🎨 Repin 2.0: Generative Digital Art Studio

Repin 2.0 — это открытый исследовательский проект (Open Source), созданный для изучения Генеративно-состязательных сетей (GAN). Проект ориентирован на студентов и начинающих разработчиков в сфере Machine Learning, предоставляя прозрачную реализацию классической архитектуры MNIST GAN с современными оптимизациями.

Мы верим, что лучший способ понять сложные алгоритмы глубокого обучения — это практическое взаимодействие с ними. Repin 2.0 позволяет вам не просто запустить скрипт, но и увидеть, как из случайного шума шаг за шагом рождаются осмысленные формы, и как две нейросети — Генератор и Дискриминатор — обучают друг друга в процессе "игры".

🌐 Посетите наш сайт-визитку

---

🔬 Исследовательский фокус

• Прозрачность: Чистый и задокументированный код на PyTorch, идеально подходящий для изучения основ Deep Learning.
• Эксперименты: Удобная настройка гиперпараметров и встроенные инструменты бенчмаркинга.
• Обучение: Пошаговые руководства по обучению моделей «с нуля» до получения первых результатов.

---

🚀 Основные возможности

• Интуитивный CLI: Полноценное интерактивное меню на базе библиотеки rich.
• Высокая производительность: Оптимизировано для torch.xpu (Intel GPU) и поддерживает bfloat16.
• Debug Menu: Встроенные инструменты для инспекции архитектуры и анализа весов.
• Art Upscaling: Демонстрация применения GAN в генеративном искусстве через 8-кратное увеличение (224x224).

💡 Как это работает (Кратко об архитектуре)

Архитектура GAN (Generative Adversarial Network) состоит из двух сетей, конкурирующих друг с другом:

1. Генератор (Generator): получает на вход вектор случайного шума и пытается создать из него изображение (цифру), неотличимое от реального.
2. Дискриминатор (Discriminator): получает изображения (как настоящие из базы MNIST, так и сгенерированные) и учится отличать подделку от оригинала.

В процессе обучения Генератор становится всё более искусным "фальшивомонетчиком", а Дискриминатор — всё более опытным "экспертом". В результате Генератор учится создавать правдоподобные цифры из пустоты.

📖 Документация

Мы подготовили исчерпывающие руководства для обучения и разработки:

• 🚀 Быстрый старт — запустите свою первую модель за минуту.
• 🧠 Архитектура — разбор устройства GAN и функций потерь.
• 🎓 Обучение — руководство по тренировке модели.
• ⚙️ Использование CLI — описание интерфейса управления.
• 🛠 Устранение неполадок — решение типичных проблем.

🛠 Установка и запуск

1. Клонирование репозитория

git clone https://github.com/zzzigrok/repin-2.0.git
cd repin-2.0

2. Установка зависимостей

pip install -r requirements.txt

3. Запуск

# Запуск интерактивного меню
python cli.py

🎮 Пример использования

1. После запуска python cli.py выберите пункт [1] Обучить модель.
2. Введите количество эпох (рекомендуется 50 для хорошего результата). Модель скачает датасет MNIST и начнет процесс обучения.
3. Дождитесь завершения (вы увидите красивые прогресс-бары и значения потерь D_Loss / G_Loss).
4. Нажмите Enter для возврата в меню и выберите [2] Сгенерировать арт.
5. Выберите размер батча (например, 16) и получите уникальный PNG-файл с вашим сгенерированным искусством в папке generated_art/.

📁 Структура проекта

• cli.py — единый файл приложения (логика обучения + интерфейс).
• docs/ — техническая документация и образовательные материалы.
• weights/ — предобученные веса генератора (repin_weights.pth).
• generated_art/ — результаты работы вашей нейросети.
• web/ — исходный код сайта проекта.

🤝 Участие в разработке

Проект создан сообществом для сообщества. Мы будем рады вашим Pull Requests, будь то исправление опечаток в документации или предложение новых архитектурных решений. См. CONTRIBUTING.md для деталей.

---

_{Разработано в рамках TAS Beta. Repin Project • 2026}