Τον Νοέμβριο του 2022, εμείς ανακοίνωσε που οι πελάτες AWS μπορούν να δημιουργήσουν εικόνες από κείμενο Σταθερή Διάχυση μοντέλα σε Amazon SageMaker JumpStart. Σήμερα, ανακοινώνουμε μια νέα δυνατότητα που σας επιτρέπει να αναβαθμίσετε τις εικόνες (αλλάξτε το μέγεθος των εικόνων χωρίς απώλεια ποιότητας) με μοντέλα Stable Diffusion στο JumpStart. Μια εικόνα χαμηλής ανάλυσης, θολή και εικονοστοιχεία μπορεί να μετατραπεί σε εικόνα υψηλής ανάλυσης που φαίνεται πιο ομαλή, καθαρότερη και πιο λεπτομερής. Αυτή η διαδικασία, που ονομάζεται upscaling, μπορεί να εφαρμοστεί τόσο σε πραγματικές εικόνες όσο και σε εικόνες που δημιουργούνται από Μοντέλα σταθερής διάχυσης κειμένου σε εικόνα. Αυτό μπορεί να χρησιμοποιηθεί για τη βελτίωση της ποιότητας της εικόνας σε διάφορους κλάδους, όπως το ηλεκτρονικό εμπόριο και τα ακίνητα, καθώς και για καλλιτέχνες και φωτογράφους. Επιπλέον, η αναβάθμιση μπορεί να βελτιώσει την οπτική ποιότητα των εικόνων χαμηλής ανάλυσης όταν εμφανίζονται σε οθόνες υψηλής ανάλυσης.
Το Stable Diffusion χρησιμοποιεί έναν αλγόριθμο AI για να αναβαθμίσει τις εικόνες, εξαλείφοντας την ανάγκη για χειρωνακτική εργασία που μπορεί να απαιτεί χειροκίνητη πλήρωση κενών σε μια εικόνα. Έχει εκπαιδευτεί σε εκατομμύρια εικόνες και μπορεί να προβλέψει με ακρίβεια εικόνες υψηλής ανάλυσης, με αποτέλεσμα σημαντική αύξηση στη λεπτομέρεια σε σύγκριση με τα παραδοσιακά προγράμματα αναβάθμισης εικόνας. Επιπλέον, σε αντίθεση με τις τεχνικές μη βαθιάς μάθησης, όπως ο πλησιέστερος γείτονας, το Stable Diffusion λαμβάνει υπόψη το πλαίσιο της εικόνας, χρησιμοποιώντας μια προτροπή κειμένου για να καθοδηγήσει τη διαδικασία αναβάθμισης.
Σε αυτήν την ανάρτηση, παρέχουμε μια επισκόπηση του τρόπου ανάπτυξης και εκτέλεσης συμπερασμάτων με το μοντέλο Stable Diffusion upscaler με δύο τρόπους: μέσω της διεπαφής χρήστη (UI) του JumpStart στο Στούντιο Amazon SageMaker, και μέσω προγραμματισμού JumpStart API διαθέσιμο στο SDK SageMaker Python.
Επισκόπηση λύσεων
Οι παρακάτω εικόνες δείχνουν παραδείγματα αναβάθμισης που εκτελούνται από το μοντέλο. Στα αριστερά είναι η αρχική εικόνα χαμηλής ανάλυσης σε μεγέθυνση ώστε να ταιριάζει με το μέγεθος της εικόνας που δημιουργείται από το μοντέλο. Στα δεξιά είναι η εικόνα που δημιουργείται από το μοντέλο.
Η πρώτη εικόνα που δημιουργήθηκε είναι το αποτέλεσμα της εικόνας γάτας χαμηλής ανάλυσης και της προτροπής "μια λευκή γάτα".
Η δεύτερη εικόνα που δημιουργήθηκε είναι το αποτέλεσμα της εικόνας πεταλούδας χαμηλής ανάλυσης και της προτροπής "μια πεταλούδα σε ένα πράσινο φύλλο".
