12个重要的Colab NoteBook

• 2020 年 3 月 13 日
• 筆記

作者 | Vlad Alex

来源 | Medium

编辑 | 代码医生团队

Google Colab NoteBook可实现数据科学的民主化。允许所有人— AI研究人员，艺术家，数据科学家等。—在每台设备（甚至在智能手机）上享受机器和深度学习的功能。只需运行单元，更改参数，值和源，即可享受AI的多样性。

分享一些最喜欢的NoteBook。

图片和视频

01）Google Deep Dream

DeepDream通过神经网络可视化模式识别，解释和迭代生成。通过增加这种创造性的诠释，可以制作出类似梦想的图像。

神经网络在Pareidolia的情况下就像我们的大脑一样：它寻找熟悉的模式，这些模式是从经过训练的数据集中得出的。

上面的示例展示了大脑如何识别火星Cydonia地区岩层中的面孔。用户Nixtown 通过不断的DeepDream迭代改造了达芬奇的《蒙娜丽莎》，而AI则识别出奇怪的图案。

大脑通常会识别出不存在的图案或物体。但是如果人类感知做到了，那么为什么不应该使用AI？

链接：

GitHub

https://github.com/tensorflow/docs/blob/master/site/en/tutorials/generative/deepdream.ipynb

ColabNoteBook

https://colab.research.google.com/github/tensorflow/docs/blob/master/site/en/tutorials/generative/deepdream.ipynb

02）BigGAN

BigGAN是第一个著名的生成对抗网络。该网络在ImageNet上以现在非常低的128×128分辨率进行了训练，通过其多种生成功能，它已成为标准。

在此NoteBook中，可以从一长串类别中生成样本。

链接：

ColabNoteBook

https://colab.research.google.com/github/tensorflow/hub/blob/master/examples/colab/biggan_generation_with_tf_hub.ipynb

03）StyleTransfer

在此实验中，深度学习系统检查了两个源图像，并传递了它们的样式：不仅是颜色，而且还有形状和图案。

链接：

https://github.com/tensorflow/lucid

Colab NoteBook

https://colab.research.google.com/github/tensorflow/lucid/blob/master/notebooks/differentiable-parameterizations/style_transfer_2d.ipynb

04，05）人工智能中的ART

有许多方法可以在艺术品上训练AI。

其中之一是通过Reddit提供的：StyleGAN用来自Kaggle的24k图像对艺术品数据集进行了训练。

会得到有趣的结果，甚至可以追溯模型经过训练的原始艺术品。

另一个是由Peter Baylies等提供的WikiART StyleGAN2条件模型，由Doron Adler包装在NoteBook中：

该模型在WikiART图像上进行了训练。它甚至允许在艺术家，流派和风格之间进行选择。

图像令人印象深刻：

尝试的事情：

每个新的组合都会产生有趣的艺术品。尝试从不同时期选择具有非典型风格的艺术家。像毕加索和文艺复兴时期或希什金与流行艺术。结果有时是出乎意料的，并不总是可以理解的，但这毕竟是艺术。

链接：

C0D32_ ColabNoteBook（在24k艺术品上训练）

https://colab.research.google.com/drive/1cFKK0CBnev2BF8z9BOHxePk7E-f7TtUi

WikiART StyleGAN2 ColabNoteBook

https://colab.research.google.com/github/Norod/my-colab-experiments/blob/master/WikiArt_Example_Generation_By_Peter_Baylies.ipynb

06）样式GAN2

该网络由NVidia开发，是目前最先进的图像生成网络。它接受了高清数据集的训练（例如Flickr-Faces-HQ的Faces）。StyleGAN2提供自动学习的，无监督的高级属性分离，随机变化和具有视觉特征的图层控制。

有很多StyleGAN2-Notebooks，最喜欢的是Mikael Christensen进行的微调。

链接：

论文：

https://arxiv.org/abs/1812.04948

视频：

代码：

https://github.com/NVlabs/stylegan /

https://github.com/NVlabs/stylegan2

ColabNoteBook

https://colab.research.google.com/drive/1ShgW6wohEFQtqs_znMna3dzrcVoABKIH

尝试的事情：

NoteBook中提供了NVidia提供的各种默认数据集（请注意分辨率）：

试用新的数据集。训练自己的模型，或使用由迈克尔·弗里森（Michael Friesen）等艺术家和研究人员提供的模型（跟随其Twitter进行新更新）。

细菌风格

美术风格

MC Escher-StyleGAN：

07）#DeOldify

DeOldify模型由贾森·安蒂奇允许的照片和视频有机着色。可以将栩栩如生的旧历史镜头恢复原状。同时它已实现到MyHeritage.org中。

该方法功能强大。它可以识别图案和对象，并在上面应用经过训练的视觉数据库的颜色。

例如，这些1950年代的花朵：

它也适用于视频。

链接：

GitHub

https://github.com/jantic/DeOldify

DeOldify的图像

https://colab.research.google.com/github/jantic/DeOldify/blob/master/ImageColorizerColab.ipynb

