Η βιομηχανία της μόδας είναι α εξαιρετικά προσοδοφόρα επιχείρηση, με εκτιμώμενη αξία 2.1 τρισεκατομμυρίων δολαρίων έως το 2025, όπως αναφέρει η Παγκόσμια Τράπεζα. Αυτός ο τομέας περιλαμβάνει ένα ευρύ φάσμα τμημάτων, όπως η δημιουργία, η κατασκευή, η διανομή και οι πωλήσεις ρούχων, υποδημάτων και αξεσουάρ. Ο κλάδος βρίσκεται σε μια συνεχή κατάσταση αλλαγής, με νέα στυλ και τάσεις να εμφανίζονται συχνά. Ως εκ τούτου, οι εταιρείες μόδας πρέπει να είναι ευέλικτες και ικανές να προσαρμοστούν προκειμένου να διατηρήσουν τη συνάφειά τους και να επιτύχουν επιτυχία στην αγορά.
Η γενετική τεχνητή νοημοσύνη (AI) αναφέρεται σε αλγόριθμους τεχνητής νοημοσύνης που έχουν σχεδιαστεί για τη δημιουργία νέου περιεχομένου, όπως εικόνες, κείμενο, ήχο ή βίντεο, με βάση ένα σύνολο μαθησιακών μοτίβων και δεδομένων. Μπορεί να χρησιμοποιηθεί για τη δημιουργία νέων και καινοτόμων σχεδίων ενδυμάτων, ενώ προσφέρει βελτιωμένη εξατομίκευση και οικονομική αποδοτικότητα. Τα εργαλεία σχεδίασης που βασίζονται στην τεχνητή νοημοσύνη μπορούν να δημιουργήσουν μοναδικά σχέδια ενδυμάτων με βάση τις παραμέτρους εισόδου ή τα στυλ που καθορίζονται από δυνητικούς πελάτες μέσω μηνυμάτων κειμένου. Επιπλέον, η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για την εξατομίκευση σχεδίων στις προτιμήσεις του πελάτη. Για παράδειγμα, ένας πελάτης θα μπορούσε να επιλέξει από μια ποικιλία χρωμάτων, μοτίβων και στυλ, και τα μοντέλα τεχνητής νοημοσύνης θα δημιουργήσουν ένα μοναδικό σχέδιο με βάση αυτές τις επιλογές. Η υιοθέτηση της τεχνητής νοημοσύνης στη βιομηχανία της μόδας εμποδίζεται επί του παρόντος από διάφορες τεχνικές, προκλήσεις σκοπιμότητας και κόστους. Ωστόσο, αυτά τα εμπόδια μπορούν τώρα να μετριαστούν χρησιμοποιώντας προηγμένες μεθόδους παραγωγής τεχνητής νοημοσύνης, όπως η σημασιολογική κατάτμηση εικόνας που βασίζεται σε φυσική γλώσσα και η διάχυση για εικονικό στυλ.
Αυτή η ανάρτηση ιστολογίου περιγράφει λεπτομερώς την εφαρμογή του δημιουργικού διαδικτυακού στυλ μόδας με τη βοήθεια τεχνητής νοημοσύνης χρησιμοποιώντας προτροπές κειμένου. Οι μηχανικοί μηχανικής μάθησης (ML) μπορούν να βελτιστοποιήσουν και να αναπτύξουν μοντέλα τμηματοποίησης κειμένου σε σημασιολογία και ζωγραφικής που βασίζονται σε προεκπαιδευμένο CLIPseq και Stable Diffusion με Amazon Sage Maker. Αυτό δίνει τη δυνατότητα στους σχεδιαστές μόδας και στους καταναλωτές να δημιουργούν εικονικές εικόνες μοντελοποίησης με βάση τα μηνύματα κειμένου και να επιλέξουν τα στυλ που προτιμούν.
Δημιουργικές λύσεις AI
Η ΚΛΙΠΕγ Το μοντέλο εισήγαγε μια νέα μέθοδο σημασιολογικής τμηματοποίησης εικόνων που σας επιτρέπει να αναγνωρίζετε εύκολα αντικείμενα μόδας σε εικόνες χρησιμοποιώντας απλές εντολές κειμένου. Χρησιμοποιεί μια προτροπή κειμένου ή έναν κωδικοποιητή εικόνας για την κωδικοποίηση κειμενικών και οπτικών πληροφοριών σε έναν πολυτροπικό χώρο ενσωμάτωσης, επιτρέποντας εξαιρετικά ακριβή κατάτμηση των αντικειμένων-στόχων με βάση την προτροπή. Το μοντέλο έχει εκπαιδευτεί σε έναν τεράστιο όγκο δεδομένων με τεχνικές όπως η μεταφορά μηδενικής λήψης, η επίβλεψη φυσικής γλώσσας και η πολυτροπική αυτοεποπτευόμενη αντιθετική μάθηση. Αυτό σημαίνει ότι μπορείτε να χρησιμοποιήσετε ένα προεκπαιδευμένο μοντέλο που είναι δημόσια διαθέσιμο από Timo Lüddecke et al χωρίς την ανάγκη προσαρμογής.
Το CLIPSeg είναι ένα μοντέλο που χρησιμοποιεί έναν κωδικοποιητή κειμένου και εικόνας για την κωδικοποίηση κειμενικών και οπτικών πληροφοριών σε έναν πολυτροπικό χώρο ενσωμάτωσης για την εκτέλεση σημασιολογικής τμηματοποίησης με βάση μια προτροπή κειμένου. Η αρχιτεκτονική του CLIPSeg αποτελείται από δύο κύρια στοιχεία: έναν κωδικοποιητή κειμένου και έναν κωδικοποιητή εικόνας. Ο κωδικοποιητής κειμένου δέχεται το μήνυμα κειμένου και το μετατρέπει σε ενσωμάτωση κειμένου, ενώ ο κωδικοποιητής εικόνας παίρνει την εικόνα και τη μετατρέπει σε ενσωμάτωση εικόνας. Στη συνέχεια, και οι δύο ενσωματώσεις συνδέονται και περνούν μέσα από ένα πλήρως συνδεδεμένο στρώμα για να παραχθεί η τελική μάσκα κατάτμησης.
Όσον αφορά τη ροή δεδομένων, το μοντέλο εκπαιδεύεται σε ένα σύνολο δεδομένων εικόνων και αντίστοιχων μηνυμάτων κειμένου, όπου τα μηνύματα κειμένου περιγράφουν το αντικείμενο-στόχο που πρόκειται να τμηματοποιηθεί. Κατά τη διάρκεια της εκπαιδευτικής διαδικασίας, ο κωδικοποιητής κειμένου και ο κωδικοποιητής εικόνας βελτιστοποιούνται για να μάθουν την αντιστοίχιση μεταξύ των μηνυμάτων κειμένου και της εικόνας για την παραγωγή της τελικής μάσκας τμηματοποίησης. Μόλις εκπαιδευτεί το μοντέλο, μπορεί να λάβει μια νέα προτροπή κειμένου και εικόνα και να δημιουργήσει μια μάσκα τμηματοποίησης για το αντικείμενο που περιγράφεται στο μήνυμα.
