update

README.md

@@ -1,8 +1,16 @@
 # Deep Generative Models
 
+Course for the students of HSE University AMI program [Moscow](https://www.hse.ru/en/ba/ami/) and [Saint-Petersburg](https://spb.hse.ru/en/ba/appmath/) campuses, and [Yandex School of Data Analysis](https://yandexdataschool.com/). 
+
+Lecture: Denis Derkach
+
+Seminars: Maksim Artemev, Artem Ryzhikov
+
+Assistents: Aleksander Markovich, Sergey Chervontsev
+
 Notion: https://www.notion.so/mrartemevstudents/Generative-models-HSE-4ba9fa3db4f341d98cfa2bfe2c04ad1f
 
 TG: t (dot) me (slash) joinchat (slash) SKbwZxvozFwsT8ce
 
-Anytask: TBA
+Anytask: 775
 

homework/2-GAN/.gitkeep

@@ -0,0 +1 @@
+

homework/2-GAN/model.py

@@ -0,0 +1,49 @@
+import torch
+from torch import nn
+from .utils import compute_gradient_penalty, permute_labels
+
+class Generator(nn.Module):
+    def __init__(self):
+        super().__init__()
+        # YOUR CODE
+
+    def forward(self, x, labels):
+        # YOUR CODE
+
+
+class Critic(nn.Module):
+    def __init__(self):
+        super().__init__()
+        # YOUR CODE
+
+    def forward(self, x):
+        # YOUR CODE
+
+
+class StarGAN:
+    def __init__(self):
+        self.G = Generator()
+        self.D = Critic()
+
+        # YOUR CODE
+
+    def train(self):
+        self.G.train()
+        self.D.train()
+
+    def eval(self):
+        self.G.eval()
+        self.D.eval()
+
+    def to(self, device):
+        self.D.to(device)
+        self.G.to(device)
+
+    def trainG(self, image, label):
+        # YOUR CODE
+
+    def trainD(self, image, label):
+        # YOUR CODE
+
+    def generate(self, image, label):
+        # YOUR CODE

homework/2-GAN/utils.py

@@ -0,0 +1,10 @@
+import torch
+from torch import nn
+
+
+def compute_gradient_penalty(critic, real_samples, fake_samples):
+    # YOUR CODE
+    return gradient_penalty
+
+def permute_labels(labels):
+    # YOUR CODE

homework/3-NF_VAE/.gitkeep

@@ -0,0 +1 @@
+

homework/4-Glow/hw4.ipynb

@@ -0,0 +1,63 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "В данной домашке предлагается воспроизвести результаты статьи [ArXiv:2006.08545](https://arxiv.org/abs/2006.08545), изучающей поведение NF на Out-Of-Distribution (OOD) данных (т.е. тех данных, которые поток никогда не видел и которые находятся за пределом распределения обучающей выборки)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## (0.3 балла) Обучить Glow на CelebA, добиться нормального качества генерируемых картинок\n",
+    "\n",
+    "При невыполнении этого пункта все остальные пункты зануляются"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## (0.4 балла) Построить гистограмму лайклихудов для обученного в предыдущем пункте потока для данных CelebA (train), CelebA (test) и SVHN (OOD)\n",
+    "Замечание: из каждого датасета достаточно взять только некоторую долю объектов, достаточную для построения гистограммы "
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## (0.3 балла) Сравнить картинки из OOD (SVHN) с наибольшим предсказанным лайклихудом с картинками обучающего датасета (CelebA) с наименьшим лайклихудом. Что можно сказать об этих картинках? Почему лайклихуд первых может быть выше?"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.8.5"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 4
+}