هنگامی که Stable Diffusion، اپلیکیشن هوش مصنوعی که چند هفته پیش تصاویر واقعی را به تصویر میکشید، برجسته شد، یک کلمه کلیدی جدید همراه با آن آمد. ابر شبکه ها
اکنون، انتشار پایدار و هایپرشبکه ها به قدری به هم پیوسته اند که ذکر یکی بدون دیگری در همان پاراگراف غیرممکن است.
من ابرشبکههای انتشار پایدار را بر روی مجموعه دادههای کوچک آموزش دادهام (نه، هنرمندان معاصر به غیر از شما واقعاً) تا به آن «سبکهای» مبهم را که واقعاً درک نمیکنند، آموزش دهم. یکی از کاربران در توییتر میگوید: دقیقاً همانطور که توضیح داده شد کار میکند، در واقع بهتر از آن چیزی است که خودم فکر میکردم.
من ابرشبکههای انتشار پایدار را بر روی مجموعه دادههای کوچک آموزش دادهام (نه، نه هنرمندان معاصر به غیر از شما واقعاً) تا «سبکهای» مبهم را که واقعاً درک نمیکند به آن آموزش دهم. دقیقاً همانطور که او توضیح داد کار می کند، در واقع بهتر از آن چیزی است که خودم فکر می کردم.
- حداکثر کننده پشیمانی (@regretmaximizer) دسامبر 20، 2022
این تجسم وزوز هایپرشبکه ای است که اخیراً کاربران را درگیر کرده است.
در علوم کامپیوتر، هایپرشبکه از نظر فنی شبکه ای است که وزن یک شبکه اصلی را تولید می کند. به عبارت دیگر، اعتقاد بر این است که رفتار شبکه اصلی با سایر شبکههای عصبی یکسان است، زیرا یاد میگیرد که برخی از ورودیهای خام را به اهداف مورد نظر خود نگاشت کند، در حالی که ابرشبکه مجموعهای از ورودیها را میگیرد که حاوی اطلاعاتی در مورد ساختار وزنها است و تولید میکند. وزن آن لایه
همچنین بخوانید: فناوری هوش مصنوعی که تصاویر جعلی عمیق و ویرانگر ایجاد می کند
هایپرشبکه ها چگونه استفاده می شوند؟
برای اینکه بفهمیم هایپرشبکه چیست، اجازه دهید کمی پشتیبان تهیه کنیم. اگر در Stable Diffusion - ابزار هوش مصنوعی برای ایجاد هنر دیجیتال و تصاویر - تصاویر ایجاد کرده اید - با آن برخورد کرده اید.
آموزش به طور کلی به فرآیندی اشاره دارد که در آن یک مدل مقادیر خوب برای همه وزنها و سوگیریها را از مثالهای برچسبگذاری شده یاد میگیرد (تعیین)
ایجاد تصاویر در انتشار پایدار همانطور که ما پوشش داده ایم یک فرآیند خودکار نیست در جای دیگر. برای رسیدن به آنجا، فرآیندهایی وجود دارد.
ابتدا یک مدل هوش مصنوعی باید یاد بگیرد که چگونه از طریق نرم افزار تصویری از یک فرد را به یک عکس از یک مدل دو بعدی یا سه بعدی تبدیل یا ترکیب کند. اگرچه مدل انتشار پایدار به طور کامل مورد آزمایش قرار گرفت، اما دارای محدودیتهای آموزشی است که میتوان با روشهای آموزش تعبیهشده و ابرشبکهها تصحیح کرد.
برای به دست آوردن بهترین نتایج، کاربران نهایی ممکن است آموزش های اضافی را برای تنظیم دقیق خروجی های تولید برای مطابقت با موارد استفاده خاص تر انتخاب کنند. آموزش "جاسازی" شامل مجموعهای از تصاویر ارائهشده توسط کاربر است و به مدل اجازه میدهد هر زمان که نام جاسازی در یک اعلان نسل استفاده میشود، تصاویر مشابه بصری ایجاد کند.
جاسازیها بر اساس مفهوم «وارونگی متن» توسعهیافته توسط محققان دانشگاه تلآویو است که در آن بازنماییهای برداری برای نشانههای خاصی که توسط رمزگذار متن مدل استفاده میشوند به شبه کلمات جدید مرتبط میشوند. تعبیه می تواند تعصبات را در مدل اصلی کاهش دهد یا سبک های بصری را تقلید کند.
از سوی دیگر، "هایپرشبکه" یک شبکه عصبی از پیش آموزش دیده است که در نقاط مختلف یک شبکه عصبی بزرگتر اعمال می شود و به تکنیک ایجاد شده توسط توسعه دهنده NovelAI Kurumuz در سال 2021 اشاره دارد که در ابتدا برای مدل های ترانسفورماتور تولید متن در نظر گرفته شده بود. .
