matheusbecali / sinewave-vae-example

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.

Projeto de Treinamento de VAE em Dados de Onda Senoidal

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.

Arquivos

• Seno-VAE.ipynb: Script principal que contém a implementação do VAE, a preparação dos dados, e o loop de treinamento.

Requisitos

• Python 3.x
• Bibliotecas listadas em requirements.txt:
  • numpy
  • pandas
  • torch
  • matplotlib
  • sklearn

Como usar

1. Instalar dependências:

   pip install -r requirements.txt
   

2. Executar o script de treinamento:

   Basta executar o Run all do seu Jupyter Notebook.

3. Visualizar resultados:

   Após o treinamento, os resultados da reconstrução dos dados podem ser visualizados através dos gráficos gerados pelo script.

Contribuições

Sinta-se à vontade para fazer fork deste projeto, abrir issues e enviar pull requests. Suas contribuições são bem-vindas!

Licença

Este projeto é licenciado sob os termos da licença MIT.

Próximos Passos (TODO)

1. 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.