Το Stable Diffusion είναι μια τεχνική που επιτρέπει στους σχεδιαστές μόδας να δημιουργούν εξαιρετικά ρεαλιστικές εικόνες σε μεγάλες ποσότητες, αποκλειστικά βασισμένες σε περιγραφές κειμένου χωρίς την ανάγκη για μακροσκελή και δαπανηρή προσαρμογή. Αυτό είναι επωφελές για τους σχεδιαστές που θέλουν να δημιουργήσουν γρήγορα στυλ μόδας και τους κατασκευαστές που θέλουν να παράγουν εξατομικευμένα προϊόντα με χαμηλότερο κόστος.
Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική σταθερής διάχυσης και τη ροή δεδομένων.
Σε σύγκριση με τις παραδοσιακές μεθόδους που βασίζονται στο GAN, το Stable Diffusion είναι μια παραγωγική τεχνητή νοημοσύνη που είναι ικανή να παράγει πιο σταθερές και φωτορεαλιστικές εικόνες που ταιριάζουν με τη διανομή της αρχικής εικόνας. Το μοντέλο μπορεί να διαμορφωθεί σε ένα ευρύ φάσμα σκοπών, όπως κείμενο για δημιουργία κειμένου σε εικόνα, πλαίσια οριοθέτησης για δημιουργία διάταξης σε εικόνα, καλυμμένες εικόνες για ζωγραφική και εικόνες χαμηλότερης ανάλυσης για υπερ-ανάλυση. Τα μοντέλα διάχυσης έχουν ένα ευρύ φάσμα επιχειρηματικών εφαρμογών και οι πρακτικές τους χρήσεις συνεχίζουν να εξελίσσονται. Αυτά τα μοντέλα θα ωφελήσουν σε μεγάλο βαθμό διάφορες βιομηχανίες όπως η μόδα, το λιανικό εμπόριο και το ηλεκτρονικό εμπόριο, η ψυχαγωγία, τα μέσα κοινωνικής δικτύωσης, το μάρκετινγκ και πολλά άλλα.
Δημιουργήστε μάσκες από προτροπές κειμένου χρησιμοποιώντας το CLIPSeg
Το online styling της Vogue είναι μια υπηρεσία που δίνει τη δυνατότητα στους πελάτες να λαμβάνουν συμβουλές και προτάσεις μόδας από την τεχνητή νοημοσύνη μέσω μιας διαδικτυακής πλατφόρμας. Αυτό το επιτυγχάνει επιλέγοντας ρούχα και αξεσουάρ που συμπληρώνουν την εμφάνιση του πελάτη, ταιριάζουν στον προϋπολογισμό του και ταιριάζουν με τις προσωπικές του προτιμήσεις. Με τη χρήση της γενετικής τεχνητής νοημοσύνης, οι εργασίες μπορούν να επιτευχθούν με μεγαλύτερη ευκολία, οδηγώντας σε αυξημένη ικανοποίηση των πελατών και μειωμένα έξοδα.
Η λύση μπορεί να αναπτυχθεί σε ένα Amazon Elastic Compute Cloud (EC2) p3.2xlarge στιγμιότυπο, το οποίο διαθέτει μία μόνο GPU V100 με μνήμη 16G. Χρησιμοποιήθηκαν διάφορες τεχνικές για τη βελτίωση της απόδοσης και τη μείωση της χρήσης μνήμης GPU, με αποτέλεσμα την ταχύτερη δημιουργία εικόνων. Αυτά περιλαμβάνουν τη χρήση fp16 και την ενεργοποίηση της αποτελεσματικής μνήμης για τη μείωση του εύρους ζώνης στο μπλοκ προσοχής.
Ξεκινήσαμε ζητώντας από τον χρήστη να ανεβάσει μια εικόνα μόδας, ακολουθούμενη από λήψη και εξαγωγή του προεκπαιδευμένου μοντέλου από το CLIPseq. Στη συνέχεια, η εικόνα κανονικοποιείται και αλλάζει μέγεθος ώστε να συμμορφώνεται με το όριο μεγέθους. Το Stable Diffusion V2 υποστηρίζει ανάλυση εικόνας έως 768×768 ενώ το V1 υποστηρίζει έως και 512×512. Δείτε τον παρακάτω κώδικα:
from models.clipseg import CLIPDensePredT # The original image
image = download_image(img_url).resize((768, 768)) # Download pre-trained CLIPSeq model and unzip the pkg
! wget https://owncloud.gwdg.de/index.php/s/ioHbRzFx6th32hn/download -O weights.zip
! unzip -d weights -j weights.zip # Load CLIP model. Available models = ['RN50', 'RN101', 'RN50x4', # 'RN50x16', 'RN50x64', 'ViT-B/32', 'ViT-B/16', 'ViT-L/14', 'ViT-L/14@336px']
model = CLIPDensePredT(version='ViT-B/16', reduce_dim=64)
model.eval() # non-strict, because we only stored decoder weights (not CLIP weights)
model.load_state_dict(torch.load('weights/rd64-uni.pth', map_location=torch.device('cuda')), strict=False) # Image normalization and resizing
transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), transforms.Resize((768, 768)),
])
img = transform(image).unsqueeze(0)
Με τη χρήση του προεκπαιδευμένου μοντέλου CLIPseq, είμαστε σε θέση να εξαγάγουμε το αντικείμενο-στόχο από μια εικόνα χρησιμοποιώντας μια προτροπή κειμένου. Αυτό γίνεται με την εισαγωγή της προτροπής κειμένου στον κωδικοποιητή κειμένου, ο οποίος τη μετατρέπει σε ενσωμάτωση κειμένου. Στη συνέχεια, η εικόνα εισάγεται στον κωδικοποιητή εικόνας, ο οποίος τη μετατρέπει σε ενσωμάτωση εικόνας. Στη συνέχεια, και οι δύο ενσωματώσεις συνδέονται και περνούν μέσω ενός πλήρως συνδεδεμένου στρώματος για να παραχθεί η τελική μάσκα τμηματοποίησης, η οποία επισημαίνει το αντικείμενο-στόχο που περιγράφεται στο μήνυμα κειμένου. Δείτε τον παρακάτω κώδικα:
# Text prompt
prompt = 'Get the dress only.' # predict
mask_image_filename = 'the_mask_image.png'
with torch.no_grad(): preds = model(img.repeat(4,1,1,1), prompt)[0] # save the mask image after computing the area under the standard # Gaussian probability density function and calculates the cumulative # distribution function of the normal distribution with ndtr. plt.imsave(mask_image_filename,torch.special.ndtr(preds[0][0]))
Με την ακριβή εικόνα μάσκας από τη σημασιολογική τμηματοποίηση, μπορούμε να χρησιμοποιήσουμε τη ζωγραφική για την αντικατάσταση περιεχομένου. Το in-painting είναι η διαδικασία χρήσης ενός εκπαιδευμένου παραγωγικού μοντέλου για τη συμπλήρωση τμημάτων που λείπουν από μια εικόνα. Χρησιμοποιώντας την εικόνα της μάσκας για να αναγνωρίσουμε το αντικείμενο-στόχο, μπορούμε να εφαρμόσουμε την τεχνική in-painting για να αντικαταστήσουμε το αντικείμενο-στόχο με κάτι άλλο, όπως ένα διαφορετικό ρούχο ή αξεσουάρ. Το μοντέλο Stable Diffusion V2 μπορεί να χρησιμοποιηθεί για αυτό το σκοπό, επειδή είναι ικανό να παράγει υψηλής ανάλυσης, φωτορεαλιστικές εικόνες που ταιριάζουν με τη διανομή της αρχικής εικόνας.
