# Deep Convolution Generative Adversarial Networks
This example implements the paper [Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks](http://arxiv.org/abs/1511.06434)
UniMoCo：无监督，半监督和全监督的视觉表示学习
这是的官方PyTorch实施：
article{dai2021unimoco,
author = {Zhigang Dai and Bolun Cai and Yugeng Lin and Junying Chen},
title = {UniMoCo: Unsupervised, Semi-Supervised and Full-Supervised Visual Representation Learning},
jo
MoCo：用于无监督视觉表示学习的动量对比
这是MoCo的PyTorch实现：
Article{he2019moco,
author = {Kaiming He and Haoqi Fan and Yuxin Wu and Saining Xie and Ross Girshick},
title = {Momentum Contrast for Unsupervised Visual Representation Learning},
journal = {arXiv pr
UP-DETR ：使用变压器进行对象检测的无监督预训练
这是的官方PyTorch实施和模型：
article{dai2020up-detr,
author = {Zhigang Dai and Bolun Cai and Yugeng Lin and Junying Chen},
title = {UP-DETR: Unsupervised Pre-training for Object Detection with Transformers},
journal = {arX
可控制的文本属性传输
论文代码： Controllable Unsupervised Text Attribute Transfer via Editing Entangled Latent Representation
介绍
在这项工作中，我们提出了一个可控的无监督文本属性传输框架，该框架可以编辑纠缠的潜在表示，而不必分别对属性和内容进行建模。 具体来说，我们首先提出一种基于Transformer的自动编码器，以学习离散文本的纠缠潜在表示，然后将属性传递任务转换为优化问题，并提出快速梯度迭代
密码
CipherGAN的实现，用于获得详细介绍的结果。 作者：（ ，， ，（ ，（ ，
引用这项工作
inproceedings{
n.2018unsupervised,
title={Unsupervised Cipher Cracking Using Discrete {GAN}s},
author={Aidan N. Gomez and Sicong Huang and Ivan Zhang and Bryan M. Li and Muhammad Os
图动态网络
该软件包实现了图动力学网络（GDyNet），该网络可以从分子动力学轨迹自动学习材料的原子尺度动力学。
下面的纸张描述了该方法的详细信息。
目录
如何引用
如果要使用GDyNet，请引用以下工作。
article{xie_graph_2019,
title = {Graph dynamical networks for unsupervised learning of atomic scale dynamics in materials},
volume = {10},
is
