Este projeto implementa e treina uma Variational Autoencoder (VAE) usando dados de onda senoidal gerados artificialmente. O objetivo é avaliar a capacidade do VAE de reconstruir os dados de entrada e visualizar a diferença entre os dados originais e reconstruídos.
Seno-VAE.ipynb
: Script principal que contém a implementação do VAE, a preparação dos dados, e o loop de treinamento.
- Python 3.x
- Bibliotecas listadas em
requirements.txt
:- numpy
- pandas
- torch
- matplotlib
- sklearn
-
Instalar dependências:
pip install -r requirements.txt
-
Executar o script de treinamento:
Basta executar o
Run all
do seu Jupyter Notebook. -
Visualizar resultados:
Após o treinamento, os resultados da reconstrução dos dados podem ser visualizados através dos gráficos gerados pelo script.
Sinta-se à vontade para fazer fork deste projeto, abrir issues e enviar pull requests. Suas contribuições são bem-vindas!
Este projeto é licenciado sob os termos da licença MIT.
- Converter o arquivo
.ipynb
para.py
, separando o codigo em 3 arquivos:train_vae.py
: Script principal que contém a implementação do VAE, a preparação dos dados, e o loop de treinamento.create_dataset.py
: Contém a função para gerar o conjunto de dados de onda senoidal.models.py
: Contém a definição da arquitetura do VAE e dos blocos ResNet1D utilizados.