Η εκτέλεση μεγάλων μοντέλων όπως το Stable Diffusion απαιτεί προσαρμοσμένα σενάρια συμπερασμάτων. Πρέπει να εκτελέσετε δοκιμές από άκρο σε άκρο για να βεβαιωθείτε ότι το σενάριο, το μοντέλο και το επιθυμητό παράδειγμα συνεργάζονται αποτελεσματικά. Το JumpStart απλοποιεί αυτή τη διαδικασία παρέχοντας έτοιμα προς χρήση σενάρια που έχουν δοκιμαστεί άρτια. Μπορείτε να αποκτήσετε πρόσβαση σε αυτά τα σενάρια με ένα κλικ μέσω της διεπαφής χρήστη του Studio ή με πολύ λίγες γραμμές κώδικα μέσω του JumpStart API.
Οι ακόλουθες ενότητες παρέχουν μια επισκόπηση του τρόπου ανάπτυξης του μοντέλου και εκτέλεσης συμπερασμάτων χρησιμοποιώντας είτε τη διεπαφή χρήστη του Studio είτε τα API JumpStart.
Σημειώστε ότι χρησιμοποιώντας αυτό το μοντέλο, συμφωνείτε με το Άδεια CreativeML Open RAIL++-M.
Αποκτήστε πρόσβαση στο JumpStart μέσω της διεπαφής χρήστη του Studio
Σε αυτήν την ενότητα, παρουσιάζουμε πώς να εκπαιδεύσετε και να αναπτύξετε μοντέλα JumpStart μέσω της διεπαφής χρήστη του Studio. Το παρακάτω βίντεο δείχνει πώς να βρείτε το προεκπαιδευμένο μοντέλο Stable Diffusion upscaler στο JumpStart και να το αναπτύξετε. Η σελίδα μοντέλου περιέχει πολύτιμες πληροφορίες σχετικά με το μοντέλο και τον τρόπο χρήσης του. Για συμπέρασμα, χρησιμοποιούμε τον τύπο στιγμιότυπου ml.p3.2xlarge επειδή παρέχει την επιτάχυνση της GPU που απαιτείται για λανθάνουσα κατάσταση χαμηλής εξαγωγής σε χαμηλή τιμή. Αφού διαμορφώσετε την παρουσία φιλοξενίας του SageMaker, επιλέξτε Ανάπτυξη. Θα χρειαστούν 5–10 λεπτά έως ότου το τελικό σημείο είναι έτοιμο και έτοιμο να απαντήσει σε αιτήματα συμπερασμάτων.
Για να επιταχύνει το χρόνο για την εξαγωγή συμπερασμάτων, το JumpStart παρέχει ένα δείγμα σημειωματάριου που δείχνει τον τρόπο εκτέλεσης συμπερασμάτων στο πρόσφατα δημιουργημένο τελικό σημείο. Για πρόσβαση στο σημειωματάριο στο Studio, επιλέξτε Ανοίξτε το Σημειωματάριο στο Χρησιμοποιήστε το Endpoint από το Studio ενότητα της σελίδας τελικού σημείου μοντέλου.
Χρησιμοποιήστε το JumpStart μέσω προγραμματισμού με το SageMaker SDK
Μπορείτε να χρησιμοποιήσετε το JumpStart UI για να αναπτύξετε ένα προεκπαιδευμένο μοντέλο διαδραστικά με λίγα μόνο κλικ. Ωστόσο, μπορείτε επίσης να χρησιμοποιήσετε μοντέλα JumpStart μέσω προγραμματισμού χρησιμοποιώντας API που είναι ενσωματωμένα στο SageMaker Python SDK.
Σε αυτήν την ενότητα, επιλέγουμε ένα κατάλληλο προεκπαιδευμένο μοντέλο στο JumpStart, αναπτύσσουμε αυτό το μοντέλο σε ένα τελικό σημείο του SageMaker και εκτελούμε συμπεράσματα στο τελικό σημείο που έχει αναπτυχθεί, όλα χρησιμοποιώντας το SageMaker Python SDK. Τα ακόλουθα παραδείγματα περιέχουν αποσπάσματα κώδικα. Για τον πλήρη κώδικα με όλα τα βήματα σε αυτήν την επίδειξη, ανατρέξτε στο Εισαγωγή στο JumpStart – Βελτιώστε την ποιότητα της εικόνας καθοδηγούμενη από προτροπή παράδειγμα σημειωματάριο.