Βελτιστοποίηση από προεκπαιδευμένα μοντέλα που χρησιμοποιούν DreamBooth
Ο συντονισμός είναι μια διαδικασία βαθιάς μάθησης όπου ένα προεκπαιδευμένο μοντέλο εκπαιδεύεται περαιτέρω σε μια νέα εργασία χρησιμοποιώντας μια μικρή ποσότητα δεδομένων με ετικέτα. Αντί να εκπαιδεύσετε από την αρχή, η ιδέα είναι να πάρετε ένα δίκτυο που έχει ήδη εκπαιδευτεί σε ένα μεγάλο σύνολο δεδομένων για μια παρόμοια εργασία και να το εκπαιδεύσετε περαιτέρω σε ένα νέο σύνολο δεδομένων για να το κάνετε πιο εξειδικευμένο για τη συγκεκριμένη εργασία.
Οι σχεδιαστές μόδας μπορούν επίσης να χρησιμοποιήσουν ένα μοντέλο ζωγραφικής Stable Diffusion με γνώμονα το θέμα, για να δημιουργήσουν μια συγκεκριμένη κατηγορία στυλ, όπως casual μακριές φούστες για κυρίες. Για να γίνει αυτό, το πρώτο βήμα είναι να παρέχετε ένα σύνολο δειγμάτων εικόνων στον τομέα προορισμού, περίπου 1 δωδεκάδες, με σωστές ετικέτες κειμένου όπως οι ακόλουθες και να τις δεσμεύσετε σε ένα μοναδικό αναγνωριστικό που αναφέρεται στο σχέδιο, το στυλ, το χρώμα και το ύφασμα . Η ετικέτα στο κείμενο παίζει κρίσιμο ρόλο στον καθορισμό των αποτελεσμάτων του βελτιωμένου μοντέλου. Υπάρχουν διάφοροι τρόποι για να βελτιώσετε τη λεπτή ρύθμιση μέσω αποτελεσματικών άμεση μηχανική και εδώ είναι μερικά παραδείγματα.
Sample text prompts to descibe some of the most common design elements of casual long skirts for ladies: Design Style: A-line, wrap, maxi, mini, and pleated skirts are some of the most popular styles for casual wear. A-line skirts are fitted at the waist and flare out at the hem, creating a flattering silhouette. Wrap skirts have a wrap closure and can be tied at the waist for a customizable fit. Maxi skirts are long and flowy, while mini skirts are short and flirty. Pleated skirts have folds that add texture and movement to the garment.
Pattern: Casual skirts can feature a variety of patterns, including stripes, florals, polka dots, and solids. These patterns can range from bold and graphic to subtle and understated.
Colors: Casual skirts come in a range of colors, including neutral shades likeblack, white, and gray, as well as brighter hues like pink, red, and blue. Some skirts may also feature multiple colors in a single garment, such asa skirt with a bold pattern that incorporates several shades.
Fabrics: Common fabrics used in casual skirts include cotton, denim, linen, and rayon. These materials offer different levels of comfort and durability, making it easy to find a skirt that suits your personal style and needs.
Η χρήση ενός μικρού συνόλου εικόνων για τη μικρορύθμιση του Stable Diffusion μπορεί να έχει ως αποτέλεσμα την υπερβολική προσαρμογή του μοντέλου. Το DreamBooth[5] αντιμετωπίζει αυτό το πρόβλημα χρησιμοποιώντας μια απώλεια προηγούμενης διατήρησης για συγκεκριμένη κατηγορία. Μαθαίνει να δεσμεύει ένα μοναδικό αναγνωριστικό με το συγκεκριμένο θέμα σε δύο βήματα. Πρώτον, ρυθμίζει το μοντέλο χαμηλής ανάλυσης με τις εικόνες εισόδου σε συνδυασμό με μια προτροπή κειμένου που περιέχει ένα μοναδικό αναγνωριστικό και το όνομα της κατηγορίας στην οποία ανήκει το θέμα, όπως "φούστα". Στην πράξη, αυτό σημαίνει ότι το μοντέλο ταιριάζει με τις εικόνες και τις εικόνες που λαμβάνονται δειγματοληπτικά από την οπτική προηγούμενη της τάξης που δεν έχει συντονιστεί με ακρίβεια. Αυτές οι εικόνες που έχουν προηγουμένως διατηρηθεί δειγματοληπτούνται και επισημαίνονται χρησιμοποιώντας την προτροπή "ουσιαστικό τάξης". Δεύτερον, θα ρυθμίσει με ακρίβεια τα στοιχεία υπερ-υψηλής ανάλυσης συνδέοντας εικόνες χαμηλής και υψηλής ανάλυσης από το σύνολο εικόνων εισόδου, γεγονός που επιτρέπει στις εξόδους του βελτιωμένου μοντέλου να διατηρούν πιστότητα στις μικρές λεπτομέρειες.
Η τελειοποίηση ενός προεκπαιδευμένου κωδικοποιητή κειμένου in-painting με το UNet για εικόνες ανάλυσης 512×512 απαιτεί περίπου 22 GB VRAM ή υψηλότερη για ανάλυση 768×768. Ιδανικά τα δείγματα λεπτομέρειας θα πρέπει να αλλάζουν μέγεθος ώστε να ταιριάζουν με την επιθυμητή ανάλυση εικόνας εξόδου για να αποφευχθεί η υποβάθμιση της απόδοσης. Ο κωδικοποιητής κειμένου παράγει πιο ακριβείς λεπτομέρειες, όπως πρόσωπα μοντέλου. Μια επιλογή είναι να τρέξετε σε μία μόνο παρουσία AWS EC2 g5.2xlarge, τώρα διαθέσιμη σε οκτώ περιφέρειες ή χρησιμοποιήστε το Hugging Face Accelerate για να εκτελέσετε τον τελειοποιημένο κώδικα σε μια κατανεμημένη διαμόρφωση. Για πρόσθετη εξοικονόμηση μνήμης, μπορείτε να επιλέξετε μια κομμένη έκδοση της προσοχής που εκτελεί τον υπολογισμό σε βήματα αντί για όλα ταυτόχρονα, τροποποιώντας απλώς το εκπαιδευτικό σενάριο train_dreambooth_inpaint.py του DreamBooth για να προσθέσετε τη συνάρτηση enable_attention_slicing().