آموزش روی هنرمندان خاص
هایپرشبکهها برای هدایت نتایج به سمت یک جهت خاص گنجانده شدهاند و به مدلهای مبتنی بر انتشار پایدار اجازه میدهند تا سبکهای هنری هنرمندان خاص را تکرار کنند. این شبکه این مزیت را دارد که میتواند حتی زمانی که هنرمند توسط مدل اصلی شناسایی نمیشود کار کند و همچنان تصویر را با یافتن نواحی کلیدی مهم مانند مو و چشم پردازش میکند و سپس این مناطق را در یک فضای پنهان ثانویه وصله میکند.
لایه Embedding در Stable Diffusion مسئول کدگذاری ورودیها (به عنوان مثال، متن دستور و برچسبهای کلاس) در بردارهایی با ابعاد کم است. بنی چونگ در وبلاگ خود توضیح می دهد که این بردارها به هدایت مدل انتشار برای تولید تصاویری که با ورودی کاربر مطابقت دارند کمک می کند.
لایه هایپرشبکه راهی برای سیستم برای یادگیری و نمایش دانش خود است. به Stable Diffusion اجازه می دهد تا تصاویر را بر اساس تجربه قبلی خود ایجاد کند.
در حالی که لایه جاسازی آن ورودیهایی مانند اعلانهای متنی و برچسبهای کلاس را در بردارهای کمبعدی رمزگذاری میکند تا به هدایت مدل انتشار برای تولید تصاویری مطابق با ورودی کاربر کمک کند، لایه ابرشبکه تا حدودی راهی برای سیستم برای یادگیری و نمایش خود است. دانش
به عبارت دیگر، به Stable Diffusion اجازه می دهد تا تصاویر را بر اساس تجربه قبلی خود ایجاد کند. در انتشار پایدار، یک هایپرشبکه یک لایه اضافی است که پس از رندر شدن تصویر از طریق مدل پردازش می شود. Hypernetwork تمایل دارد تمام نتایج حاصل از مدل را به سمت داده های آموزشی شما منحرف کند، به گونه ای که اساساً مدل را "تغییر" می کند.
حفظ حافظه
این اساساً به این معنی است که هایپرشبکه مسئول حفظ حافظه تصاویری است که سیستم قبلاً تولید کرده است. هنگامی که یک کاربر یک ورودی جدید می دهد، سیستم می تواند از دانش قبلی خود برای ایجاد تصویر دقیق تر استفاده کند. بنابراین، هایپرشبکهها به سیستم اجازه میدهند تا سریعتر یاد بگیرد و هرچه پیش میرود بهبود یابد.
این مزیت را دارد که هر تصویر حاوی چیزی که داده های آموزشی شما را توصیف می کند، شبیه داده های آموزشی شما خواهد بود.
ما متوجه شدیم که آموزش با جاسازی آسانتر از آموزش با ابرشبکه برای ایجاد پرتره از خود است. تمرینات ما نتایج خوبی به همراه داشت که ما از آن راضی هستیم.
از کدام تکنیک تنظیم دقیق استفاده می کنید؟ چیزی شبیه Hypernetworks یا Textual Inversion؟
- ماتیاس میشل (@m91michel) دسامبر 21، 2022
اما این یک فناوری است که بسیاری هنوز با آن چانه زنی می کنند. هایپرشبکه ها و مولدهای هوش مصنوعی به تازگی شروع به پاسخگویی به نیازها و خواسته های کاربران کرده اند. رابط های کاربری و تکنیک های درخواست بدون شک سریع پیشرفت می کنند و حتی ممکن است جذاب باشند گوگل بی گارد، به عنوان متانیوز اخیراً تحت پوشش قرار گرفته است.
- AI
- آی هنر
- بیت کوین
- بلاکچین
- انطباق با بلاک چین
- coinbase
- coingenius
- اجماع
- کنفرانس رمزنگاری
- معدنکاری رمز گشایی
- کریپتو کارنسی (رمز ارزها )
- غیر متمرکز
- تقلبی عمیق
- DEFI
- دارایی های دیجیتال
- ethereum
- ویژه
- هایپرشبکه ها
- فراگیری ماشین
- متانیوز
- رمز غیر قابل شستشو
- افلاطون
- افلاطون آی
- هوش داده افلاطون
- PlatoData
- بازی پلاتو
- چند ضلعی
- اثبات سهام
- انتشار پایدار
- پیشرفته
- W3
- زفیرنت