Αναπτύξτε το προεκπαιδευμένο μοντέλο
Το SageMaker χρησιμοποιεί κοντέινερ Docker για διάφορες εργασίες κατασκευής και χρόνου εκτέλεσης. Το JumpStart χρησιμοποιεί το SageMaker Deep Learning Containers (DLC) που είναι ειδικά για το πλαίσιο. Αρχικά λαμβάνουμε τυχόν πρόσθετα πακέτα, καθώς και σενάρια για τη διαχείριση της εκπαίδευσης και των συμπερασμάτων για την επιλεγμένη εργασία. Στη συνέχεια, τα προεκπαιδευμένα τεχνουργήματα μοντέλων παραλαμβάνονται ξεχωριστά model_uris
, το οποίο παρέχει ευελιξία στην πλατφόρμα. Αυτό επιτρέπει τη χρήση πολλαπλών προεκπαιδευμένων μοντέλων με ένα μόνο σενάριο συμπερασμάτων. Ο παρακάτω κώδικας απεικονίζει αυτή τη διαδικασία:
Στη συνέχεια, παρέχουμε αυτούς τους πόρους σε α Μοντέλο SageMaker παράδειγμα και αναπτύξτε ένα τελικό σημείο:
Αφού αναπτυχθεί το μοντέλο μας, μπορούμε να λάβουμε προβλέψεις από αυτό σε πραγματικό χρόνο!
Μορφή εισόδου
Το τελικό σημείο δέχεται μια εικόνα χαμηλής ανάλυσης ως ακατέργαστες τιμές RGB ή μια κωδικοποιημένη εικόνα βάσης 64. Ο χειριστής συμπερασμάτων αποκωδικοποιεί την εικόνα με βάση content_type
:
- Για
content_type = “application/json”
, το ωφέλιμο φορτίο εισόδου πρέπει να είναι ένα λεξικό JSON με τις ακατέργαστες τιμές RGB, μια προτροπή κειμένου και άλλες προαιρετικές παραμέτρους - Για
content_type = “application/json;jpeg”
, το ωφέλιμο φορτίο εισόδου πρέπει να είναι ένα λεξικό JSON με την κωδικοποιημένη εικόνα base64, μια προτροπή κειμένου και άλλες προαιρετικές παραμέτρους
Μορφή εξόδου
Τα ακόλουθα παραδείγματα κώδικα σάς δίνουν μια γεύση για το πώς μοιάζουν οι έξοδοι. Ομοίως με τη μορφή εισόδου, το τελικό σημείο μπορεί να ανταποκριθεί με τις ακατέργαστες τιμές RGB της εικόνας ή μια κωδικοποιημένη εικόνα βάσης 64. Αυτό μπορεί να καθοριστεί με ρύθμιση accept
σε μία από τις δύο τιμές:
- Για
accept = “application/json”
, το τελικό σημείο επιστρέφει το λεξικό JSON με τιμές RGB για την εικόνα - Για
accept = “application/json;jpeg”
, το τελικό σημείο επιστρέφει ένα λεξικό JSON με την εικόνα JPEG ως byte κωδικοποιημένα με κωδικοποίηση base64.b64
Λάβετε υπόψη ότι η αποστολή ή η λήψη του ωφέλιμου φορτίου με τις ακατέργαστες τιμές RGB μπορεί να φτάσει τα προεπιλεγμένα όρια για το ωφέλιμο φορτίο εισόδου και το μέγεθος απόκρισης. Επομένως, συνιστούμε να χρησιμοποιήσετε την κωδικοποιημένη εικόνα base64 με ρύθμιση content_type = “application/json;jpeg”
και accept = “application/json;jpeg”
.
Ο παρακάτω κώδικας είναι ένα παράδειγμα αιτήματος συμπερασμάτων:
Η απόκριση τελικού σημείου είναι ένα αντικείμενο JSON που περιέχει τις δημιουργημένες εικόνες και την προτροπή:
Υποστηριζόμενες παράμετροι
Τα μοντέλα Stable Diffusion upscaling υποστηρίζουν πολλές παραμέτρους για τη δημιουργία εικόνων:
- εικόνα – Μια εικόνα χαμηλής ανάλυσης.
- έγκαιρη – Μια προτροπή για την καθοδήγηση της δημιουργίας εικόνων. Μπορεί να είναι μια συμβολοσειρά ή μια λίστα συμβολοσειρών.