Το Accelerate είναι μια βιβλιοθήκη που επιτρέπει την εκτέλεση ενός κώδικα λεπτής ρύθμισης σε οποιαδήποτε κατανεμημένη διαμόρφωση. Παρουσιάστηκε το Hugging Face και το Amazon Containers Deep Learning Hugging Face (DLC) για την κλιμάκωση των εργασιών μικρορύθμισης σε πολλές GPU και κόμβους. Μπορείτε να διαμορφώσετε τη διαμόρφωση εκκίνησης για το Amazon SageMaker με μία μόνο εντολή CLI.
# From your aws account, install the sagemaker sdk for Accelerate
pip install "accelerate[sagemaker]" --upgrade # Configure the launch configuration for Amazon SageMaker accelerate config # List and verify Accelerate configuration
accelerate env # Make necessary modification of the training script as the following to save # output on S3, if needed
# - torch.save('/opt/ml/model`)
# + accelerator.save('/opt/ml/model')
Για να ξεκινήσετε μια εργασία λεπτομέρειας, επαληθεύστε τη διαμόρφωση του Accelerate χρησιμοποιώντας CLI και παρέχετε τα απαραίτητα ορίσματα εκπαίδευσης και, στη συνέχεια, χρησιμοποιήστε το ακόλουθο σενάριο φλοιού.
# Instance images — Custom images that represents the specific # concept for dreambooth training. You should collect # high #quality images based on your use cases.
# Class images — Regularization images for prior-preservation # loss to prevent overfitting. You should generate these # images directly from the base pre-trained model. # You can choose to generate them on your own or generate # them on the fly when running the training script.
# # You can access train_dreambooth_inpaint.py from huggingface/diffuser export MODEL_NAME="stabilityai/stable-diffusion-2-inpainting"
export INSTANCE_DIR="/data/fashion/gowns/highres/"
export CLASS_DIR="/opt/data/fashion/generated_gowns/imgs"
export OUTPUT_DIR="/opt/model/diffuser/outputs/inpainting/" accelerate launch train_dreambooth_inpaint.py --pretrained_model_name_or_path=$MODEL_NAME --train_text_encoder --instance_data_dir=$INSTANCE_DIR --class_data_dir=$CLASS_DIR --output_dir=$OUTPUT_DIR --with_prior_preservation --prior_loss_weight=1.0 --instance_prompt="A supermodel poses in long summer travel skirt, photorealistic" --class_prompt="A supermodel poses in skirt, photorealistic" --resolution=512 --train_batch_size=1 --use_8bit_adam --gradient_checkpointing --learning_rate=2e-6 --lr_scheduler="constant" --lr_warmup_steps=0 --num_class_images=200 --max_train_steps=800
Το βελτιωμένο μοντέλο ζωγραφικής επιτρέπει τη δημιουργία πιο συγκεκριμένων εικόνων στην κατηγορία μόδας που περιγράφεται από το μήνυμα κειμένου. Επειδή έχει βελτιστοποιηθεί με ένα σύνολο εικόνων υψηλής ανάλυσης και μηνυμάτων κειμένου, το μοντέλο μπορεί να δημιουργήσει εικόνες που είναι πιο προσαρμοσμένες στην κατηγορία, όπως επίσημες βραδινές τουαλέτες. Είναι σημαντικό να σημειωθεί ότι όσο πιο συγκεκριμένη είναι η κατηγορία και όσο περισσότερα δεδομένα χρησιμοποιούνται για τη λεπτομέρεια, τόσο πιο ακριβείς και ρεαλιστικές θα είναι οι εικόνες εξόδου.
%tree -d ./finetuned-stable-diffusion-v2-1-inpainting
finetuned-stable-diffusion-v2-1-inpainting
├── 512-inpainting-ema.ckpt
├── feature_extractor
├── code
│ └──inference.py
│ ├──requirements.txt
├── scheduler
├── text_encoder ├── tokenizer
├── unet
└── vae
Αναπτύξτε ένα βελτιωμένο μοντέλο ζωγραφικής χρησιμοποιώντας το SageMaker για συμπεράσματα
Με το Amazon SageMaker, μπορείτε να αναπτύξετε τα βελτιωμένα μοντέλα Stable Diffusion για συμπεράσματα σε πραγματικό χρόνο. Για να ανεβάσετε το μοντέλο στο Υπηρεσία απλής αποθήκευσης Amazon (S3) για την ανάπτυξη, πρέπει να δημιουργηθεί ένα tarball αρχείου model.tar.gz. Βεβαιωθείτε ότι το αρχείο περιλαμβάνει απευθείας όλα τα αρχεία και όχι έναν φάκελο που τα περιέχει. Ο φάκελος αρχειοθέτησης τελειοποίησης του DreamBooth θα πρέπει να εμφανίζεται ως εξής μετά την εξάλειψη των διακοπτόμενων σημείων ελέγχου:
Το αρχικό βήμα για τη δημιουργία του εργαλείου χειρισμού συμπερασμάτων περιλαμβάνει τη δημιουργία του αρχείου inference.py. Αυτό το αρχείο χρησιμεύει ως κεντρικός κόμβος για τη φόρτωση του μοντέλου και τον χειρισμό όλων των εισερχόμενων αιτημάτων συμπερασμάτων. Μετά τη φόρτωση του μοντέλου, εκτελείται η συνάρτηση model_fn(). Όταν προκύψει η ανάγκη εκτέλεσης συμπερασμάτων, καλείται η συνάρτηση predict_fn(). Επιπλέον, η συνάρτηση decode_base64() χρησιμοποιείται για τη μετατροπή μιας συμβολοσειράς JSON, που περιέχεται στο ωφέλιμο φορτίο, σε τύπο δεδομένων εικόνας PIL.
%%writefile code/inference.py
import base64
import torch
from PIL import Image
from io import BytesIO
from diffusers import EulerDiscreteScheduler, StableDiffusionInpaintPipeline def decode_base64(base64_string): decoded_string = BytesIO(base64.b64decode(base64_string)) img = Image.open(decoded_string) return img def model_fn(model_dir): # Load stable diffusion and move it to the GPU scheduler = EulerDiscreteScheduler.from_pretrained(model_dir, subfolder="scheduler") pipe = StableDiffusionInpaintPipeline.from_pretrained(model_dir, scheduler=scheduler, revision="fp16", torch_dtype=torch.float16) pipe = pipe.to("cuda") pipe.enable_xformers_memory_efficient_attention() #pipe.enable_attention_slicing() return pipe def predict_fn(data, pipe): # get prompt & parameters prompt = data.pop("inputs", data) # Require json string input. Inference to convert imge to string. input_img = data.pop("input_img", data) mask_img = data.pop("mask_img", data) # set valid HP for stable diffusion num_inference_steps = data.pop("num_inference_steps", 25) guidance_scale = data.pop("guidance_scale", 6.5) num_images_per_prompt = data.pop("num_images_per_prompt", 2) image_length = data.pop("image_length", 512) # run generation with parameters generated_images = pipe( prompt, image = decode_base64(input_img), mask_image = decode_base64(mask_img), num_inference_steps=num_inference_steps, guidance_scale=guidance_scale, num_images_per_prompt=num_images_per_prompt, height=image_length, width=image_length, #)["images"] # for Stabel Diffusion v1.x ).images # create response encoded_images = [] for image in generated_images: buffered = BytesIO() image.save(buffered, format="JPEG") encoded_images.append(base64.b64encode(buffered.getvalue()).decode()) return {"generated_images": encoded_images}
Για να ανεβάσετε το μοντέλο σε έναν κάδο Amazon S3, είναι απαραίτητο να δημιουργήσετε πρώτα ένα αρχείο model.tar.gz. Είναι σημαντικό να σημειωθεί ότι το αρχείο πρέπει να αποτελείται από τα αρχεία απευθείας και όχι από έναν φάκελο που τα περιέχει. Για παράδειγμα, το αρχείο θα πρέπει να εμφανίζεται ως εξής:
import tarfile
import os # helper to create the model.tar.gz
def compress(tar_dir=None,output_file="model.tar.gz"): parent_dir=os.getcwd() os.chdir(tar_dir) with tarfile.open(os.path.join(parent_dir, output_file), "w:gz") as tar: for item in os.listdir('.'): print(item) tar.add(item, arcname=item) os.chdir(parent_dir) compress(str(model_tar)) # After we created the model.tar.gz archive we can upload it to Amazon S3. We will # use the sagemaker SDK to upload the model to our sagemaker session bucket.
