Hiper ağlar nedir?

Birkaç hafta önce fotoğraf gerçekçiliğinde görüntüler sunan yapay zeka uygulaması Stable Diffusion öne çıktığında, beraberinde yeni bir moda sözcük geldi; hiper ağlar.

Şimdi, Stabil Difüzyon ve hiper ağlar o kadar iç içe geçmiş durumda ki, aynı paragrafta biri olmadan diğerinden bahsetmek imkansız.

“Kutudan çıkar çıkmaz gerçekten anlamadığı belirsiz “stilleri” öğretmek için küçük veri kümelerinde (hayır, sizinki dışında çağdaş sanatçılar değil) kararlı difüzyon hiper ağları eğittim. Tam olarak tanımlandığı gibi çalışıyor, aslında düşündüğümden daha iyi," diyor bir Twitter kullanıcısı.

Kutudan çıkar çıkmaz gerçekten anlamadığı belirsiz "stilleri" öğretmek için küçük veri kümelerinde (hayır, sizinki dışında çağdaş sanatçılar değil) kararlı difüzyon hiper ağları eğittim. tam olarak tarif ettiği gibi çalışıyor, aslında düşündüğümden daha iyi.

- pişmanlık maksimize edici (@regretmaximizer) 20 Aralık 2022

Bu, son zamanlarda netizenleri saran hiper ağ vızıltısının somut örneğidir.

Bilgisayar biliminde, bir hiper ağ teknik olarak bir ana ağ için ağırlıklar üreten bir ağdır. Diğer bir deyişle, ana ağın davranışının diğer sinir ağları ile aynı olduğuna inanılır, çünkü hiper ağ, ağırlıkların yapısı hakkında bilgi içeren bir dizi girdi alır ve üretirken, bazı ham girdileri istenen hedeflerle eşleştirmeyi öğrenir. o katmanın ağırlığı.

Ayrıca oku: Yaşamı Mahveden Derin Sahte Görüntüler Yaratan Yapay Zeka Teknolojisi

Hiper ağlar nasıl kullanılır?

Hiper ağın ne olduğunu anlamak için biraz geriye gidelim. Dijital sanat ve görüntüler oluşturmak için yapay zeka aracı olan Stable Difüzyon'da görüntüler oluşturduysanız, buna rastlamışsınızdır.

Eğitim genellikle, bir modelin etiketli örneklerden tüm ağırlıklar ve yanlılık için iyi değerleri öğrendiği (belirlediği) bir süreci ifade eder.

üzerinde görüntü oluşturma Kararlı Difüzyon ele aldığımız gibi otomatik bir süreç değildir. başka yerde. Oraya ulaşmak için süreçler var.

Öncelikle bir AI modeli, yazılım aracılığıyla bir 2D veya 3D modelden birinin görüntüsünü nasıl oluşturacağını veya bir fotoğrafa sentezleyeceğini öğrenmelidir. Kararlı Difüzyon modeli kapsamlı bir şekilde test edilmiş olsa da, gömme ve hiper ağ eğitim yöntemleriyle düzeltilebilecek bazı eğitim sınırlamaları vardır.

En iyi sonuçları elde etmek için son kullanıcılar, üretim çıktılarında daha özel kullanım durumlarına uyacak şekilde ince ayar yapmak için ek eğitim yapmayı seçebilir. Bir "gömme" eğitimi, kullanıcı tarafından sağlanan görüntülerin bir koleksiyonunu içerir ve modelin, bir oluşturma bilgi isteminde yerleştirmenin adı her kullanıldığında görsel olarak benzer görüntüler oluşturmasına olanak tanır.

Gömmeler, Tel Aviv Üniversitesi'nden araştırmacılar tarafından geliştirilen ve modelin metin kodlayıcısı tarafından kullanılan belirli belirteçler için vektör temsillerinin yeni sözde sözcüklerle ilişkilendirildiği “metin ters çevirme” konseptine dayanmaktadır. Gömme, orijinal model içindeki önyargıları azaltabilir veya görsel stilleri taklit edebilir.