- num_inference_steps (προαιρετικό) – Ο αριθμός των βημάτων απενεργοποίησης θορύβου κατά τη δημιουργία εικόνας. Περισσότερα βήματα οδηγούν σε εικόνα υψηλότερης ποιότητας. Εάν ορίζεται, πρέπει να είναι θετικός ακέραιος. Σημειώστε ότι περισσότερα βήματα συμπερασμάτων θα οδηγήσουν σε μεγαλύτερο χρόνο απόκρισης.
- guidance_scale (προαιρετικό) – Μια υψηλότερη κλίμακα καθοδήγησης έχει ως αποτέλεσμα μια εικόνα πιο στενά συνδεδεμένη με την προτροπή, σε βάρος της ποιότητας της εικόνας. Εάν ορίζεται, πρέπει να είναι πλωτήρας.
guidance_scale<=1
αγνοείται. - negative_prompt (προαιρετικό) – Αυτό καθοδηγεί τη δημιουργία εικόνων έναντι αυτής της προτροπής. Εάν καθορίζεται, πρέπει να είναι μια συμβολοσειρά ή μια λίστα συμβολοσειρών και να χρησιμοποιείται με
guidance_scale
. Ανguidance_scale
είναι απενεργοποιημένο, είναι επίσης απενεργοποιημένο. Επιπλέον, εάν η προτροπή είναι μια λίστα συμβολοσειρών, τότε η ερώτηση negative_prompt πρέπει επίσης να είναι μια λίστα συμβολοσειρών. - σπόροι (προαιρετικά) – Αυτό διορθώνει την τυχαιοποιημένη κατάσταση για αναπαραγωγιμότητα. Εάν ορίζεται, πρέπει να είναι ακέραιος. Κάθε φορά που χρησιμοποιείτε την ίδια προτροπή με τον ίδιο σπόρο, η εικόνα που προκύπτει θα είναι πάντα η ίδια.
- επίπεδο_θορύβου (προαιρετικό) – Αυτό προσθέτει θόρυβο στα λανθάνοντα διανύσματα πριν από την αναβάθμιση. Εάν ορίζεται, πρέπει να είναι ακέραιος.
Μπορείτε να αναβαθμίσετε αναδρομικά μια εικόνα επικαλώντας το τελικό σημείο επανειλημμένα για να λαμβάνετε εικόνες όλο και υψηλότερης ποιότητας.
Μέγεθος εικόνας και τύποι παρουσιών
Οι εικόνες που δημιουργούνται από το μοντέλο μπορούν να είναι έως και τέσσερις φορές το μέγεθος της αρχικής εικόνας χαμηλής ανάλυσης. Επιπλέον, η απαίτηση μνήμης του μοντέλου (μνήμη GPU) αυξάνεται ανάλογα με το μέγεθος της παραγόμενης εικόνας. Επομένως, εάν αναβαθμίζετε μια εικόνα ήδη υψηλής ανάλυσης ή αναβαθμίζετε αναδρομικά τις εικόνες, επιλέξτε έναν τύπο παρουσίας με μεγάλη μνήμη GPU. Για παράδειγμα, το ml.g5.2xlarge έχει περισσότερη μνήμη GPU από τον τύπο παρουσίας ml.p3.2xlarge που χρησιμοποιούσαμε νωρίτερα. Για περισσότερες πληροφορίες σχετικά με διαφορετικούς τύπους παρουσιών, ανατρέξτε στο Τύποι περιπτώσεων Amazon EC2.
Αναβάθμιση των εικόνων κομμάτι-κομμάτι
Για να μειώσετε τις απαιτήσεις μνήμης κατά την αναβάθμιση μεγάλων εικόνων, μπορείτε να σπάσετε την εικόνα σε μικρότερα τμήματα, γνωστά ως πλακάκιακαι αναβαθμίστε κάθε πλακίδιο ξεχωριστά. Αφού τα πλακίδια έχουν αναβαθμιστεί, μπορούν να αναμειχθούν μεταξύ τους για να δημιουργήσουν την τελική εικόνα. Αυτή η μέθοδος απαιτεί την προσαρμογή της προτροπής για κάθε πλακίδιο, ώστε το μοντέλο να μπορεί να κατανοήσει το περιεχόμενο του πλακιδίου και να αποφύγει τη δημιουργία παράξενων εικόνων. Το τμήμα στυλ της προτροπής πρέπει να παραμένει σταθερό για όλα τα πλακίδια για να διευκολύνεται η ανάμειξη. Όταν χρησιμοποιείτε υψηλότερες ρυθμίσεις αποθορυβοποίησης, είναι σημαντικό να είστε πιο συγκεκριμένοι στην προτροπή, επειδή το μοντέλο έχει μεγαλύτερη ελευθερία προσαρμογής της εικόνας. Αυτό μπορεί να είναι δύσκολο όταν το πλακίδιο περιέχει μόνο φόντο ή δεν σχετίζεται άμεσα με το κύριο περιεχόμενο της εικόνας.
