Mis on hüpervõrgud?

Kui mõni nädal tagasi tuli esile fotorealistlikke pilte andev tehisintellekti rakendus Stable Diffusion, tuli sellega kaasa uus moesõna; hüpervõrgud.

Nüüd on juba stabiilne difusioon ja hüpervõrgud nii ühendatud, et samas lõigus on võimatu üht ilma teiseta mainida.

"Olen treeninud stabiilseid difusioonihüpervõrke väikeste andmekogumite jaoks (ei, mitte kaasaegsed kunstnikud peale teie oma), et õpetada neile ebaselgeid "stiile", millest ta algusest peale aru ei saa. See töötab täpselt nii, nagu kirjeldatud, tegelikult paremini, kui ma ise arvasin, et see toimib,” ütleb Twitteri kasutaja.

Olen treeninud stabiilseid difusioonihüpervõrke väikeste andmekogumite jaoks (ei, mitte kaasaegsed kunstnikud peale teie oma tõeliselt), et õpetada neile ebaselgeid "stiile", mida see karbist välja ei mõista. see töötab täpselt nii, nagu ta kirjeldas, tegelikult paremini, kui ma ise arvasin.

- kahetsuse maksimeerija (@regretmaximizer) Detsember 20, 2022

See kujutab endast hüpervõrgusuminat, mis on viimasel ajal võrgukülastajaid haaranud.

Arvutiteaduses on hüpervõrk tehniliselt võrk, mis genereerib põhivõrgu jaoks kaalud. Teisisõnu arvatakse, et põhivõrgu käitumine on sama kui teiste närvivõrkudega, kuna see õpib kaardistama mõned töötlemata sisendid soovitud sihtmärkidega, samal ajal kui hüpervõrk võtab sisendite komplekti, mis sisaldab teavet kaalude struktuuri kohta ja genereerib selle kihi kaal.

Loe ka: AI-tehnoloogia, mis loob elu hävitavaid sügavaid võltspilte

Kuidas hüpervõrke kasutatakse?

Et mõista, mis on hüpervõrk, varundame veidi. Kui olete loonud pilte rakenduses Stable Diffusion – tehisintellekti tööriist digitaalse kunsti ja piltide loomiseks – olete sellega kokku puutunud.

Koolitus viitab üldiselt protsessile, kus mudel õpib (määrab) märgistatud näidete põhjal kõigi kaalude ja kalde häid väärtusi.

Piltide loomine on sisse lülitatud Stabiilne difusioon ei ole automaatne protsess, nagu oleme käsitlenud mujal. Sinna jõudmiseks on protsessid.

Esmalt peab AI-mudel õppima, kuidas kellegi kujutist 2D- või 3D-mudelist tarkvara abil fotoks renderdada või sünteesida. Kuigi stabiilse difusiooni mudelit testiti põhjalikult, on sellel mõned koolituspiirangud, mida saab parandada manustamise ja hüpervõrkude koolitusmeetoditega.

Parimate tulemuste saavutamiseks võivad lõppkasutajad teha täiendava koolituse, et täpsustada generatsiooni väljundeid, et need vastaksid konkreetsematele kasutusjuhtumitele. Manustamistreening hõlmab kasutaja pakutavate piltide kogumit ja võimaldab mudelil luua visuaalselt sarnaseid pilte alati, kui genereerimisviibas kasutatakse manustamise nime.

Manustused põhinevad Tel Avivi ülikooli teadlaste välja töötatud "teksti inversiooni" kontseptsioonil, kus mudeli tekstikodeerija poolt kasutatavate konkreetsete märkide vektoresitlused on lingitud uute pseudosõnadega. Manustamine võib vähendada esialgse mudeli eelarvamusi või jäljendada visuaalseid stiile.

"Hüpervõrk" on seevastu eelkoolitatud närvivõrk, mida rakendatakse suurema närvivõrgu erinevatesse punktidesse ja mis viitab NovelAI arendaja Kurumuzi 2021. aastal loodud tehnikale, mis oli algselt mõeldud teksti genereerimise trafo mudelitele. .

Rongid konkreetsete artistide peal

Hüpervõrgud on kaasatud, et suunata tulemusi teatud suunas, võimaldades stabiilse difusioonil põhinevatel mudelitel korrata konkreetsete kunstnike kunstistiile. Võrgu eeliseks on see, et see suudab töötada ka siis, kui algmudel kunstnikku ära ei tunne, ja töötleb pilti ikkagi, leides olulised valdkonnad, nagu juuksed ja silmad, ning seejärel asetab need piirkonnad teise varjatud ruumi.

"Stable Diffusioni manustamiskiht vastutab sisendite (näiteks tekstiviiba ja klassisildid) kodeerimise eest madalamõõtmelisteks vektoriteks. Need vektorid aitavad difusioonimudelil luua pilte, mis sobivad kasutaja sisendiga, ”selgitab Benny Cheung oma ajaveebis.

"Hüpervõrgu kiht on viis, kuidas süsteem saab õppida ja oma teadmisi esindada. See võimaldab Stable Diffusionil luua pilte oma varasema kogemuse põhjal.

Kuigi selle manustamiskiht kodeerib sisendid (nt tekstiviibad ja klassisildid) madalamõõtmelisteks vektoriteks, et aidata hajutusmudelil luua kasutaja sisendile vastavaid pilte, on hüpervõrgukiht süsteemile teatud määral viis õppida ja omaenda esindada. teadmisi.

Teisisõnu võimaldab see Stable Diffusionil luua pilte oma varasemate kogemuste põhjal. Stabiilse hajutuse puhul on hüpervõrk lisakiht, mida töödeldakse pärast seda, kui pilt on mudeli kaudu renderdatud. Hüpervõrk kaldub kõiki mudeli tulemusi teie treeningandmete poole kallutama, muutes mudelit sisuliselt.

Mälu säilitamine

See tähendab sisuliselt seda, et hüpervõrk vastutab süsteemi varem genereeritud piltide mälu säilitamise eest. Kui kasutaja annab uue sisendi, saab süsteem kasutada oma varasemaid olemasolevaid teadmisi täpsema pildi loomiseks. Sellisena võimaldavad hüpervõrgud süsteemil kiiremini õppida ja edenedes paremaks muutuda.

Selle eeliseks on see, et iga pilt, mis sisaldab midagi, mis kirjeldab teie treeningandmeid, näeb välja nagu teie treeningandmed.

„Leidsime, et põimimisega treenimine on lihtsam kui autoportreede genereerimise hüpervõrguga treenimine. Meie treening andis häid tulemusi, millega oleme rahul,” kirjutas Cheung.

Millist peenhäälestustehnikat te kasutate? Midagi sellist nagu hüpervõrgud või teksti inversioon?

— Mathias Michel (@m91michel) Detsember 21, 2022

Kuid see on tehnoloogia, millega paljud veel kauplevad. Hüpervõrgud ja AI-generaatorid on just hakanud kasutajate vajadusi ja soove rahuldama. Kasutajaliidesed ja viipade tehnikad arenevad kahtlemata kiiresti edasi ja võivad isegi olla haaravad Google off-guard, nagu MetaNews hiljuti kaetud.

JAGA SEDA POSTITUST