from sagemaker.s3 import S3Uploader # upload model.tar.gz to s3
s3_model_uri=S3Uploader.upload(local_path="model.tar.gz", desired_s3_uri=f"s3://{sess.default_bucket()}/finetuned-stable-diffusion-v2-1-inpainting")
Μετά τη μεταφόρτωση του αρχείου μοντέλων, μπορούμε να το αναπτύξουμε στο Amazon SageMaker χρησιμοποιώντας το HuggingfaceModel για συμπεράσματα σε πραγματικό χρόνο. Μπορείτε να φιλοξενήσετε το τελικό σημείο χρησιμοποιώντας μια παρουσία g4dn.xlarge, η οποία είναι εξοπλισμένη με μία GPU NVIDIA Tesla T4 με 16 GB VRAM. Η αυτόματη κλιμάκωση μπορεί να ενεργοποιηθεί για να χειριστεί διαφορετικές απαιτήσεις κυκλοφορίας. Για πληροφορίες σχετικά με την ενσωμάτωση της αυτόματης κλιμάκωσης στο τελικό σημείο σας, βλ Συνεχιζόμενη παραγωγή: Αυτόματη κλιμάκωση Hugging Face Transformers με το Amazon SageMaker.
from sagemaker.huggingface.model import HuggingFaceModel # create Hugging Face Model Class
huggingface_model = HuggingFaceModel( model_data=s3_model_uri, # path to your model and script role=role, # iam role with permissions to create an Endpoint transformers_version="4.17", # transformers version used pytorch_version="1.10", # pytorch version used py_version='py38', # python version used
) # deploy the endpoint endpoint
predictor = huggingface_model.deploy( initial_instance_count=1, instance_type="ml.g4dn.xlarge" )
Η μέθοδος huggingface_model.deploy() επιστρέφει ένα αντικείμενο HuggingFacePredictor που μπορεί να χρησιμοποιηθεί για να ζητήσει συμπέρασμα. Το τελικό σημείο απαιτεί ένα JSON με ένα κλειδί εισόδου, το οποίο αντιπροσωπεύει την προτροπή εισόδου για το μοντέλο να δημιουργήσει μια εικόνα. Μπορείτε επίσης να ελέγξετε τη δημιουργία με παραμέτρους όπως num_inference_steps, guidance_scale και "num_images_per_prompt". Η συνάρτηση predictor.predict() επιστρέφει ένα JSON με ένα κλειδί "generated_images", το οποίο διατηρεί τις τέσσερις δημιουργημένες εικόνες ως κωδικοποιημένες συμβολοσειρές base64. Προσθέσαμε δύο βοηθητικές συναρτήσεις, decode_base64_to_image και display_images, για την αποκωδικοποίηση της απόκρισης και την εμφάνιση των εικόνων αντίστοιχα. Το πρώτο αποκωδικοποιεί την κωδικοποιημένη συμβολοσειρά base64 και επιστρέφει ένα αντικείμενο PIL.Image και το δεύτερο εμφανίζει μια λίστα αντικειμένων PIL.Image. Δείτε τον παρακάτω κώδικα:
import PIL
from io import BytesIO
from IPython.display import display
import base64
import matplotlib.pyplot as plt
import json # Encoder to convert an image to json string
def encode_base64(file_name): with open(file_name, "rb") as image: image_string = base64.b64encode(bytearray(image.read())).decode() return image_string # Decode to to convert a json str to an image def decode_base64_image(base64_string): decoded_string = BytesIO(base64.b64decode(base64_string)) img = PIL.Image.open(decoded_string) return img # display PIL images as grid
def display_images(images=None,columns=3, width=100, height=100): plt.figure(figsize=(width, height)) for i, image in enumerate(images): plt.subplot(int(len(images) / columns + 1), columns, i + 1) plt.axis('off') plt.imshow(image) # Display images in a row/col grid
def image_grid(imgs, rows, cols): assert len(imgs) == rows*cols w, h = imgs[0].size grid = PIL.Image.new('RGB', size=(cols*w, rows*h)) grid_w, grid_h = grid.size for i, img in enumerate(imgs): grid.paste(img, box=(i%cols*w, i//cols*h)) return grid
Ας προχωρήσουμε με το έργο της ζωγραφικής. Έχει υπολογιστεί ότι θα χρειαστούν περίπου 15 δευτερόλεπτα για την παραγωγή τριών εικόνων, δεδομένης της εικόνας εισόδου και της μάσκας που δημιουργήθηκε χρησιμοποιώντας το CLIPSeg με την προτροπή κειμένου που συζητήθηκε προηγουμένως. Δείτε τον παρακάτω κώδικα:
num_images_per_prompt = 3
prompt = "A female super-model poses in a casual long vacation skirt, with full body length, bright colors, photorealistic, high quality, highly detailed, elegant, sharp focus" # Convert image to string
input_image_filename = "./imgs/skirt-model-2.jpg"
encoded_input_image = encode_base64(input_image_filename)
encoded_mask_image = encode_base64("./imgs/skirt-model-2-mask.jpg") # Set in-painint parameters
guidance_scale = 6.7
num_inference_steps = 45 # run prediction
response = predictor.predict(data={ "inputs": prompt, "input_img": encoded_input_image, "mask_img": encoded_mask_image, "num_images_per_prompt" : num_images_per_prompt, "image_length": 768 }
) # decode images
decoded_images = [decode_base64_image(image) for image in response["generated_images"]] # visualize generation
display_images(decoded_images, columns=num_images_per_prompt, width=100, height=100) # insert initial image in the list so we can compare side by side
image = PIL.Image.open(input_image_filename).convert("RGB")
decoded_images.insert(0, image) # Display inpainting images in grid
image_grid(decoded_images, 1, num_images_per_prompt + 1)
Οι ζωγραφισμένες εικόνες μπορούν να εμφανιστούν μαζί με την αρχική εικόνα για οπτική σύγκριση. Επιπλέον, η διαδικασία in-painting μπορεί να περιοριστεί χρησιμοποιώντας διάφορες παραμέτρους, όπως το guidance_scale, που ελέγχει την ισχύ της εικόνας καθοδήγησης κατά τη διαδικασία in-painting. Αυτό επιτρέπει στο χρήστη να προσαρμόσει την εικόνα εξόδου και να επιτύχει τα επιθυμητά αποτελέσματα.