Περιορισμοί και προκατάληψη
Παρόλο που το Stable Diffusion έχει εντυπωσιακές επιδόσεις στην αναβάθμιση, υποφέρει από αρκετούς περιορισμούς και προκαταλήψεις. Αυτά περιλαμβάνουν, αλλά δεν περιορίζονται σε:
- Το μοντέλο ενδέχεται να μην δημιουργεί ακριβή πρόσωπα ή άκρα επειδή τα δεδομένα εκπαίδευσης δεν περιλαμβάνουν επαρκείς εικόνες με αυτά τα χαρακτηριστικά
- Το μοντέλο εκπαιδεύτηκε στο Δεδομένα LAION-5B, το οποίο έχει περιεχόμενο για ενήλικες και ενδέχεται να μην είναι κατάλληλο για χρήση προϊόντος χωρίς περαιτέρω σκέψεις
- Το μοντέλο ενδέχεται να μην λειτουργεί καλά με μη αγγλικές γλώσσες, επειδή το μοντέλο εκπαιδεύτηκε σε κείμενο στην αγγλική γλώσσα
- Το μοντέλο δεν μπορεί να δημιουργήσει καλό κείμενο μέσα στις εικόνες
Για περισσότερες πληροφορίες σχετικά με τους περιορισμούς και την προκατάληψη, ανατρέξτε στο Κάρτα μοντέλου Stable Diffusion upscaler.
εκκαθάριση
Αφού ολοκληρώσετε την εκτέλεση του σημειωματάριου, βεβαιωθείτε ότι έχετε διαγράψει όλους τους πόρους που δημιουργήθηκαν στη διαδικασία για να διασφαλίσετε ότι η χρέωση έχει διακοπεί. Ο κώδικας για την εκκαθάριση του τελικού σημείου είναι διαθέσιμος στο συσχετισμένο σημειωματάριο.
Συμπέρασμα
Σε αυτήν την ανάρτηση, δείξαμε πώς να αναπτύξετε ένα προεκπαιδευμένο μοντέλο Stable Diffusion upscaler χρησιμοποιώντας το JumpStart. Δείξαμε αποσπάσματα κώδικα σε αυτήν την ανάρτηση—ο πλήρης κώδικας με όλα τα βήματα σε αυτήν την επίδειξη είναι διαθέσιμος στο Εισαγωγή στο JumpStart – Βελτιώστε την ποιότητα της εικόνας καθοδηγούμενη από προτροπή παράδειγμα σημειωματάριο. Δοκιμάστε τη λύση μόνοι σας και στείλτε μας τα σχόλιά σας.
Για να μάθετε περισσότερα σχετικά με το μοντέλο και τον τρόπο λειτουργίας του, ανατρέξτε στους ακόλουθους πόρους:
Για να μάθετε περισσότερα σχετικά με το JumpStart, ανατρέξτε στις ακόλουθες αναρτήσεις ιστολογίου:
Σχετικά με τους Συγγραφείς
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.