Öte yandan bir "hiper ağ", daha büyük bir sinir ağı içindeki çeşitli noktalara uygulanan önceden eğitilmiş bir sinir ağıdır ve NovelAI geliştiricisi Kurumuz tarafından 2021'de oluşturulan ve orijinal olarak metin oluşturma trafo modelleri için tasarlanan tekniği ifade eder. .

Belirli sanatçılarla ilgili trenler

Sonuçları belirli bir yöne yönlendirmek için hiper ağlar dahil edilir ve Stable Diffusion tabanlı modellerin belirli sanatçıların sanat stillerini kopyalamasına olanak tanır. Ağ, sanatçı orijinal model tarafından tanınmadığında bile çalışabilme avantajına sahiptir ve saç ve gözler gibi önemli önemli alanları bularak görüntüyü işlemeye devam edecek ve ardından bu alanları ikincil bir gizli alanda yamalayacaktır.

"Durağan Yayılımdaki Gömme katmanı, girdileri (örneğin, metin istemi ve sınıf etiketleri) düşük boyutlu vektörlere kodlamaktan sorumludur. Bu vektörler, kullanıcının girdileriyle eşleşen görüntüler üretmek için difüzyon modeline rehberlik etmeye yardımcı olur,” diye açıklıyor Benny Cheung blogunda.

“Hiper ağ katmanı, sistemin kendi bilgisini öğrenmesi ve temsil etmesi için bir yoldur. Stable Diffusion'ın önceki deneyimlerine dayalı görüntüler oluşturmasına izin veriyor."

Gömülü katmanı, kullanıcının girdisiyle eşleşen görüntüler üretmek için difüzyon modeline rehberlik etmeye yardımcı olmak için metin istemi ve sınıf etiketleri gibi girdileri düşük boyutlu vektörlere kodlarken, hiper ağ katmanı bir şekilde sistemin kendi bilgisini öğrenmesi ve temsil etmesi için bir yoldur. bilgi.

Başka bir deyişle, Stable Diffusion'ın önceki deneyimlerine dayalı görüntüler oluşturmasına izin verir. Stable Diffussion'da hiper ağ, model aracılığıyla bir görüntü oluşturulduktan sonra işlenen ek bir katmandır. Hiper ağ, modeldeki tüm sonuçları, modeli temel olarak "değiştirecek" bir şekilde eğitim verilerinize doğru eğme eğilimindedir.

Bellek tutma

Bu, esas olarak hiper ağın, sistemin daha önce oluşturduğu görüntülerin bellekte tutulmasından sorumlu olduğu anlamına gelir. Bir kullanıcı yeni bir girdi verdiğinde, sistem daha doğru bir görüntü oluşturmak için önceki mevcut bilgilerini kullanabilir. Bu nedenle hiper ağlar, sistemin daha hızlı öğrenmesine ve ilerledikçe gelişmesine izin verir.

Bunun avantajı, egzersiz verilerinizi açıklayan bir şey içeren her görüntünün egzersiz verileriniz gibi görünmesidir.

"Gömülü eğitimin, otoportre oluşturmak için bir hiper ağ ile eğitimden daha kolay olduğunu bulduk. Eğitimimiz, memnun olduğumuz iyi sonuçlar verdi, ”diye yazdı Cheung.

Hangi ince ayar tekniğini kullanıyorsunuz? Hypernetworks veya Textual Inversion gibi bir şey mi?

— Mathias Michel (@m91michel) 21 Aralık 2022

Ancak bu, birçok kişinin hala pazarlık ettiği bir teknoloji. Hiper ağlar ve yapay zeka oluşturucular, kullanıcıların ihtiyaçlarını ve isteklerini karşılamaya yeni başladı. Kullanıcı arayüzleri ve yönlendirme teknikleri şüphesiz hızlı ilerleyecek ve hatta belki de dikkatleri üzerine çekecektir. Google hazırlıksız, MetaNews olarak son zamanlarda kaplı.

BU GÖNDERİYİ PAYLAŞ