Amazon SageMaker Jumpstart προσφέρει πρότυπα σταθερής διάχυσης για διάφορα μοντέλα, συμπεριλαμβανομένης της μετατροπής κειμένου σε εικόνα και της αναβάθμισης. Για περισσότερες πληροφορίες, ανατρέξτε στο Το SageMaker JumpStart παρέχει τώρα μοντέλα Stable Diffusion και Bloom. Πρόσθετα πρότυπα Jumpstart θα είναι διαθέσιμα στο εγγύς μέλλον.
Περιορισμοί
Αν και το CLIPSeg συνήθως αποδίδει καλά στην αναγνώριση κοινών αντικειμένων, δυσκολεύεται σε πιο αφηρημένες ή συστηματικές εργασίες, όπως η μέτρηση του αριθμού των αντικειμένων σε μια εικόνα και σε πιο σύνθετες εργασίες, όπως η πρόβλεψη του πλησιέστερου αντικειμένου μιας τέτοιας τσάντας σε μια φωτογραφία. Το Zero-shot CLIPseq ταλαιπωρείται επίσης σε σύγκριση με μοντέλα ειδικά για εργασίες σχετικά με την πολύ λεπτόκοκκη ταξινόμηση, όπως η διαφορά μεταξύ δύο αόριστων σχεδίων, παραλλαγών φορεμάτων ή ταξινόμησης στυλ. Το CLIPseq έχει επίσης κακή γενίκευση σε εικόνες που δεν καλύπτονται στο σύνολο δεδομένων πριν από την εκπαίδευση. Τέλος, έχει παρατηρηθεί ότι οι ταξινομητές μηδενικής βολής του CLIP μπορεί να είναι ευαίσθητοι στη διατύπωση ή στη φρασεολογία και μερικές φορές απαιτούν δοκιμή και σφάλμα "προτροπής μηχανικής" για να έχουν καλή απόδοση. Μετάβαση σε διαφορετικό μοντέλο σημασιολογικής τμηματοποίησης για τη ραχοκοκαλιά του CLIPseq, όπως π.χ BEiT, το οποίο διαθέτει 62.8% mIOU στο σύνολο δεδομένων ADE20K, θα μπορούσε ενδεχομένως να βελτιώσει τα αποτελέσματα.
Τα σχέδια μόδας που δημιουργούνται με τη χρήση Stable Diffusion έχει βρεθεί ότι περιορίζονται σε μέρη ενδυμάτων που είναι τουλάχιστον εξίσου προβλέψιμα τοποθετημένα στο ευρύτερο πλαίσιο των μοντέλων μόδας και τα οποία συμμορφώνονται με ενσωματώσεις υψηλού επιπέδου που εύλογα θα περίμενε κανείς να βρει στο ένα σύνολο δεδομένων υπερκλίμακας που χρησιμοποιείται κατά την εκπαίδευση του προεκπαιδευμένου μοντέλου. Το πραγματικό όριο της γενετικής τεχνητής νοημοσύνης είναι ότι το μοντέλο θα παράγει τελικά εντελώς φανταστικά και λιγότερο αυθεντικά αποτελέσματα. Επομένως, τα σχέδια μόδας που δημιουργούνται από την τεχνητή νοημοσύνη μπορεί να μην είναι τόσο ποικίλα ή μοναδικά όσο αυτά που δημιουργούνται από ανθρώπους σχεδιαστές.
Συμπέρασμα
Το Generative AI παρέχει στον τομέα της μόδας την ευκαιρία να μεταμορφώσει τις πρακτικές του μέσω καλύτερων εμπειριών χρηστών και οικονομικά αποδοτικών επιχειρηματικών στρατηγικών. Σε αυτήν την ανάρτηση, παρουσιάζουμε πώς να αξιοποιήσουμε τη γενετική τεχνητή νοημοσύνη για να επιτρέψουμε στους σχεδιαστές μόδας και τους καταναλωτές να δημιουργήσουν εξατομικευμένα στυλ μόδας χρησιμοποιώντας εικονική μοντελοποίηση. Με τη βοήθεια των υπαρχόντων προτύπων Amazon SageMaker Jumpstart και των μελλοντικών προτύπων, οι χρήστες μπορούν να υιοθετήσουν γρήγορα αυτές τις προηγμένες τεχνικές χωρίς να χρειάζονται εις βάθος τεχνική εξειδίκευση, διατηρώντας παράλληλα την ευελιξία και μειώνοντας τα έξοδα.
Αυτή η καινοτόμος τεχνολογία παρουσιάζει νέες ευκαιρίες για εταιρείες και επαγγελματίες που ασχολούνται με τη δημιουργία περιεχομένου, σε διάφορους κλάδους. Το Generative AI παρέχει άφθονες δυνατότητες για βελτίωση και δημιουργία περιεχομένου. Δοκιμάστε τις πρόσφατες προσθήκες στα πρότυπα Jumpstart στο δικό σας SageMaker Στούντιο, όπως η βελτίωση των δυνατοτήτων μετατροπής κειμένου σε εικόνα και αναβάθμισης.
Θα θέλαμε να ευχαριστήσουμε τους Li Zhang, Karl Albertsen, Kristine Pearce, Nikhil Velpanur, Aaron Sengstacken, James Wu και Neelam Koshiya για την υποστήριξή τους και τις πολύτιμες συμβολές τους που βοήθησαν στη βελτίωση αυτής της εργασίας.
Σχετικά με τους Συγγραφείς
Άλφρεντ Σεν είναι Ανώτερος Ειδικός AI/ML στο AWS. Έχει εργαστεί στη Silicon Valley, κατέχοντας τεχνικές και διευθυντικές θέσεις σε διάφορους τομείς, όπως η υγειονομική περίθαλψη, τα οικονομικά και η υψηλή τεχνολογία. Είναι αφοσιωμένος ερευνητής εφαρμοσμένης AI/ML, που επικεντρώνεται στο CV, το NLP και την πολυτροπικότητα. Η δουλειά του έχει παρουσιαστεί σε εκδόσεις όπως το EMNLP, το ICLR και η Δημόσια Υγεία.