视频的DeOldify（支持各种视频平台）

https://colab.research.google.com/github/jantic/DeOldify/blob/master/VideoColorizerColab.ipynb

8）3D Ken Burns效果

3D Ken Burns效果（由Simon Niklaus等人开发）允许生成单张照片的动画3D视频素材。

尝试的事情：

在Colab Notebook中，将找到组件autozoom.py。尝试使用以下参数对其进行微调：

objectTo = process_autozoom（{  'dblShift'：10.0，  'dblZoom'：10000000000000000000000000000000000000000000000000000000，   'objectFrom'：objectFrom  }）  numpyResult = process_kenburns  （{ 'dblSteps'：numpy.linspace（0.0，8.0，400）.tolist（），  “objectFrom '：objectFrom，  '  objectTo'：objectTo，  '  boolInpaint'：True  }）

这会夸张相机的运动-将在整个风景中飞翔。

链接：

从ArXiv上的单个图像获得3D Ken Burns效果

https://arxiv.org/abs/1909.05483

Colab Notebook

https://colab.research.google.com/drive/1hxx4iSuAOyeI2gCL54vQkpEuBVrIv1hY

9）一阶运动模型

Aliaksandr Siarohin等人的“一阶运动模型”将面部运动从视频镜头转换为图像。

链接：

项目页面

https://aliaksandrsiarohin.github.io/first-order-model-website/

GitHub

https://github.com/AliaksandrSiarohin/first-order-model

Colab NoteBook

https://colab.research.google.com/github/AliaksandrSiarohin/first-order-model/blob/master/demo.ipynb#scrollTo=UCMFMJV7K-ag

神经语言处理

10、11）GPT-2

OpenAI在2019年发布的这种语言模型接受了来自各种来源的40 GB文本的训练。有几个GPT-2 ColabNoteBook，它们的工作方式相似：输入句子的开头，然后GPT-2继续（或向提供的文本提问）。变压器驱动的模型具有“自我注意”的功能，可以在指定的距离内注意文本部分，从而可以生成连贯的故事，而不会产生混乱的现象。

更喜欢两个GPT-2NoteBook：

• Max Woolf的“训练GPT-2文本生成模型”

https://colab.research.google.com/drive/1VLG8e7YSEwypxU-noRNhsv5dW4NfTGce

• 具有 gpt2ent的Javascript接口的GPT-2

https://colab.research.google.com/drive/1VLG8e7YSEwypxU-noRNhsv5dW4NfTGce

Max Woolf的NoteBook允许：

• 通过GPT-2生成各种文本
• 训练自己的文字（最大355m模型）

用三种语言来做：

英文（关于“爱丽丝梦游仙境”）

德语（在歌德的《浮士德》中）

俄语（关于普希金的早期诗歌）

它在某种程度上适用于所有语言。当然，GPT-2接受了英语方面的训练。对于外语，应该应用微调和其他资产，但是这种概念证明对我来说是令人信服的。有一些有趣的发现：

• 在“ 浮士德”上对德语的训练越多，文本越接近原始。原因可能是在一个小的数据集中（仅一个文本）。如果想训练自己的文字，请提供更多的数据量。
• 俄语文本并不是很容易理解，但是仍然可以通过普希金的诗歌来识别其风格甚至形式。而且造币和新词是完美的，每一个前卫文学家都会为这样的发明感到自豪。

“具有Javascript接口的GPT-2”-NoteBook允许：

文本生成，不多不少。但是可以控制文本长度（这是一个非常相关的因素）：

使用Temperature和top_k，您可以修改文本的随机性，重复性和“怪异性”。

使用“ 生成多少”可以生成更长的文本。

链接：

GPT-2：1.5B版本

https://openai.com/blog/gpt-2-1-5b-release/

Max Woolf的ColabNoteBook

https://colab.research.google.com/drive/1VLG8e7YSEwypxU-noRNhsv5dW4NfTGce

具有Javascript界面的GPT-2

https://colab.research.google.com/github/gpt2ent/gpt2colab-js/blob/master/GPT2_with_Javascript_interface_POC.ipynb

音乐

12）megenta：带变压器的音乐

AI也可以写音乐。在基于TensorFlow的megenta的情况下，它会像GPT-2一样使用具有自觉性的变压器，以实现谐波连贯性和一致的成分。

这是使用megenta生成的示例：

尝试的事情：

NoteBook提供了很多可能性，例如用于连续，调制，它允许.wav和.midi导出。Magenta是GoogleAI的一个项目。一件大事，它甚至包括硬件。

如果只是想听，这里是Magenta-Radio：

https://magenta.github.io/listen-to-transformer

链接：

Google.ai提供的megenta

https://magenta.tensorflow.org/

ColabNoteBook

https://colab.research.google.com/notebooks/magenta/piano_transformer/piano_transformer.ipynb

AI的民主化

这是ColabNoteBook电脑的任务-为广大读者提供使用ML / DL的可能性。使AI易于使用。提升数字意识和能力。

在这些库中，可以找到更多NoteBook：

https://github.com/tugstugi/dl-colab-notebooks

https://github.com/mrm8488/shared_colab_notebooks