Heiko Hotz είναι Senior Solutions Architect για AI & Machine Learning με ιδιαίτερη εστίαση στην Επεξεργασία Φυσικής Γλώσσας (NLP), στα Μεγάλα Γλωσσικά Μοντέλα (LLMs) και στο Generative AI. Πριν από αυτόν τον ρόλο, ήταν επικεφαλής της Επιστήμης Δεδομένων για την Εξυπηρέτηση Πελατών στην ΕΕ της Amazon. Η Heiko βοηθά τους πελάτες μας να είναι επιτυχημένοι στο ταξίδι τους AI/ML στο AWS και έχει συνεργαστεί με οργανισμούς σε πολλούς κλάδους, συμπεριλαμβανομένων των Ασφαλίσεων, των Χρηματοοικονομικών Υπηρεσιών, των Μέσων Ενημέρωσης και της Ψυχαγωγίας, της Υγείας, των Υπηρεσιών κοινής ωφελείας και της Βιομηχανίας. Στον ελεύθερο χρόνο του ο Heiko ταξιδεύει όσο περισσότερο μπορεί.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/upscale-images-with-stable-diffusion-in-amazon-sagemaker-jumpstart/
- 100
- 2022
- 7
- a
- Σχετικα
- επιταχύνουν
- Αποδέχομαι
- Αποδέχεται
- πρόσβαση
- Λογαριασμός
- ακριβής
- με ακρίβεια
- επιτευχθεί
- ενεργός
- προσαρμόσει
- Πρόσθετος
- Επιπλέον
- Προσθέτει
- Ενήλικος
- Μετά το
- κατά
- AI
- AI και μηχανική μάθηση
- AI / ML
- αλγόριθμος
- Όλα
- επιτρέπει
- ήδη
- πάντοτε
- Amazon
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- και
- Ανακοινώστε
- api
- APIs
- εφαρμοσμένος
- κατάλληλος
- Καλλιτέχνες
- συσχετισμένη
- αυτομάτως
- διαθέσιμος
- AWS
- φόντο
- βασίζονται
- επειδή
- πριν
- είναι
- προκατάληψη
- χρέωσης
- ανάμειξης
- Μπλοκ
- Μηνύματα Blog
- Διακοπή
- χτίζω
- που ονομάζεται
- Μπορεί να πάρει
- CAT
- πρόκληση
- έλεγχος
- Επιλέξτε
- τάξη
- σαφέστερη
- στενά
- κωδικός
- σχόλια
- σύγκριση
- συνέδρια
- συνεπής
- Δοχείο
- Εμπορευματοκιβώτια
- Περιέχει
- περιεχόμενο
- συμφραζόμενα
- μετατρέπονται
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- έθιμο
- πελάτης
- Εξυπηρέτηση πελατών
- Πελάτες
- ημερομηνία
- επιστημονικά δεδομένα
- μείωση
- βαθύς
- βαθιά μάθηση
- Προεπιλογή
- αποδεικνύουν
- παρατάσσω
- αναπτυχθεί
- Υπηρεσίες
- λεπτομέρεια
- λεπτομερής
- διαφορετικές
- Διάχυση
- κατευθείαν
- ανάπηρος
- Λιμενεργάτης
- Όχι
- κατά την διάρκεια
- κάθε
- Νωρίτερα
- ευκολότερη
- ηλεκτρονικού εμπορίου
- αποτελεσματικά
- είτε
- εξάλειψη
- από άκρη σε άκρη
- Τελικό σημείο
- Αγγλικά
- εξασφαλίζω
- Ψυχαγωγία
- καταχώριση
- περιουσία
- EU
- παράδειγμα
- παραδείγματα
- πρόσωπα
- Χαρακτηριστικό
- Ανακτήθηκε
- λίγοι
- Αρχεία
- τελικός
- οικονομικός
- των χρηματοπιστωτικών υπηρεσιών
- Εύρεση
- Όνομα
- ταιριάζουν
- Ευελιξία
- φλοτέρ
- Συγκέντρωση
- Εξής
- μορφή
- Ελευθερία
- από
- πλήρη
- περαιτέρω
- Επί πλέον
- παράγουν
- παράγεται
- γενεά
- γενετική
- Παραγωγική τεχνητή νοημοσύνη
- Γεωργία
- παίρνω
- Δώστε
- Ματιά
- καλός
- GPU
- Πράσινο
- μεγαλώνει
- καθοδηγήσει
- Οδηγοί
- λαβή
- κεφάλι
- υγειονομική περίθαλψη
- ύψος
- βοηθά
- υψηλής ανάλυσης
- υψηλότερο
- Επιτυχία
- φιλοξενία
- Πως
- Πώς να
- Ωστόσο
- HTML
- HTTPS
- Ιλλινόις
- εικόνα
- εικόνες
- σημαντικό
- εντυπωσιακός
- βελτίωση
- in
- περιλαμβάνουν
- Συμπεριλαμβανομένου
- Αυξάνουν
- Μεμονωμένα
- βιομηχανίες
- πληροφορίες
- εισαγωγή
- παράδειγμα
- ασφάλιση
- ενσωματωθεί
- περιβάλλον λειτουργίας
- IT
- ταξίδι
- json
- γνωστός
- Γλώσσα
- Γλώσσες
- large
- Αφάνεια
- οδηγήσει
- ΜΑΘΑΊΝΩ
- μάθηση
- Αφήνει
- περιορισμούς
- Περιωρισμένος
- όρια
- γραμμές
- Λιστα
- πλέον
- ματιά
- μοιάζει
- να χάσει
- Χαμηλός
- μηχανή
- μάθηση μηχανής
- Κυρίως
- κάνω
- Ταχύτητες
- χειρωνακτική εργασία
- χειροκίνητα
- κατασκευής
- πολοί
- Ταίριασμα
- Εικόνες / Βίντεο
- Μνήμη
- μέθοδος
- εκατομμύρια
- Λεπτ.