Δρ Vivek Madan είναι Εφαρμοσμένος Επιστήμονας με την ομάδα Amazon SageMaker JumpStart. Πήρε το διδακτορικό του από το Πανεπιστήμιο του Ιλινόις στο Urbana-Champaign και ήταν μεταδιδακτορικός ερευνητής στο Georgia Tech. Είναι ενεργός ερευνητής στη μηχανική μάθηση και στο σχεδιασμό αλγορίθμων και έχει δημοσιεύσει εργασίες σε συνέδρια EMNLP, ICLR, COLT, FOCS και SODA
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/virtual-fashion-styling-with-generative-ai-using-amazon-sagemaker/
- 1
- 10
- 100
- 7
- a
- Aaron
- Ικανός
- Σχετικα
- ΠΕΡΙΛΗΨΗ
- επιταχύνουν
- επιταχυντής
- πρόσβαση
- αξεσουάρ
- επιτυγχάνεται
- Λογαριασμός
- ακριβής
- Κατορθώνω
- απέναντι
- ενεργός
- προσαρμόσει
- προστιθέμενη
- Πρόσθετος
- Επιπλέον
- προσθήκες
- διευθύνσεις
- Υιοθεσία
- προηγμένες
- συμβουλές
- Μετά το
- AI
- AI / ML
- αλγόριθμος
- αλγόριθμοι
- Όλα
- Επιτρέποντας
- επιτρέπει
- ήδη
- Amazon
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- ποσό
- και
- Ενδύματα
- εμφανίζομαι
- εφαρμογές
- εφαρμοσμένος
- Εφαρμογή
- περίπου
- αρχιτεκτονική
- Αρχείο
- ΠΕΡΙΟΧΗ
- επιχειρήματα
- τεχνητός
- τεχνητή νοημοσύνη
- ASA
- Βοήθεια
- προσοχή
- ήχου
- Αυθεντικός
- διαθέσιμος
- AWS
- Σπονδυλική στήλη
- εύρος ζώνης
- Τράπεζα
- βάση
- βασίζονται
- επειδή
- ξεκίνησε
- ευεργετική
- όφελος
- Καλύτερα
- μεταξύ
- δεσμεύουν
- δεσμευτικός
- Αποκλεισμός
- Μπλοκ
- άνθηση
- Μπλε
- μπορεί να υπερηφανεύεται
- σώμα
- κουτιά
- Φωτεινό
- φωτεινότερος
- προϋπολογισμός
- επιχείρηση
- Επιχειρηματικές εφαρμογές
- υπολογίζει
- που ονομάζεται
- δυνατότητες
- ικανός
- περιπτώσεις
- ανέμελος
- κεντρικός
- προκλήσεις
- πιθανότητα
- αλλαγή
- Επιλέξτε
- τάξη
- ταξινόμηση
- Κλεισιμο
- κλείσιμο
- ΡΟΥΧΑ
- Backup
- κωδικός
- συλλέγουν
- χρώμα
- Στήλες
- Ελάτε
- άνεση
- Κοινός
- Εταιρείες
- συγκρίνουν
- σύγκριση
- σύγκριση
- Συμπλήρωμα
- συγκρότημα
- εξαρτήματα
- υπολογισμός
- Υπολογίστε
- χρήση υπολογιστή
- έννοια
- διαμόρφωση
- συνδεδεμένος
- σταθερός
- Καταναλωτές
- Εμπορευματοκιβώτια
- Περιέχει
- περιεχόμενο
- Δημιουργία περιεχομένου
- συμφραζόμενα
- ΣΥΝΕΧΕΙΑ
- έλεγχος
- ελέγχους
- μετατρέψετε
- Αντίστοιχος
- Κόστος
- θα μπορούσε να
- καλύπτονται
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- δημιουργία
- κρίσιμης
- κρίσιμος
- Τη στιγμή
- έθιμο
- πελάτης
- Η ικανοποίηση των πελατών
- Πελάτες
- προσαρμόσιμη
- παραμετροποίηση
- ημερομηνία
- μείωση
- αφιερωμένο
- βαθύς
- βαθιά μάθηση
- απαιτήσεις
- Τζιν
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- περιγράφουν
- περιγράφεται
- Υπηρεσίες
- σχεδιασμένα
- σχεδιαστές
- σχέδια
- επιθυμητή
- λεπτομερής
- καθέκαστα
- καθορίζοντας
- διαφορά
- διαφορετικές
- Διάχυση
- κατευθείαν
- συζήτηση
- Display
- οθόνες
- διανέμονται
- διανομή
- διάφορα
- τομέα
- κατεβάσετε
- δεκάδες
- αντοχή
- κατά την διάρκεια
- e-commerce
- εύκολα
- Αποτελεσματικός
- αποτελεσματικός
- στοιχεία
- εξάλειψη
- αγκαλιάζω
- ενεργοποιήσετε
- δίνει τη δυνατότητα
- ενεργοποίηση
- περιλαμβάνει
- Τελικό σημείο
- Μηχανικοί
- ενίσχυση
- εξασφαλίζω
- Ψυχαγωγία
- εξοπλισμένο
- σφάλμα
- αναμενόμενη
- απόγευμα
- τελικά
- εξελίσσονται
- παράδειγμα
- παραδείγματα
- υφιστάμενα
- αναμένω
- έξοδα
- ακριβά
- Δραστηριοτητες
- εξειδίκευση
- εξαγωγή
- εκχύλισμα
- ύφασμα
- υφάσματα
- Πρόσωπο
- πρόσωπα
- Μόδα
- γρηγορότερα
- Χαρακτηριστικό
- θηλυκός
- λίγοι
- πιστότητα
- πεδίο
- Αρχεία
- Αρχεία
- συμπληρώστε
- τελικός
- Τελικά
- χρηματοδότηση
- Εύρεση
- τέλος
- Όνομα
- ταιριάζουν
- φωτοβολίδα
- εύκαμπτος
- ροή
- Συγκέντρωση
- ακολουθείται
- Εξής
- εξής
- επίσημος
- Πρώην
- Προς τα εμπρός
- Βρέθηκαν
- συχνά
- από
- πλήρη
- πλήρως
- λειτουργία
- λειτουργίες
- περαιτέρω
- Επί πλέον
- μελλοντικός
- ενδύματα
- παράγουν
- παράγεται
- γενεά
- γενετική
- Παραγωγική τεχνητή νοημοσύνη
- Γεωργία
- παίρνω
- δεδομένου
- GPU
- GPU
- Γραφιστικές
- γκρί
- μεγαλύτερη
- σε μεγάλο βαθμό
- Πλέγμα
- λαβή
- Χειρισμός
- ιπποσκευή
- που έχει
- Υγεία
- υγειονομική περίθαλψη
- ύψος
- βοήθησε
- εδώ
- Ψηλά
- υψηλού επιπέδου
- υψηλής ανάλυσης
- υψηλότερο
- ανταύγειες
- υψηλά
- κράτημα
- κατέχει
- οικοδεσπότης
- Πως
- Πώς να
- Ωστόσο
- HTML
- HTTPS
- Hub
- Πρόσωπο αγκαλιάς
- ανθρώπινος
- ιδέα
- αναγνωριστικό
- προσδιορίσει
- Ιλλινόις
- εικόνα
