d'utiliser cette version.
|
|
1. Pour installer Python 3.11, il est recommandé de le faire avec Anaconda, en exécutant la commande suivante :
|
|
```shell
|
|
conda create -n wasserstein-gan python=3.11
|
|
```
|
|
2. Pour activer l'environnement, il suffit d'exécuter la commande suivante :
|
|
```shell
|
|
conda activate wasserstein-gan
|
|
```
|
|
3. Pour installer les dépendances du projet, il suffit d'exécuter la commande suivante :
|
|
```shell
|
|
pip install -r requirements.txt
|
|
```
|
|
|
|
|
|
## Utilisation
|
|
Le détail des expériences est détaillé dans le [Jupiter Notebook](./notebook.ipynb). Cependant il est possible de reproduire celle-ci simplement en exécutant les commandes suivantes :
|
|
- Pour l'entraînement :
|
|
```shell
|
|
python main.py
|
|
```
|
|
- Pour la génération d'images :
|
|
```shell
|
|
python generate.py
|
|
```
|