- ML
- μοντέλο
- μοντέλα
- περισσότερο
- πολλαπλούς
- Φυσικό
- Επεξεργασία φυσικής γλώσσας
- Ανάγκη
- Νέα
- nlp
- Θόρυβος
- σημειωματάριο
- Νοέμβριος
- αριθμός
- αντικείμενο
- ONE
- ανοίξτε
- τάξη
- οργανώσεις
- πρωτότυπο
- ΑΛΛΑ
- επισκόπηση
- δική
- Packages
- χαρτιά
- παράμετροι
- μέρος
- επίδοση
- εικόνα
- κομμάτι
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Σημείο
- θετικός
- δυνατός
- Θέση
- Δημοσιεύσεις
- αρμοδιότητες
- προβλέψει
- Προβλέψεις
- Predictor
- παρόν
- τιμή
- Πριν
- διαδικασια μας
- μεταποίηση
- Προϊόν
- παρέχουν
- παρέχει
- χορήγηση
- δημοσιεύθηκε
- Python
- ποιότητα
- Τυχαία
- Ακατέργαστος
- έτοιμος
- πραγματικός
- ακίνητα
- λήψη
- συνιστώ
- σχετίζεται με
- παραμένουν
- ΚΑΤ 'ΕΠΑΝΑΛΗΨΗ
- ζητήσει
- αιτήματα
- απαιτούν
- απαίτηση
- απαιτήσεις
- Απαιτεί
- ερευνητής
- Ανάλυση
- Υποστηρικτικό υλικό
- Απάντηση
- απάντησης
- αποτέλεσμα
- με αποτέλεσμα
- Αποτελέσματα
- απόδοση
- Επιστροφές
- RGB
- Ρόλος
- τρέξιμο
- τρέξιμο
- σοφός
- ίδιο
- Κλίμακα
- Επιστήμη
- Επιστήμονας
- οθόνες
- Εφαρμογές
- SDK
- Δεύτερος
- Τμήμα
- τμήματα
- σπόρος
- επιλέγονται
- αποστολή
- αρχαιότερος
- υπηρεσία
- Υπηρεσίες
- τον καθορισμό
- ρυθμίσεις
- διάφοροι
- θα πρέπει να
- δείχνουν
- Δείχνει
- σημαντικός
- Ομοίως
- ενιαίας
- Μέγεθος
- μικρότερος
- λειαίνων
- So
- λύση
- Λύσεις
- ειδική
- συγκεκριμένες
- καθορίζεται
- σταθερός
- Κατάσταση
- Βήματα
- σταμάτησε
- στούντιο
- στυλ
- επιτυχής
- τέτοιος
- Υποφέρει
- επαρκής
- υποστήριξη
- Πάρτε
- παίρνει
- Έργο
- εργασίες
- tech
- τεχνικές
- δοκιμές
- Η
- τους
- επομένως
- Μέσω
- ώρα
- φορές
- προς την
- σήμερα
- μαζι
- παραδοσιακός
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- Ταξιδεύει
- τύποι
- ui
- καταλαβαίνω
- πανεπιστήμιο
- us
- χρήση
- Χρήστες
- Διεπαφής χρήστη
- επιχειρήσεις κοινής ωφέλειας
- χρησιμοποιεί
- Πολύτιμος
- Αξίες
- διάφορα
- μέσω
- Βίντεο
- τρόπους
- Τι
- Ποιό
- άσπρο
- θα
- εντός
- χωρίς
- Εργασία
- συνεργαστούν
- εργάστηκαν
- λειτουργεί
- Εσείς
- Σας
- zephyrnet