- εικόνες
- φανταστικός
- εκτέλεση
- εισαγωγή
- σημαντικό
- βελτίωση
- βελτιωθεί
- in
- σε βάθος
- περιλαμβάνουν
- περιλαμβάνει
- Συμπεριλαμβανομένου
- Εισερχόμενος
- ενσωματώνοντας
- αυξημένη
- βιομηχανίες
- βιομηχανία
- πληροφορίες
- αρχικός
- καινοτόμες
- εισαγωγή
- εγκαθιστώ
- παράδειγμα
- αντί
- Νοημοσύνη
- εισήγαγε
- συμμετέχουν
- IT
- αντικειμένων
- Δουλειά
- json
- Κλειδί
- επιγραφή
- Ετικέτες
- Γλώσσα
- large
- ξεκινήσει
- στρώμα
- που οδηγεί
- ΜΑΘΑΊΝΩ
- μάθει
- μάθηση
- Μήκος
- επίπεδα
- Li
- Βιβλιοθήκη
- LIMIT
- Περιωρισμένος
- Λιστα
- φορτίο
- φόρτωση
- Μακριά
- off
- Μείωση
- επικερδής
- μηχανή
- μάθηση μηχανής
- Κυρίως
- διατηρήσουν
- Η διατήρηση
- κάνω
- Κατασκευή
- διαχειριστικός
- Κατασκευαστές
- χαρτης
- αγορά
- Μάρκετινγκ
- μάσκα
- Masks
- Ταίριασμα
- υλικά
- matplotlib
- μέσα
- Εικόνες / Βίντεο
- Μνήμη
- μέθοδος
- μέθοδοι
- Λείπει
- ML
- μοντέλο
- μοντέλα
- περισσότερο
- πλέον
- μετακινήσετε
- κίνηση
- πολλαπλούς
- όνομα
- Φυσικό
- Κοντά
- απαραίτητος
- Ανάγκη
- χρειάζονται
- ανάγκες
- δίκτυο
- Ουδέτερος
- Νέα
- nlp
- κόμβων
- κανονικός
- μυθιστόρημα
- αριθμός
- Nvidia
- αντικείμενο
- αντικειμένων
- εμπόδια
- προσφορά
- προσφορά
- προσφορές
- ONE
- Ένα-του-είδους
- διαδικτυακά (online)
- Ευκαιρία
- βελτιστοποιημένη
- Επιλογή
- τάξη
- πρωτότυπο
- OS
- δική
- ζεύγη
- αντιστοίχιση
- χαρτιά
- παράμετροι
- Ειδικότερα
- εξαρτήματα
- πέρασε
- μονοπάτι
- πρότυπο
- πρότυπα
- Εκτελέστε
- επίδοση
- εκτελεί
- δικαιώματα
- προσωπικός
- εξατομίκευση
- εξατομίκευση
- Εξατομικευμένη
- Φωτορεαλιστική
- Εικόνες
- σωλήνας
- αγωγού
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- σας παρακαλούμε
- φτωχός
- Δημοφιλής
- θέτει
- θέσεις
- Θέση
- δυναμικού
- ενδεχομένως
- Πρακτικός
- πρακτική
- πρακτικές
- προβλέψει
- προβλέποντας
- πρόβλεψη
- Predictor
- προτιμήσεις
- προτιμάται
- δώρα
- πρόληψη
- προηγουμένως
- Πριν
- διαδικασια μας
- παράγει
- παραγωγή
- Προϊόντα
- επαγγελματίες
- κατάλληλος
- παρέχουν
- παρέχει
- δημόσιο
- τη δημόσια υγεία
- δημοσιεύσεις
- δημοσίως
- δημοσιεύθηκε
- καθαρώς
- σκοπός
- σκοποί
- Python
- pytorch
- ποιότητα
- γρήγορα
- σειρά
- πραγματικός
- σε πραγματικό χρόνο
- ρεαλιστικός
- λαμβάνω
- πρόσφατος
- συστάσεις
- Red
- μείωση
- Μειωμένος
- αναφορές
- αναφέρεται
- συνάφεια
- αναφέρθηκαν
- αντιπροσωπεύει
- ζητήσει
- αιτήματα
- απαιτούν
- Απαιτεί
- ερευνητής
- Ανάλυση
- απάντησης
- αποτέλεσμα
- με αποτέλεσμα
- Αποτελέσματα
- λιανική πώληση
- απόδοση
- Επιστροφές
- RGB
- Ρόλος
- περίπου
- τρέξιμο
- τρέξιμο
- σοφός
- εμπορικός
- ικανοποίηση
- Αποθήκευση
- Οικονομίες
- Κλίμακα
- Επιστήμονας
- SDK
- Δεύτερος
- δευτερόλεπτα
- τομέας
- Τομείς
- κατάτμηση
- τμήματα
- επιλογή
- αρχαιότερος
- ευαίσθητος
- εξυπηρετεί
- υπηρεσία
- Συνεδρίαση
- σειρά
- διάφοροι
- αιχμηρά
- κέλυφος
- Κοντά
- θα πρέπει να
- βιτρίνα
- πλευρά
- Πυρίτιο
- Κοιλάδα του πυριτίου
- παρόμοιες
- Απλούς
- απλά
- ταυτοχρόνως
- ενιαίας
- Μέγεθος
- small
- So
- Μ.Κ.Δ
- social media
- λύση
- μερικοί
- κάτι
- Χώρος
- ειδική
- ειδικός
- ειδικευμένος
- συγκεκριμένες
- καθορίζεται
- σταθερός
- πρότυπο
- Κατάσταση
- Βήμα
- Βήματα
- Ακόμη
- χώρος στο δίσκο
- αποθηκεύονται
- στρατηγικές
- δύναμη
- Ρίγες
- Αγώνας
- στυλ
- θέμα
- επιτυχία
- τέτοιος
- καλοκαίρι
- Supermodel
- εποπτεία
- Υποστηρίζει
- επειξειργασμένος από ραπτήν
- Πάρτε
- παίρνει
- στόχος
- Έργο
- εργασίες
- tech
- Τεχνικός
- τεχνικές
- Τεχνολογία
- πρότυπα
- όροι
- Τέσλα
- Η
- Η περιοχή
- ο κόσμος
- τους
- επομένως
- τρία
- Μέσω
- Δεμένος
- προς την
- εργαλεία
- δάδα
- ΣΥΝΟΛΙΚΑ
- παραδοσιακός
- ΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- μεταφορά
- Μεταμορφώστε
- μετασχηματιστές
- ταξίδι
- Τάσεις
- δίκη
- Τρισεκατομμύριο
- υπό
- μοναδικός
- πανεπιστήμιο
- Φορτώθηκε
- Χρήση
- χρήση
- Χρήστες
- Χρήστες
- συνήθως
- χρησιμοποιώ
- χρησιμοποιούνται
- χρησιμοποιεί
- αξιοποιώντας
- διακοπές
- κοιλάδα
- Πολύτιμος
- αξία
- ποικιλία
- διάφορα
- Σταθερή
- επαληθεύει
- εκδοχή
- Βίντεο
- Πραγματικός
- W
- τρόπους
- Ποιό
- ενώ
- άσπρο
- Ο ΟΠΟΊΟΣ
- ευρύς
- Ευρύ φάσμα
- ευρύτερο
- πλάτος
- θα
- εντός
- χωρίς
- διατύπωση
- Εργασία
- εργάστηκαν
- κόσμος
- Παγκόσμια Τράπεζα
- θα
- τυλίξτε
- wu
- X
- Εσείς
- Σας
- zephyrnet
- Zip